微机电系统麦克风灵敏度不确定性分析

由于制造工艺造成振膜参数偏差导致了微机电系统麦克风灵敏度的不确定性,为了减少计算时间,提高仿真效率,提出基于人工神经网络的拉丁超立方蒙特卡罗模拟,以分析多晶硅圆形固支振膜麦克风灵敏度的不确定性。实验结果表明,麦克风灵敏度的合格率为92.9%,仿真耗时小于10s。相比传统随机采样蒙特卡罗模拟,相同仿真精度拉丁超立方采样数仅为传统采样的11%;研究了振膜参数对麦克风灵敏度概率分布的影响。采用正态分布拟合仿真结果,得到灵敏度分布的均值与标准差。计算结果表明,振膜半径对灵敏度分布的影响最为明显,厚度的影响次之,弹性模量只影响分布的均值,不影响标准差。拉丁超立方蒙特卡罗模拟是一种分析麦克风灵敏度不确定性的高精度、高效率方法。

一种适用于MEMS麦克风的新型恒压电荷泵设计

实现了一种新型恒压输出电荷泵电路,通过选择合理的电荷泵结构能有效抑制反向电流及衬底电流,并通过一种负反馈稳压电路得到低纹波且不随电源电压变化的稳压输出,非常适用于MEMS麦克风。该电路采用MIXIC0.35μm标准CMOS工艺实现,测试结果表明该电路能自适应2.8～3.6V的电源电压变化,输出稳定的9V直流电压。

基于人工神经网络MEMS电容麦克风灵敏度模型

为提高MEMS电容麦克风灵敏度仿真效率,提出了基于反向传播神经网络灵敏度仿真模型。通过有限元软件Ansys仿真得到采样数据,训练神经网络。结果表明,模型仿真最大相对误差小于2%,仿真时间0.6s。人工神经网络模型计算速度快、精度高,是传统灵敏度仿真模型改进。对比模型仿真结果均方根误差,还研究了训练数据和网络结构对模型仿真精度影响。30个训练数据、单隐层5个神经元是多晶硅固支振膜麦克风灵敏度最优模型。

声音时延测量的数字电路实现与应用

针对基于麦克风阵列的声源定位系统中声音时间延迟测量问题,提出一种互相关法测量声音时延的纯数字电路实现方案。使用微机电系统(MEMS)数字麦克风作为声音传感器采集两路声音信号,利用硬件描述语言Verilog在现场可编程门阵列(FPGA)中完成互相关算法数字电路实现。分别在Matlab和FPGA中测试验证声音时延测量结果,并将此方案应用于实际声源定位系统中。实际测试结果表明,设计的时延测量电路能快速地得出声音信号的时延值,且测得的声音时延满足声源定位系统对时延的要求,系统声源定位效果良好。