当前位置: 首页 > news >正文

电子技术——负反馈特性

电子技术——负反馈特性

Logo

本节我们进一步深入介绍负反馈特性。

增益脱敏性

假设 β\betaβ 是一个常数。考虑下面的微分方程:

dAf=dA(1+Aβ)2dA_f = \frac{dA}{(1 + A\beta)^2} dAf=(1+Aβ)2dA

将上式除以 Af=A1+AβA_f = \frac{A}{1+A\beta}Af=1+AβA 得到:

dAfAf=11+AβdAA\frac{dA_f}{A_f} = \frac{1}{1+A\beta}\frac{dA}{A} AfdAf=1+Aβ1AdA

这里 dAfAf\frac{dA_f}{A_f}AfdAf 指的是 AfA_fAf 的变化百分比, dAA\frac{dA}{A}AdA 指的是 AAA 的变化百分比,这说明负反馈将不稳定的 AAA 的变化降低了 1+Aβ1+A\beta1+Aβ ,也就是反馈量的倒数倍,称为增益脱敏性。

带宽增加

考虑一个单极点的放大器的高频响应方程为:

A(s)=AM1+s/ωHA(s) = \frac{A_M}{1 + s/\omega_H} A(s)=1+s/ωHAM

则负反馈方程为:

Af(s)=A(s)1+βA(s)=AM/(1+AMβ)1+s/ωH(1+AMβ)A_f(s) = \frac{A(s)}{1 + \beta A(s)} = \frac{A_M / (1+A_M \beta)}{1 + s / \omega_H (1 + A_M\beta)} Af(s)=1+βA(s)A(s)=1+s/ωH(1+AMβ)AM/(1+AMβ)

这说明,中频带增益降低到了 AM/(1+AMβ)A_M / (1+A_M \beta)AM/(1+AMβ) 但是 −3dB-3dB3dB 频率点增加到了:

ωHf=ωH(1+AMβ)\omega_{Hf} = \omega_H (1 + A_M\beta) ωHf=ωH(1+AMβ)

同样的方法我们可以证明,对于具有低频响应的放大器,其低频 −3dB-3dB3dB 点减小到:

ωLf=ωL1+AMβ\omega_{Lf} = \frac{\omega_L}{1 + A_M \beta} ωLf=1+AMβωL

我们发现,具有负反馈的放大器的带宽增加,代价就是中频带增益减小,保证了增益带宽积不变。

负反馈的频率特性

减少干扰

负反馈可以减少噪声信号的干扰。然而,减少干扰只在特定的情况下起作用,考虑下面的情况:

受干扰的信号源
上图是一个受到 VnV_nVn 干扰的信号源。输出信号由叠加定理得到:

Vo=VsA1+VnA1V_o = V_s A_1 + V_n A_1 Vo=VsA1+VnA1

我们定义 输出信噪比 为源信号分量除以噪声信号分量,则此时的输出信噪比我们记为:

S/I=VsA1VnA1=VsVnS/I = \frac{V_s A_1}{V_n A_1} = \frac{V_s}{V_n} S/I=VnA1VsA1=VnVs

接下来考虑下面的情况:

负反馈
我们此时使用两个放大器, A2A_2A2 放大器不受输入端信号干扰,而原始 A1A_1A1 端受到信号 VnV_nVn 的干扰,我们使用负反馈网络保证整体的增益不变,由叠加定理可以写出:

Vo=VsA1A21+A1A2β+VnA11+A1A2βV_o = V_s \frac{A_1A_2}{1 + A_1A_2 \beta} + V_n \frac{A_1}{1 + A_1A_2 \beta} Vo=Vs1+A1A2βA1A2+Vn1+A1A2βA1

则此时的输出信噪比为:

S/I=VsVnA2S/I = \frac{V_s}{V_n} A_2 S/I=VnVsA2

比原来提升了 A2A_2A2 倍。

我们强调这种方法必须要求在源放大器前端联级一个不受输入干扰的放大器。这很常见,例如在音频放大系统中,最后一级通常是功率输出级,功率输出级会出现 电源嗡嗡声 的问题,这是由于功率输出级需要提供较大的电流,从而提供较大的功率,由于电源电流越大功率越大,电源的纹波就会越大,就会收到较大的电源输入噪声干扰,另外对于大功率滤波的成本和代价是比较昂贵的。功率输出级不需要较大的电压增益,但是需要较大的功率增益,因此我们可以在功率输出级之前联级一个具有较大增益的小信号放大器,该放大器不需要较大的电流,因此可以使用功率较小的电源,此时纹波更小,可以视为无输入干扰,然后通过整体的负反馈网络控制整体电压增益。此时就可以有效的减小电源嗡嗡声的问题。我们称较大增益的小信号放大器为 前置放大器

