Architectures neuronales pour la conversion analogique/numérique

Contribution à l'amélioration des performances des convertisseurs analogiques/numériques linéaires et nonlinéaires

Les travaux présentés dans ce travail porte principalement sur la mise en œuvre de nouvelles architectures intelligentes, flexibles et moins complexes pour la conversion analogique/numérique rapide et précise.

Cela répondra au besoin de l'industrie des capteurs intelligents (smart sensors) et des composants MEMS à savoir, la digitalisation des signaux de capteurs et la réalisation d'une fonction importante de correction des non-linéarités de la caractéristique des capteurs.

Plusieurs structures neuronales pour la conversion analogique/numérique ont été synthétisées et optimisées en vue de les implémenter sur circuits analogiques.

Également, d'autres circuits analogiques et hybrides (analogique/FPGA) ont été réalisés pour la conversion analogique/numérique et la linéarisation en même temps.

La conception de ces derniers était modulaire en utilisant des modèles neuronaux optimaux.

Les architectures développées ont été soumises à des tests temporels, statistiques et spectraux normalisés qui ont permis d'en conclure sur les performances des nouvelles architectures réalisées en montrant la capacité de linéarisation et de conversion en binaire de la sortie d'un capteur non-linéaire.