提出了一种用于电流舵DAC的开关顺序优化技术。首先, 将高位电流源阵列拆分成四个部分并位于四个象限中, 在每个象限中采用开关顺序优化技术消除电流源阵列由PVT变化而带来的二阶梯度幅值误差; 其次, 对开关顺序优化后的电流源阵列根据幅值变化进行排序并重组, 形成最终的电流源及开关顺序, 消除了一阶梯度幅值误差和其他残余误差。与常规开关顺序优化技术相比, 该技术能更有效地降低幅值误差, 提高了DAC的静态性能。为了验证提出的开关顺序优化技术, 基于40 nm CMOS工艺制作了一个12位200 MS/s采样频率的电流舵DAC。测试结果表明, 实施开关顺序优化技术的DAC的INL、DNL分别从0.63 LSB、0.37 LSB降低到0.54 LSB、0.25 LSB。

针对使用传统方法和神经网络对飞机目标分类时遇到的准确率低、分类种类少等问题,研究了深度卷积神经网络(DCNN)在飞机目标分类中的可行性。为了匹配模型容量、避免过拟合、提高分类性能等,设计了9层DCNN模型,并使用随机梯度下降优化器进行优化。在数据集中选用6类具有代表性的飞机类型进行实验,提出两种正则化级联方式以防止过拟合并加快模型收敛,最终实现了99.1%的飞机分类准确率,由此说明该DCNN模型在飞机目标分类中的有效性。通过归一化混淆矩阵分析分类结果,给出了每类飞机自分类的准确率。此外,设计了一组对比实验,用经典的AlexNet在同一数据集上进行测试,结果表明,所设计的DCNN的准确率高于AlexNet分类算法95.5%。该模型有效地解决了飞机目标分类精度低的问题,在**和民航飞机目标的分类研究中具有一定的参考价值和应用前景。