减小非线性失真

下图展示了一个放大器输入和输出之间的关系(a):

放大器输入和输出之间的关系

上面的传输函数的图像(a)是分段线性的,而不是整体线性的,因此,若输入一个较大的信号则会造成较大的非线性失真。

非线性失真的问题可以通过负反馈解决,我们称为 线性化 。假设我们使用的负反馈中 β=0.01\beta = 0.01β=0.01 ,并且假设图像(a) 中斜率最大的那一段的斜率为 100010001000 另外一段的斜率为 100100100 。此时引入负反馈之后的斜率变成了:

Af1=10001+1000×0.01=90.9A_{f1} = \frac{1000}{1 + 1000 \times 0.01} = 90.9 Af1=1+1000×0.011000=90.9

Af2=1001+100×0.01=50A_{f2} = \frac{100}{1 + 100 \times 0.01} = 50 Af2=1+100×0.01100=50

此时对应图像(b),我们发现图像整体变得更加的线性。但是代价是降低了放大器的增益,若想恢复增益,我们可以使用前置放大器,前置放大器不受非线性失真的影响,因为前置放大器处理小信号。

最后需要注意的,若放大器进入饱和区,则此时负反馈失效。因为此时增益变得非常非常小几乎是零,反馈量接近单位一。

相关文章:

电子技术——负反馈特性

电子技术——负反馈特性 本节我们进一步深入介绍负反馈特性。 增益脱敏性 假设 β\betaβ 是一个常数。考虑下面的微分方程: dAfdA(1Aβ)2dA_f \frac{dA}{(1 A\beta)^2} dAf​(1Aβ)2dA​ 将上式除以 AfA1AβA_f \frac{A}{1A\beta}Af​1AβA​ 得到&#xff1…...

网站移动端性能优化方法

移动端优化 click 的 300ms 延迟响应 click 的 300ms 延迟是由双击缩放(double tap to zoom)所导致的,由于用户可以进行双击缩放或者双击滚动的操作,当用户一次点击屏幕之后,浏览器并不能立刻判断用户是确实要打开这个链接,还是想要进行双击操作。因此,移动端浏览器就等…...

2023年AI语音会议汇总

2023年,AI语音领域学术会议精彩纷呈,语音之家汇总了国内外重要的会议呈现给大家,大家可根据时间统筹安排好2023年的学术活动交流行程。如果信息有误,欢迎指正。 ICASSP 2023 2023 IEEE International Conference on Acoustics, S…...

Mybatis持久层框架 | Mapper加载方式、目录结构解析

💗wei_shuo的个人主页 💫wei_shuo的学习社区 🌐Hello World ! Mapper(resource、class、package)加载方式 resource方式加载 通过resource或url加载单个mapper,接口文件与映射文件不在同一路径下,只能用re…...

九龙证券|创业板向未盈利企业敞开大门 考验投行估值定价能力

未盈余企业上市有了新选择。2月17日,全面实行股票发行注册制相关准则规矩发布施行。深交所发布《深圳证券交易所创业板股票上市规矩(2023年修订)》及《关于未盈余企业在创业板上市相关事宜的告诉》,“预计市值不低于50亿元&#x…...

「TCG 规范解读」第12章 TPM工作组 TCG身份验证研讨

可信计算组织(Ttrusted Computing Group,TCG)是一个非盈利的工业标准组织,它的宗旨是加强在相异计算机平台上的计算环境的安全性。TCG于2003年春成立,并采纳了由可信计算平台联盟(the Trusted Computing Platform Alli…...

Logstash:在 Logstash 管道中的定制的 Elasticsearch update by query

我们知道 Elasticsearch output plugin 为我们在 Logstash 的 pipeline 中向 Elasticsearch 的写入提供了可能。我们可以使用如下的格式向 Elasticsearch 写入数据: elasticsearch {hosts > ["https://localhost:9200"]index > "data-%{YYYY.M…...

Spring Cloud Kubernetes环境下使用Jasypt

前言最近半年着手开始做了基于微服务的中台项目,整个项目的技术栈采用的是Java Spring Cloud Kubernetes Istio。业务开放上还是相当顺利的。但是在安全审核上,运维组提出了一个简易。现在项目一些敏感配置,例如MySQL用户的密码&#xff0…...

