电路笔记 (信号): opa tips 放大器反馈电阻并联电容抑制高频噪声的详细推导(传递函数分析)
1. 高频噪声传递函数分析
(1)电路结构
- 输入信号通过 R 1 R_1 R1 和 C NI C_{\text{NI}} CNI 的并联组合连接到运放的同相输入端。
- 反馈电阻 R 2 R_2 R2 连接在运放的输出端和反相输入端之间。
- 参照运算放大器噪声增益和信号增益,等效输入噪声源( V N I V_{NI} VNI)的增益为 A N I = R 1 + R 2 R 1 A_{NI}=\frac{R_1+R_2}{R_1} ANI=R1R1+R2
R 1 + R 2 R 1 = R 2 + { R 1 / / C N I } { R 1 / / C N I } = R 2 + R 1 / / 1 j ω C N I R 1 / / 1 j ω C N I \frac{R_1+R_2}{R_1}=\frac{R_2+\{R_1//C_{NI}\}}{\{R_1//C_{NI}\}}=\frac{R_2+R_1//\frac{1}{j\omega C_{NI}}}{R_1//\frac{1}{j\omega C_{NI}}} R1R1+R2={R1//CNI}R2+{R1//CNI}=R1//jωCNI1R2+R1//jωCNI1
(2)输入阻抗和反馈阻抗
-
输入阻抗 Z in Z_{\text{in}} Zin 是 R 1 R_1 R1 和 C NI C_{\text{NI}} CNI 的并联组合:
R 1 / / 1 j ω C NI = R 1 ⋅ 1 j ω C NI R 1 + 1 j ω C NI = R 1 1 + j ω R 1 C NI R_1 // \frac{1}{j\omega C_{\text{NI}}} = \frac{R_1 \cdot \frac{1}{j\omega C_{\text{NI}}}}{R_1 + \frac{1}{j\omega C_{\text{NI}}}} = \frac{R_1}{1 + j\omega R_1 C_{\text{NI}}} R1//jωCNI1=R1+jωCNI1R1⋅jωCNI1=1+jωR1CNIR1 -
反馈阻抗 Z f Z_f Zf 是 R 2 R_2 R2。
-
系统的传递函数 H ( j ω ) H(j\omega) H(jω) 是噪声增益 A NI A_{\text{NI}} ANI 的表达式:
A NI = 1 + R 2 R 1 + j ω R 2 C NI A_{\text{NI}} = 1 + \frac{R_2}{R_1} + j\omega R_2 C_{\text{NI}} ANI=1+R1R2+jωR2CNI
H ( j ω ) = 1 + R 2 R 1 ⏟ 实部 + j ω R 2 C NI ⏟ 虚部 H(j\omega) = \underbrace{1 + \frac{R_2}{R_1}}_{\text{实部}} + \underbrace{j\omega R_2 C_{\text{NI}}}_{\text{虚部}} H(jω)=实部 1+R1R2+虚部 jωR2CNI
(3)幅频特性(重要)
- 传递函数的幅值 ∣ H ( j ω ) ∣ |H(j\omega)| ∣H(jω)∣ 为:
∣ H ( j ω ) ∣ = ( 1 + R 2 R 1 ) 2 + ( ω R 2 C NI ) 2 \color{red} |H(j\omega)| = \sqrt{\left(1 + \frac{R_2}{R_1}\right)^2 + (\omega R_2 C_{\text{NI}})^2} ∣H(jω)∣=(1+R1R2)2+(ωR2CNI)2 - 低频时,幅值接近 1 + R 2 R 1 1 + \frac{R_2}{R_1} 1+R1R2。
- 高频时,幅值随频率线性增加,表现为高通滤波器的特性。
(4)相频特性
-
传递函数的相位 ϕ ( ω ) \phi(\omega) ϕ(ω) 为:
ϕ ( ω ) = tan − 1 ( ω R 2 C NI 1 + R 2 R 1 ) \phi(\omega) = \tan^{-1}\left(\frac{\omega R_2 C_{\text{NI}}}{1 + \frac{R_2}{R_1}}\right) ϕ(ω)=tan−1(1+R1R2ωR2CNI) -
低频时,相位接近 0°。
-
高频时,相位接近 90°,电路引入了相位延迟。
-
高频噪声的放大可能导致运放的相位裕度降低,引发自激振荡。
