如影随形的噪声（中）电力场效应管随机电报信号检测与分析-电报telegram技巧分享

随机电报噪声原理

在上一期中我们给大家具体介绍了科学成像中三种重要的噪声：

散粒噪声

，

读出噪声

和

暗电流

。有了这三种噪声的数据，忽略其他噪声源，我们可以盘算出图像的信噪比：

此中：

以上公式就变为：

通常暗电流噪声可以忽略，这样我们不丢脸出：当光信号较强时（宏大于读出噪声），散粒噪声占主导地位，信噪比重要由信号强度决定；而在弱光成像中，读出噪声就显得至关重要了。

sCMOS相机读出噪声远小于CCD

，也正是它被广泛的应用于弱光成像的一个重要缘故。

不外凡事皆有两面性，CMOS也有自己的问题。在上一期中我们也提到，CCD和CMOS的读出方法差别：CCD只有一个读出口，读出噪声遵照

正态分布（Gaussian distribution）

。而CMOS每个像素都有独立的放大器，每列共用一个读出口，因此，每个像素的读出噪声差别，总体遵照

偏态分布（Skewed distribution）

（图1）：

图1 CMOS像素的读出噪声分布

位于偏态分布尾部的那些像素具有相对更大的读出噪声，称为

高噪声像素(High noise pixel)

。为了更形象的进行说明，我们拍摄了150张bias图片，找出此中典型的高噪声像素和低噪声像素灰度值的分布环境（图2）。可见，像素的灰度值会随机地在均匀值上下变革，低噪声像素的变革区间很小，而高噪声像素的变革区间较大，尺度差更大，也就是说噪声更高。

图2 低噪声像素与高噪声像素读出噪声的分布

这些高读出噪声的像素点会导致图片看起来像是撒了许多盐和胡椒一样（图3），以是被形象的称为

“椒盐”噪声

（’Salt’ n’ pepper’ noise）,又叫做

随机电报噪声 (Random telegraph noise，RTN)

。：

图3 随机电报噪声

椒盐排条虽然好吃，撒了椒盐的图像可不悦目，试想一下我们拍了一张图片，却发现上面充满了雪花点，是不是累觉不爱。不外好消息是，椒盐噪声虽然难以制止，但随着相机内置图像处置技能的进步，我们可以在相机的FPGA内置一些算法来对它们进行校正。

Prime 95B内置despeckle功能：去除椒盐噪声的神器。

Photometrics生产的sCMOS相机Prime 95B内置有despeckle功能，可以及时去除椒盐噪声。这个功能统共包含四个滤波器：

1. Despeckle Dark Low；2. Despeckle Bright Low ；3. Despeckle Dark High；4. Despeckle Bright High。

前两个便是用往复除椒盐噪声的，后两个则用往复除热门和暗点。

图4 使用despeckle功能前后效果对比

比较图4我们看到，当despeckle功能开启时，图像直方图变窄，两头灰度值过低或过高的像素不见了。实际上这些像素并没有消散，而是被他们四周像素灰度值的中值所代替了，这样就到达了降噪的效果。

以上就是关于椒盐噪声的原形啦，不知大家是否get了呢？在下一期跬步不离的噪声完结篇中，我们将为大家介绍一些实用的降低噪声和进步信噪比的方法，请大家万万不要错过哦！

长｜按｜二｜维｜码｜关｜注

Detection and analysis of random telegraph signal noise in P-MOSFET

0 引言

电力场效应管具有驱动电路简单、驱动功率小、热稳定性好、开关速率快、工作频率高的特点，常作为高频开关电源的焦点器件，被广泛应用于电力电子的通讯电源装备
^[1]
。然而，P-MOSFET在大功率、强电流的开关工作状态下，其内部的导通电阻敏捷增大，导致P-MOSFET产生电导调制效应，极大地限定了其开关速率，影响其击穿电压，直接影响P-MOSFET的可靠性
^[2-3]
。已有相关文献表现，当P-MOSFET可靠性降低时，其内部的 RTS噪声成分明显，可以作为反应P-MOSFET可靠性的敏感参数
^[4]
。因此对P-MOSFET的RTS噪声检测与分析是研究P-MOSFET可靠性的当务之急。

