目录
芯片简介:
AD9122 是一款双通道16位高性能数模转换器(DAC),在800MSPS工作条件下其无杂散动态范围(SFDR)高达72dBc,最高可提供1200 MSPS采样速率。

高速DAC--AD9122电路原理图
硬件设计的电路原理图如上图所示,AD9122具备针对直接变频传输应用进行优化的特性,包括复数数字调制以及增益与失调补偿。DAC输出经过优化后可直接与模拟正交调制器无缝接口,便于后期使用多载波调制技术。
&nbs
目录
AD9122 是一款双通道16位高性能数模转换器(DAC),在800MSPS工作条件下其无杂散动态范围(SFDR)高达72dBc,最高可提供1200 MSPS采样速率。

高速DAC--AD9122电路原理图
硬件设计的电路原理图如上图所示,AD9122具备针对直接变频传输应用进行优化的特性,包括复数数字调制以及增益与失调补偿。DAC输出经过优化后可直接与模拟正交调制器无缝接口,便于后期使用多载波调制技术。
&nbs
深入解析AD9122高速DAC的SPI配置与LVDS接口设计
本文深入解析了高速DAC芯片AD9122的核心配置与应用。重点阐述了如何通过SPI接口灵活配置其内部寄存器,以控制数字上变频、插值滤波等高级功能,实现软件定义无线电。同时,详细探讨了LVDS高速数据接口的硬件设计要点与FPGA时序优化方法,确保数据稳定传输,为5G通信、测试测量等高性能系统设计提供关键指导。
高速DAC AD9122的SPI配置与LVDS接口设计实战
本文详细解析了高速DAC AD9122的核心配置与接口设计。重点阐述了如何通过SPI接口配置其内部寄存器,以控制数字调制、插值滤波等功能;并深入探讨了与FPGA间高速LVDS数据接口的硬件设计要点与FPGA逻辑实现,包括ODDR和OBUFDS原语的使用,为开发高性能信号生成系统提供实战指南。
用FPGA和AD9122 DAC在示波器上画个爱心:从Matlab公式到SPI配置的完整实战
本文详细介绍了如何利用FPGA和AD9122 DAC在示波器上绘制爱心波形的完整实现过程。从Matlab数学建模、COE文件生成到FPGA ROM配置,再到AD9122的硬件电路设计和SPI接口配置,提供了全面的技术指南。特别适合电子工程师学习FPGA与DAC的协同工作,以及示波器波形生成的高级应用。
高速DAC设计实战:AD9122的时钟、电源与PCB布局要点
数模转换器(DAC)是数字与模拟世界的桥梁,而高速DAC更是软件无线电、通信发射链路与测试测量仪器中的核心器件。其输出频谱纯度高度依赖于采样时钟质量,时钟抖动过大会导致相位噪声恶化、杂散抬升,直接影响系统EVM指标。因此,高速DAC电路设计的首要任务是确保低抖动时钟源与完整的参考平面。同时,电源噪声耦合与LVDS数据接口的信号完整性同样不可忽视,合理的PCB布局能有效规避这些隐患。围绕AD9122这款16位、1.2GSPS双通道高速DAC,工程实践需从时钟树、电源分区、去耦电容摆放、地平面处理及SPI寄存器
AD9122高速DAC的SPI时序与LVDS接口设计实战指南
高速DAC是射频与数字系统间的关键桥梁,其性能上限往往由寄存器配置精度和LVDS信号完整性共同决定。SPI接口在高速DAC中已非传统通信协议,而是需纳秒级建立/保持时间约束的精密时序通道;LVDS则超越差分电平概念,演变为受P/N不对称性、参考平面连续性及通道间skew严格约束的GHz级传输线。理解其底层原理,可规避复位失败、眼图闭合、SFDR劣化等典型工程问题。本文聚焦AD9122这一典型器件,结合STM32F103平台,详解SPI寄存器级时序控制、LVDS PCB七条硬性规则及实测验证方法,覆盖雷达信号
AD9122与Zynq的LVDS接口实战:如何避免高速数据传输中的信号完整性问题
本文详细探讨了AD9122高速DAC与Zynq平台LVDS接口设计中的信号完整性优化策略。通过分析时序、电气和协议特性,提供PCB布局优化、RTL实现技巧及系统验证方法,帮助工程师解决高速数据传输中的信号失真问题,确保系统性能达到AD9122的标称指标。
Vivado使用从零实现:AD/DA采样通信链路设计
手把手带你用Vivado搭建完整的AD/DA采样与通信链路,覆盖工程创建、IP核配置、时序约束到硬件验证全流程。紧扣vivado使用实战要点,强调真实项目中高频出现的采样同步与数据通路调试技巧,助你扎实掌握vivado使用核心能力。
高速DAC接口设计实战:AD9122的SPI配置与LVDS高速数据链路调试
在数字信号处理与数据转换系统中,高速DAC是实现高质量模拟输出的核心器件,而决定其性能上限的关键往往在于前端数字接口的正确设计。SPI作为芯片的配置通道,负责初始化寄存器、设置工作模式,是芯片正常工作的前提;LVDS作为高速数据管道,则以差分信号形式承载海量采样数据,直接影响信号完整性和最终频谱纯度。理解这两种接口的工作原理、时序约束及PCB设计要点,是工程师在信号发生器、软件无线电和雷达波形产生等应用中发挥高速DAC性能的基础。本文围绕AD9122双通道16位高速DAC,系统解析SPI寄存器访问机制、LV
解锁AD9122的隐藏技能:用Zynq PL实现多模式信号调制的5个关键技巧
