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:
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-3dB−3dB 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-3dB−3dB 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。

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:

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:

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):

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}Af1AβA 得到࿱…...
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࿰…...
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:…...
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()运算符重载左移(<<)运算符重载递增()运算符重载赋值()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: 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
🤵♂️ 个人主页:艾派森的个人主页 ✍🏻作者简介:Python学习者 🐋 希望大家多多支持,我们一起进步!😄 如果文章对你有帮助的话, 欢迎评论 💬点赞Ǵ…...
6、Fatfs系统移植
注意:挂载Fatfs笔记 Fatfs系统读写文件的时间是不固定的,随机性 搭载Fatfs的外设通信方式建议开启DMA方式,否则应避免中断打断时序,导致Fatfs出现FR_DISK_ERR(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
🍉内容专栏:【数据结构与算法】 🍉本文脉络:数据结构和算法的基本概念,时间复杂度 🍉本文作者:Melon西西 🍉发布时间 :2023.2.21 目录 一、引入: 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, 这就意味着在创建变量时会在内存中开辟一个空间。 基于…...
铭豹扩展坞 USB转网口 突然无法识别解决方法
当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…...
未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?
编辑:陈萍萍的公主一点人工一点智能 未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战,在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…...
微软PowerBI考试 PL300-选择 Power BI 模型框架【附练习数据】
微软PowerBI考试 PL300-选择 Power BI 模型框架 20 多年来,Microsoft 持续对企业商业智能 (BI) 进行大量投资。 Azure Analysis Services (AAS) 和 SQL Server Analysis Services (SSAS) 基于无数企业使用的成熟的 BI 数据建模技术。 同样的技术也是 Power BI 数据…...
vscode(仍待补充)
写于2025 6.9 主包将加入vscode这个更权威的圈子 vscode的基本使用 侧边栏 vscode还能连接ssh? debug时使用的launch文件 1.task.json {"tasks": [{"type": "cppbuild","label": "C/C: gcc.exe 生成活动文件"…...
NLP学习路线图(二十三):长短期记忆网络(LSTM)
在自然语言处理(NLP)领域,我们时刻面临着处理序列数据的核心挑战。无论是理解句子的结构、分析文本的情感,还是实现语言的翻译,都需要模型能够捕捉词语之间依时序产生的复杂依赖关系。传统的神经网络结构在处理这种序列依赖时显得力不从心,而循环神经网络(RNN) 曾被视为…...
什么是Ansible Jinja2
理解 Ansible Jinja2 模板 Ansible 是一款功能强大的开源自动化工具,可让您无缝地管理和配置系统。Ansible 的一大亮点是它使用 Jinja2 模板,允许您根据变量数据动态生成文件、配置设置和脚本。本文将向您介绍 Ansible 中的 Jinja2 模板,并通…...
AI书签管理工具开发全记录(十九):嵌入资源处理
1.前言 📝 在上一篇文章中,我们完成了书签的导入导出功能。本篇文章我们研究如何处理嵌入资源,方便后续将资源打包到一个可执行文件中。 2.embed介绍 🎯 Go 1.16 引入了革命性的 embed 包,彻底改变了静态资源管理的…...
JVM虚拟机:内存结构、垃圾回收、性能优化
1、JVM虚拟机的简介 Java 虚拟机(Java Virtual Machine 简称:JVM)是运行所有 Java 程序的抽象计算机,是 Java 语言的运行环境,实现了 Java 程序的跨平台特性。JVM 屏蔽了与具体操作系统平台相关的信息,使得 Java 程序只需生成在 JVM 上运行的目标代码(字节码),就可以…...
【VLNs篇】07:NavRL—在动态环境中学习安全飞行
项目内容论文标题NavRL: 在动态环境中学习安全飞行 (NavRL: Learning Safe Flight in Dynamic Environments)核心问题解决无人机在包含静态和动态障碍物的复杂环境中进行安全、高效自主导航的挑战,克服传统方法和现有强化学习方法的局限性。核心算法基于近端策略优化…...
【Go语言基础【12】】指针:声明、取地址、解引用
文章目录 零、概述:指针 vs. 引用(类比其他语言)一、指针基础概念二、指针声明与初始化三、指针操作符1. &:取地址(拿到内存地址)2. *:解引用(拿到值) 四、空指针&am…...