1 P-MOSFET管RTS噪声的检测

传统的低频噪声丈量是将放大器直接与频谱分析仪相连
^[4]
，很难辨别RTS噪声的出处，并且RTS噪声极其微小，很轻易被放大器的配景噪声所掩埋。因此本文根据互谱法的原理，可接纳二通道互谱丈量方法对电力场效应管的RTS噪声进行检测。

1.1 互谱丈量

互谱丈量的原理如图1所示，此中 s(t)为待测P-MOSFET经过偏置电路所引发的低频噪声，x(t)和y(t)分别为放大器1和2的输出信号。

由互谱丈量的原理可得出
^[5]
：

式中，T为丈量的时间，t为时间变量，τ为x(t)与y(t)迟延，j为虚单位，ω为系统的角频率。

根据上式可知，假如丈量的时间比较长，两个通道之间的配景噪声便可以充实克制，就减弱了系统的滋扰噪声看待测RTS噪声的影响。

1.2 革新型 EMD算法的实现

根据EMD算法的流程图
^[6]
，可知EMD算法可以或许对其所含有种种频段的噪声进行逐层剖析，但无法有用地滤波以及恢复出含有其他噪声成分较小RTS噪声。因此，提出了一种革新型的EMD算法。

革新的思绪如下：

(1)使用EMD对RTS噪声进行剖析得到：

式中f(t)为待测样品的RTS噪声信号，n为EMD剖析的层，j为 EMD剖析的第j层，t为时间，IMF
_j
为经EMD剖析后的第j层的本征模态分量，r
_n
(t)为剖析n层之后余下的残波。

(2)根据IMF分量的频率具有依次递减的特点，找出崎岖频滋扰成分明显的IMF分量聚集C和D。

高频分量聚集：

C={IMF
₁
，IMF
₂
，…，IMF
_k
}且k<n

低频分量聚集：

D={IMF
_n
，IMF
_n-1
，…，IMF
_l
}且l<n-k-1

(3)让原始的RTS噪声信号减去高频滋扰重要会合的成分C与低频扰动会合的D成分，即可滤除噪声，得到配景噪声较小的RTS噪声信号，其表达式为：

式中I
_D
(t)为滤波后的RTS噪声信号，a
_i
为高频分量聚集C中的IMF任意高频分量，b
_i
为低频分量聚集D中的IMF任意低频分量。

图2(a)为文献[6]接纳的高通数字滤波器的方法处置样品RTS噪声后的滤波效果，通过比较图2(a)与图2(b)可以看出经过EMD处置后的噪声信号，可以或许很好地滤除RTS噪声信号中的高频滋扰，滤波效果优于传统的方法，分散出比较抱负的三电平值RTS噪声。

1.3 革新的自顺应最小均方算法

虽然革新型的EMD算法可以或许有用地消除崎岖频滋扰对RTS噪声的影响，但不易确定EMD剖析后的崎岖频滋扰IMF分量，尤其是当待剖析的RTS噪声含有较大的滋扰时，EMD剖析的层数就会较多，对含有崎岖频成分的IMF分量C与D的确定就越发困难。

因此，可以使用革新型的自顺应最小均方（Least-Mean-Square，LMS）算法搞定以上问题。其革新的自顺应LMS算法的思绪为：

(1)初始化参量阵元个数M、参考信号d(n)。

(2)由W(n+1)=W(n)+2μ(n)e(n)X(n)盘算初始状态下的权W，并得出所得信号与盼望信号之间的偏差。

(3)为了加速革新型EMD算法收敛的稳定性，淘汰EMD剖析的层数，根据革新型的公式μ(n)=1/(rho_max+1)(此中rho_max为RTS噪声相关矩阵的最大特性值)盘算步长因子μ(n)。

(4)根据迭代公式算法盘算W(n+1)。

(5)由新得到的权值W(n+1)盘算新的输出信号及其与目的信号之间的偏差。

(6)根据第5步得出的偏差大小判定是否到达偏差容许范畴的要求。若偏差满意要求，则迭代结束，所得的权值向量W(n+1)便是要求的目的权值；不然转向第3步迭代继续进行。

