当前位置:网站首页>FMC子卡:8 通道 125MSPS采样率16 位 AD 采集子卡
FMC子卡:8 通道 125MSPS采样率16 位 AD 采集子卡
2022-07-17 05:11:00 【F_white】
FMC129 是一款 8 通道 125MHz 采样率 16 位 AD 采集 FMC
子卡,符合 VITA57.1 规范,可以作为一个理想的 IO 模块耦合至 FPGA前端,8 通道 AD 通过高带宽的 FMC 连接器(HPC)连接至 FPGA 从而大大降低了系统信号延迟。
该板卡支持板上可编程采样时钟和外部参考时钟以及采样时钟,多片板卡还可以通过触发(输入/输出)信号进行同步采集,该板卡8路模拟信号通过 50Ω特征阻抗的 SSMC 射频连接器输入,通过巴伦变压器耦合至 ADC 前端。板卡可广泛应用于通信多载波、雷达与智能天线、测试与测量、软件无线电等。
原理框图

实物图

性能指标
支持 8 路 16 位 125MSPS 采样率;
支持单端交流耦合输入;
输入电压范围:2.0Vpp~2.8Vpp;
模拟输入带宽:650MHz;
信噪比(SNR)79.9dBFS(16MHz,Vref=1.4V);
信噪比(SNR)78.1dBFS(64MHz,Vref=1.4V);
无杂散动态范围(SFDR):86dBc(至 Nyquist);
[email protected]:12.9bits;
FMC 接口指标
标准 FMC 子卡,符合 VITA57.1 规范;
板卡支持 1 片 EEPROM;
FMC 连接器型号:ASP-134488-01,HPC 接口;
板卡采用+12V 供电,整板典型功耗 4W;
时钟分配
支持外时钟模式;
板载 1 片高精度时钟芯片 HMC7044;
其它功能
支持外触发;
板载状态指示灯;
物理与电气特征
板卡尺寸:84.1 x 69mm
板卡供电:3A [email protected]+3.3V(±5%)
散热方式:自然风冷散热或金属导冷散热
环境特征
工作温度:-40°~﹢85°C;
存储温度:-55°~﹢125°C;
工作湿度:5%~95%,非凝结
技术和需求对接微信:W_soul911
边栏推荐
- Dlib library and Dat file address
- 李宏毅机器学习2022.07.15--误差
- 基于bert的情感分类
- Pointnet++ code explanation (IV): index_ Points function
- 基于opencv的检测人脸,并截取人脸
- 关于AS安装之后的一些细碎事项
- INRIAPerson数据集转化为yolo训练格式并可视化
- Pointnet++代码详解(一):farthest_point_sample函数
- Pytorch learning notes [1]: use tensors to represent real data
- 用facenet源码进行人脸识别测试过程中的一些问题
猜你喜欢
随机推荐
cuda11.0的pytorch安装小计
Pytorch learning notes [2]: learning mechanism
Hanoi Tower problem -- > recursive implementation
对比学习损失函数(RINCE/ReLIC/ReLICv2)
Subtotal of pytorch installation of cuda11.0
SGM: Sequence Generation Model for Multi-Label Classification(用于多标签分类的序列生成模型)
[speech recognition] MFCC feature extraction
Xinlinx zynq7010国产替代 FMQL10S400 全国产化 ARM 核心板+扩展板
一文读懂目标检测中的各种IoU损失函数
USB to TTL ch340 module installation (win10)
SnackBar source code analysis and packaging
PyTorch学习笔记【4】:从图像学习
基于opencv的检测人脸,并截取人脸
CUDA编程-01: 搭建CUDA编程环境
重写YOLOX的TensorRT版本部署代码
Pointnet++ code details (II): Square_ Distance function
static 关键字对作用域和生命周期的影响
The widerperson data set is transformed into yolov5 training format and added to crowdhuman
Database design of Internet cafe management system
Pytorch learning notes [4]: learn from images