本文深入解析如何通过Xilinx Zynq PL充分发挥AD9122高速DAC的潜力,实现多模式信号调制。从核心架构解析到LVDS接口优化,详细介绍了SPI配置、半带滤波器设置、NCO调制等5个关键技巧,帮助开发者提升通信系统性能。特别针对高速数据转换应用,提供了实用的代码示例和系统级优化建议。
DAC_AD9122官方C语言驱动程序详解
本章旨在介绍DAC_AD9122.zip的总体概况,提供对产品包的基本理解和初步探索。DAC_AD9122.zip不仅是一个软件包,它融合了ADI公司(Analog Devices, Inc.)推出的高性能数模转换器AD9122的硬件设计、软件驱动程序以及应用示例代码,提供了一个完整、易于使用的硬件-软件解决方案。接下来的章节将围绕AD9122的硬件特性、C语言驱动程序核心概念和应用示例代码深入展开。
AD9912example-code.zip_ad9912_ad9912 code_ad9912驱动
ad9912驱动源程序,以证明可以用,稳定输出一定频率信号
全志T113 Tina5.0开发:(零)源码下载&修改调试串口
本文章主要作为自己的笔记,如有错误欢迎指出$ repo start product-da-t113-tina-stable --all # 全部下载完成之后,创建分支运行过程可能会出现版本问题;rm -rf .repo //先删除试试( 我安装的是3.6版本)
运算放大器电路中的T型网络:如何用更小电阻实现高增益并降低噪声?
本文深入解析了运算放大器电路中T型反馈网络的设计与应用。该网络通过三个较小阻值电阻的组合,等效实现高增益,有效规避了传统大反馈电阻带来的显著热噪声问题。文章从数学原理、噪声定量分析到实际设计技巧,系统阐述了如何利用T型网络在实现高增益的同时,显著降低电路噪声并改善整体性能。
王道考研计算机网络课件全解析:从零搭建你的知识框架(附B站视频+PPT下载)
本文全面解析王道考研计算机网络课程的核心知识体系,从OSI七层模型到TCP/IP四层架构,详细讲解物理层、数据链路层、网络层、传输层和应用层的关键技术。提供高效学习路径、实战案例和常见误区警示,帮助考生系统构建计算机网络知识框架,适合计算机考研备考者参考学习。
论文阅读:arixv 2025 Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples
研究者做了目前最大规模的“投毒实验”,训练了从6亿参数到130亿参数的模型(覆盖了中小到大型LLM),用的训练数据量也是“最适合模型大小”的(按行业里的“Chinchilla法则”,模型越大,训练数据量也按比例增加)。总结下来就是:这篇论文告诉我们,给大语言模型投毒,比之前想的容易得多——不需要海量毒数据,只要几百条藏好后门的文档,就能让大模型“带毒工作”,而且平时还看不出来。——这比之前大家担心的“需要投毒数据占训练集一定比例”要可怕得多,因为对大模型来说,“固定数量”的毒数据更容易偷偷塞进去。
YOLO 系列专栏(二十九)YOLO26 × StarNet 轻量化涨点方案(CVPR 2024)轻量化、主干改进篇 | 星星卷积虽小,却蕴藏着巨大的高效潜力
StarNet 出自 CVPR 2024 轻量化主干网络工作,核心创新是,依靠逐元素乘法实现高阶特征融合,在几乎不增加参数量与 FLOPs 的前提下,大幅提升特征表达能力,天然适合等多任务统一建模。本文将 StarNet 完整替换 YOLO26 原有主干,保留 YOLO26 无 NMS 检测头与轻量化结构,实现,并提供。
RK3399平台入门到精通系列讲解 - 总目录
欢迎大家来到内核笔记的《RK3399平台开发入门到精通系列讲解》,开始前博主先列出RK3399平台学习的大纲,同时这也可以作为大家学习RK3399内核与安卓框架的参考。下面蓝字都是传送门,点击进入即可:...
KEPServerEX物联网网关(IoT Gateway)REST客户端代理(非原创)
(中文版)资料来源于【OPC-KEPServerEX学习KEPWare交流】905485143群的【455196383】【零下一度】 一。KEPServerEX物联网网关REST客户端代理演示 在KSE中,首先构建一个带有通道/设备/标签的模拟器系统。 例如,下面是三个随机项目。 直接到IoT网关插件,添加新代理。 从类型列表中选择REST Client。 终结点...
C#实现低通和高通滤波算法
低通滤波器允许通过低于某个截止频率的信号成分,并且抑制高于该频率的成分。而高通滤波器则允许通过高于某个截止频率的信号成分,并抑制低于该频率的成分。巴特沃斯滤波器是一种对称的滤波器,具有平坦的幅度响应和最小的群延迟。低通和高通滤波是数字信号处理中常用的滤波技术,用于滤除或增强信号中的特定频率成分。在本篇文章中,我们将使用C#编程语言来实现低通和高通滤波算法。以上就是使用C#实现低通和高通滤波算法的示例代码。你可以根据自己的需求调整截止频率和采样率,将这些代码应用于你的项目中。是滤波器的截止频率,
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
1081

被折叠的 条评论
为什么被折叠?