经自顺应LMS算法滤波后的RTS噪声如3所示，由图3(b)可知，滤波后的效果优更为靠近抱负的三电平值的RTS噪声。

2 P-MOSFET管 RTS噪声的分析

由于传统的分析方法不再实用于RTS噪声的时域分析，而高阶累积量可以用于对非高斯信号的分析，因此本文提出了使用高阶累积量来分析RTS噪声。

2.1 高阶累计量的优化

由于RTS噪声的时间分布函数出现泊松分布，因此为了分析优化得到的高阶累积量的性能和有用性，可以运行时间和波形相关系数(Normalization Cross Correlation，NCC)来分析四阶累积量进而分析RTS噪声信号：

式中：x(n)为原始信号，x′(n)为x(n)转置函数，L、m分别为x(n)、x′(n)的采样数。运行时间越小，波形相关系数越大，则算法性能更好。

2.2 高阶累积量的优化验证

为验证该优化算法的有用性，在LabVIEW平台下将RTS噪声信号导入数据库，使用NCC分别对RTS噪声的四阶累积量进行优化处置，得到的结果如图4所示。

从图4可以看出，RTS噪声的四阶累积量都出现泊松规律，进一步验证了RTS噪声的时间分布函数听从泊松分布的规律。在零频处有一个很显着的尖峰，具有1/f噪声特性，并且四阶累积量峰值显着多于四阶累积量，也说明了RTS噪声是1/f噪声叠加的過逞。同时图形当中每个点都在零平面四周对称的跳动，从而证实RTS噪声四阶累积量为零，进而验证本算法的准确性、可行性。

同时对优化前后的四阶累积量仿真结果表现优化前的时间为16.26 s，优化后的仅为为9.248 s，说明优化后四阶累积量减小了运算时的庞杂度，进步了对RTS噪声数据处置的服从。

3 结论

本文通过互谱丈量法丈量出P-MOSFET管的RTS噪声，使用了革新型的EMD算法与LMS算法对其逐层剖析、滤波、恢复出较为抱负的RTS噪声信号，并对高阶统计量的算法进行了优化，验证了RTS噪声的时间函数出现的泊松分布规律，证实该方法的准确与有用性。

参考文献

[1] MOHAMED N，DEBARSHI B，CELIK B.Variability of random telegraph noise in analog MOS transistors[J].Noise and Fluctuations，2013，15(8)：275-290.

[2] 陈晓娟，樊欣欣，吴洁．短沟道MOS器件随机电报信号噪声的检测与分析[J].半导体技能，2016，41(3)：234-239.

[3] LEYRIS C，MARTINEZ F，VALENZA M，et al.Random telegraph signal：a sensitive and non destructive tool for gate oxide single trap characterization[J].Micro Electronics Reliability，2014，47(6)：573-576.

[4] LEE A，BROWN A，ASENOV A，et al. Random telegraph signal noise of power MOSFETs subject to atomic scale structure variation[J].Superlatives and Microstructures，2014，39(12)：293-300.

[5] 孙玮，孙钊，王鹏.场效应晶体管随机电报信号噪声的探测及分析[J].西安产业大学学报，2013，16（12）：957-960，967.

[6] 陈晓娟，樊欣欣.基于RTS噪声丈量与参量的提取[J].电力电子技能，2016，50(8)：103-105.

[7] 樊欣欣，杨连营，陈秀国.基于低频噪声检测的电力MOSFET可靠性分析[J].半导体技能，2018(1)：75-80.

作者信息:

樊欣欣，杨连营，陈秀国，徐斌

（国网铜陵供电公司，安徽铜陵244000)

相机中的噪声通常可广泛地分为两大类：固定模式噪声（time-invariant）和时变噪声（time-variant）

固定模式噪声特指不随某帧图像发生变革的特定空间模式；而时变噪声差别帧之间差别。

2.1 光到电過逞（from photo to charge）