Kotlin-面向对象

本片博客主要写创建对象,创建接口,创建抽象类,data关键字的作用 创建对象 如何声明一个对象,使用class关键字 格式为: class 对象名字(对象属性名:属性类型…){} 如果对象没有函数…...

循环、函数、对象——js基础练习

目录 一、循环练习 1.1 取款机案例 1.2 九九乘法表 1.3 根据数据生成柱形图 1.4 冒泡排序 1.6综合大练习 二、函数 2.1 转换时间案例 三、对象 1. 遍历数组对象 2. 猜数字游戏 3. 生成随机颜色 4. 学成在线页面渲染案例 一、循环练习 1.1 取款机案例 // 准备一个…...

精确控制 AI 图像生成的破冰方案,ControlNet 和 T2I-Adapter

ControlNet 和 T2I-Adapter 的突破性在哪里?有什么区别?其它为 T2I 扩散模型施加条件引导的相关研究ControlNet 和 T2I-Adapter 的实际应用效果如何?使用体验上,跟 SD原生支持的 img2img 有什么区别?ControlNet 在插画…...

让师生“不跑腿”,教育数据治理究竟有何魔力

当前,教育信息化新基础设施正在加紧建设,教育业务系统应用不断推进,各种软硬件平台源源不断地产生着教育数据。海量数据的汇聚和分析,能给教育系统带来什么?如何在教育数字化转型中,探索出基于数据驱动的新…...

力扣-寻找用户推荐人

大家好,我是空空star,本篇带大家了解一道简单的力扣sql练习题。 文章目录前言一、题目:584. 寻找用户推荐人二、解题1.正确示范①提交SQL运行结果2.正确示范②提交SQL运行结果3.正确示范③提交SQL运行结果4.其他总结前言 一、题目&#xff1a…...

mmdetection测试阶段

首先需要训练,训练会自动生成:latest.pth 权重文件 根据权重文件生成“.pkl”文件; 下面以faster_rcnn为例,–out是只生成的权重文件地址,result是生成的pkl文件名; python ./tools/test.py ./configs/…...

【无标题】10.货币系统

题目描述: 在网友的国度中共有 n 种不同面额的货币,第 i 种货币的面额为 a[i],你可以 假设每一种货币都有无穷多张。为了方便,我们把货币种数为 n、 面额数组为 a[1..n] 的货币系统记作 (n,a)。 在一个完善的货币系统中,每一个非…...

【c++】类和对象6—运算符重载

文章目录加号&#xff08;&#xff09;运算符重载左移&#xff08;<<&#xff09;运算符重载递增&#xff08;&#xff09;运算符重载赋值&#xff08;&#xff09;运算符重载关系运算符重载函数调用运算符重载运算符重载概念&#xff1a; 对已有的运算符重新进行定义&am…...

【SPSS】基础图形的绘制(条形图、折线图、饼图、箱图)详细操作过程

&#x1f935;‍♂️ 个人主页&#xff1a;艾派森的个人主页 ✍&#x1f3fb;作者简介&#xff1a;Python学习者 &#x1f40b; 希望大家多多支持&#xff0c;我们一起进步&#xff01;&#x1f604; 如果文章对你有帮助的话&#xff0c; 欢迎评论 &#x1f4ac;点赞&#x1f4…...

6、Fatfs系统移植

注意&#xff1a;挂载Fatfs笔记 Fatfs系统读写文件的时间是不固定的&#xff0c;随机性 搭载Fatfs的外设通信方式建议开启DMA方式&#xff0c;否则应避免中断打断时序&#xff0c;导致Fatfs出现FR_DISK_ERR&#xff08;A hard error occurred in the low level disk I/O layer&…...

【数据结构与算法】数据结构的基本概念,时间复杂度

&#x1f349;内容专栏&#xff1a;【数据结构与算法】 &#x1f349;本文脉络&#xff1a;数据结构和算法的基本概念&#xff0c;时间复杂度 &#x1f349;本文作者&#xff1a;Melon西西 &#x1f349;发布时间 &#xff1a;2023.2.21 目录 一、引入&#xff1a; 二、数据结…...

