购物车0制造商:ADI/AD
优势和特点
一个封装中集成4个ADC
串行LVDS数字输出数据速率高达520 MHz(ANSI-644)
提供数据时钟输出
信噪比(SNR):47 dB(至Nyquist频率)
400 MHz全功率模拟带宽
功耗:330 mW(65 MSPS)
出色的线性度:- 微分非线性(DNL)= ±0.25 LSB(典型值)- 积分非线性(INL)= ±0.5 LSB(典型值)
输入电压范围:1Vpp 至 2Vpp
+3.0V电源供电
省电模式
产品详情
AD9289是一款4路、8位、65 MSPS模数转换器(ADC),内置一个片内采样保持电路,专门针对低成本、低功耗、小尺寸和易用性而设计。该产品的转换速率最高可达65 MSPS,具有杰出的动态性能,适合小封装尺寸极为重要的应用。
该ADC要求采用+3V单电源供电以及LVDS或PECL-兼容型采样速率时钟信号,以便充分发挥其工作性能。对于大多数应用来说,无需外部基准电压源或驱动器件。单独的输出电源引脚支持LVDS兼容型串行数字输出电平。
为获得合适的LVDS串行数据速率,该ADC会自动倍乘采样速率时钟。它还提供MSB触发器,用于发送新输出字节信号。该ADC支持省电模式,启用省电模式时,功耗低于10 mW。
AD9289采用先进的CMOS工艺制造,提供64引脚小型BGA封装(64 CSP_BGA),额定温度范围为-40°C至+85°C工业温度范围。
电力系统作为国家基础设施的重要组成部分,其安全稳定运行对国民经济和社会生活至关重要。应急处理措施是电力系统安全管理中的关键环节,旨在应对突发事件,保障电力供应的连续性和可靠性。 一、电力系统应急处理的重要性 电力系统应急处理是指在电力系统发生突发事件时,采取的一系列措施以最小化事件对电力供应的影响。这些突发事件可能包括自然灾害、设备故障、人为破坏等。有效的应急处理措施能够: 保护人民生命财产安全。 减少经
如何控制元器件静电放电损伤的产生 静电放电是电荷在两个物体之间突然跳跃的过程,其释放的能量可以损伤元器件。为了控制元器件静电放电损伤的产生,我们可以采取以下几种措施: 1. 选择防静电材料:静电放电最容易在导电材料上产生,因此选择具有良好防静电性能的材料是防止静电放电损伤的基础。常见的防静电材料包括抗静电塑料、抗静电硅胶等,这些材料能够有效吸收和分散静电,减小静电放电的能量。 2. 使用静电消除器:静电消除器是
在家使用数位板远程连接公司电脑绘画,却频频出现笔触延迟、压感失灵?传统的USB重定向或远程笔方案往往细节丢失、反应迟缓,让创作过程断断续续、灵感受阻。随着远程办公日益普及,高延迟、跨网络环境下的数位板流畅与精准度,成为越来越多创意人面临的挑战。为此,Splashtop和全球数位板领导品牌Wacom联合推出了专为创意工作者打造的远程方案——WacomBridg
LC09A芯片概述 LC09A是一款专为智能穿戴设备设计的先进健康监测传感器芯片,广泛应用于智能手表、智能手环等设备中,具备日常心率监测和佩戴检测等多项关键功能。 主要技术优势与性能特点 超低功耗设计 心率模式功耗典型值仅为80微安(包括LED发光功耗),采样频率为25Hz 未佩戴状态下的功耗仅为5微安(采样频率1Hz) 芯片进入休眠状态时,电流消耗极低,仅为400纳安 智能内置功能 自动调光功能,确保在不同光照环境下的测量准确性自动佩戴检测功
你好,我是爱吃鱼香ROS的小鱼。本节将学习在开发板上实现话题的发布,最终实现通过话题发布当前开发板的电池电量信息,关于电量信息的测量,请参考:4.电池电压测量-学会使用ADC。
LT8712X是一款由Lontium Semiconductor生产的高性能混合信号产品,它是一款支持Type-C和DP1.2到HDMI2.0以及VGA的转换器,同时支持音频输出。该芯片专为将USB Type-C源或DP1.2源连接到HDMI2.0和VGA接收器而设计,广泛应用于扩展坞、电子狗等设备中。
浪涌保护元件怎么选择才正确 浪涌保护元件的正确选择是确保电气设备免受过电压和电流浪涌的损害。在选择浪涌保护元件时,需要考虑以下几个因素:设备的电压等级、设备的负荷类型、所需的保护等级和合规要求。 首先,设备的电压等级是选择浪涌保护元件的重要因素之一。不同电压等级的设备需要不同的保护元件。一般情况下,浪涌保护元件的额定电压应大于设备的额定电压,通常选择稍大一些的浪涌保护元件有利于提高系统的稳定性。 其次
近年来, AI 技术以惊人的速度飞跃式发展 ,从 ChatGPT 到自动驾驶,从图像生成到工业视觉,AI 正逐步渗透到各行各业。但很多人不知道,这一切的背后,都离不开“芯片”这位默默支撑的底层英雄 今天我们就来聊聊:AI 为什么离不开芯片?AI 如何反过来重塑芯片产业? AI 让芯片“爆红”:对算力的渴求前所未有 AI 的本质,是“计算密集型”任务。以 GPT-4 为例,其模型参数高达千亿级别,训练一次可能耗费数万张 GPU 芯片、数周时间,能耗与计算量都
| AD7470 | AD5522 | ADS8332 | AD831 |
| AD9831 | ADA4505-4 | ADUM2201 | ADM6306 |
| ADL5375 | AD5248 | ADuM152N | AD7147 |
| A1223LUA-T | AD524 | ADuCM322 | ADA4891-4 |
| AD8067 | ADP1864 | ADUC7028 | AD8803 |