【Python】变量类型,赋值+多个变量赋值

嗨害大家好鸭~我是小熊猫(✿◡‿◡) 好像还有一些小伙伴还不是很会python的基础鸭~ 没关系啦~这不是还有我小熊猫嘛 ~ 源码资料电子书:点击此处跳转文末名片获取 Python 变量类型 变量是存储在内存中的值&#xff0c; 这就意味着在创建变量时会在内存中开辟一个空间。 基于…...

Chapter03-Authentication vulnerabilities

文章目录 1. 身份验证简介1.1 What is authentication1.2 difference between authentication and authorization1.3 身份验证机制失效的原因1.4 身份验证机制失效的影响 2. 基于登录功能的漏洞2.1 密码爆破2.2 用户名枚举2.3 有缺陷的暴力破解防护2.3.1 如果用户登录尝试失败次…...

(十)学生端搭建

本次旨在将之前的已完成的部分功能进行拼装到学生端&#xff0c;同时完善学生端的构建。本次工作主要包括&#xff1a; 1.学生端整体界面布局 2.模拟考场与部分个人画像流程的串联 3.整体学生端逻辑 一、学生端 在主界面可以选择自己的用户角色 选择学生则进入学生登录界面…...

golang循环变量捕获问题​​

在 Go 语言中&#xff0c;当在循环中启动协程&#xff08;goroutine&#xff09;时&#xff0c;如果在协程闭包中直接引用循环变量&#xff0c;可能会遇到一个常见的陷阱 - ​​循环变量捕获问题​​。让我详细解释一下&#xff1a; 问题背景 看这个代码片段&#xff1a; fo…...

c++ 面试题(1)-----深度优先搜索(DFS)实现

操作系统&#xff1a;ubuntu22.04 IDE:Visual Studio Code 编程语言&#xff1a;C11 题目描述 地上有一个 m 行 n 列的方格&#xff0c;从坐标 [0,0] 起始。一个机器人可以从某一格移动到上下左右四个格子&#xff0c;但不能进入行坐标和列坐标的数位之和大于 k 的格子。 例…...

【CSS position 属性】static、relative、fixed、absolute 、sticky详细介绍,多层嵌套定位示例

文章目录 ★ position 的五种类型及基本用法 ★ 一、position 属性概述 二、position 的五种类型详解(初学者版) 1. static(默认值) 2. relative(相对定位) 3. absolute(绝对定位) 4. fixed(固定定位) 5. sticky(粘性定位) 三、定位元素的层级关系(z-i…...

高危文件识别的常用算法:原理、应用与企业场景

高危文件识别的常用算法&#xff1a;原理、应用与企业场景 高危文件识别旨在检测可能导致安全威胁的文件&#xff0c;如包含恶意代码、敏感数据或欺诈内容的文档&#xff0c;在企业协同办公环境中&#xff08;如Teams、Google Workspace&#xff09;尤为重要。结合大模型技术&…...

【单片机期末】单片机系统设计

主要内容&#xff1a;系统状态机&#xff0c;系统时基&#xff0c;系统需求分析&#xff0c;系统构建&#xff0c;系统状态流图 一、题目要求 二、绘制系统状态流图 题目&#xff1a;根据上述描述绘制系统状态流图&#xff0c;注明状态转移条件及方向。 三、利用定时器产生时…...

Java 加密常用的各种算法及其选择

在数字化时代&#xff0c;数据安全至关重要&#xff0c;Java 作为广泛应用的编程语言&#xff0c;提供了丰富的加密算法来保障数据的保密性、完整性和真实性。了解这些常用加密算法及其适用场景&#xff0c;有助于开发者在不同的业务需求中做出正确的选择。​ 一、对称加密算法…...

Spring AI 入门:Java 开发者的生成式 AI 实践之路

一、Spring AI 简介 在人工智能技术快速迭代的今天&#xff0c;Spring AI 作为 Spring 生态系统的新生力量&#xff0c;正在成为 Java 开发者拥抱生成式 AI 的最佳选择。该框架通过模块化设计实现了与主流 AI 服务&#xff08;如 OpenAI、Anthropic&#xff09;的无缝对接&…...

【开发技术】.Net使用FFmpeg视频特定帧上绘制内容

目录 一、目的 二、解决方案 2.1 什么是FFmpeg 2.2 FFmpeg主要功能 2.3 使用Xabe.FFmpeg调用FFmpeg功能 2.4 使用 FFmpeg 的 drawbox 滤镜来绘制 ROI 三、总结 一、目的 当前市场上有很多目标检测智能识别的相关算法&#xff0c;当前调用一个医疗行业的AI识别算法后返回…...