2. 优化
(1)降低高频噪声增益
- 减小 R 2 R_2 R2 或 C NI C_{\text{NI}} CNI 可以降低高频噪声的放大效应。
- 在反馈路径中添加一个小电容,与 R 2 R_2 R2 并联,形成低通滤波器,抑制高频噪声。
(2)优化 PCB 布局
- 缩短输入信号走线,减少寄生电容 C NI C_{\text{NI}} CNI。
- 对敏感信号线进行屏蔽处理,防止外部高频噪声耦合到输入端。
(3)选择低噪声运放
- 选择具有较低输入噪声和较高带宽的运放,以减小高频噪声的影响。
(4)添加补偿电容 C F \color{red}C_F CF
- 在反馈路径中添加一个小电容,与反馈电阻并联,形成低通滤波器,抑制高频噪声。
R 1 + R 2 R 1 = { R 1 / / C N I } + { R 2 / / C F } { R 1 / / C N I } = R 1 / / 1 j ω C N I + R 2 / / 1 j ω C F R 1 / / 1 j ω C N I \frac{R_1+R_2}{R_1}=\frac{\{R_1//C_{NI}\}+\{R_2//C_F\}}{\{R_1//C_{NI}\}}=\frac{R_1//\frac{1}{j\omega C_{NI}}+R_2//\frac{1}{j\omega C_{F}}}{R_1//\frac{1}{j\omega C_{NI}}} R1R1+R2={R1//CNI}{R1//CNI}+{R2//CF}=R1//jωCNI1R1//jωCNI1+R2//jωCF1
H ( j ω ) = 1 + R 2 1 + j ω R 2 C F R 1 1 + j ω R 1 C NI = 1 + R 2 R 1 ⋅ 1 + j ω R 1 C NI 1 + j ω R 2 C F \color{red} H(j\omega) = 1 + \frac{ \frac{R_2}{1 + j\omega R_2 C_{\text{F}}} }{ \frac{R_1}{1 + j\omega R_1 C_{\text{NI}}} } = 1 + \frac{R_2}{R_1} \cdot \frac{1 + j\omega R_1 C_{\text{NI}}}{1 + j\omega R_2 C_{\text{F}}} H(jω)=1+1+jωR1CNIR11+jωR2CFR2=1+R1R2⋅1+jωR2CF1+jωR1CNI
- 幅频特性分析 ∣ H ( j ω ) ∣ |H(j\omega)| ∣H(jω)∣ :
∣ H ( j ω ) ∣ = ∣ 1 + R 2 R 1 ⋅ 1 + j ω R 1 C NI 1 + j ω R 2 C F ∣ |H(j\omega)| = \left| 1 + \frac{R_2}{R_1} \cdot \frac{1 + j\omega R_1 C_{\text{NI}}}{1 + j\omega R_2 C_{\text{F}}} \right| ∣H(jω)∣= 1+R1R2⋅1+jωR2CF1+jωR1CNI
为了计算 ∣ H ( j ω ) ∣ |H(j\omega)| ∣H(jω)∣,我们可以分别计算分子和分母的幅值。
-
分子的幅值:
∣ 1 + j ω R 1 C NI ∣ = 1 + ( ω R 1 C NI ) 2 |1 + j\omega R_1 C_{\text{NI}}| = \sqrt{1 + (\omega R_1 C_{\text{NI}})^2} ∣1+jωR1CNI∣=1+(ωR1CNI)2 -
分母的幅值:
∣ 1 + j ω R 2 C F ∣ = 1 + ( ω R 2 C F ) 2 |1 + j\omega R_2 C_{\text{F}}| = \sqrt{1 + (\omega R_2 C_{\text{F}})^2} ∣1+jωR2CF∣=1+(ωR2CF)2
因此,传递函数的幅值为:
∣ H ( j ω ) ∣ = ∣ 1 + R 2 R 1 ⋅ 1 + ( ω R 1 C NI ) 2 1 + ( ω R 2 C F ) 2 ∣ \color{red} |H(j\omega)| = \left| 1 + \frac{R_2}{R_1} \cdot \frac{\sqrt{1 + (\omega R_1 C_{\text{NI}})^2}}{\sqrt{1 + (\omega R_2 C_{\text{F}})^2}} \right| ∣H(jω)∣= 1+R1R2⋅1+(ωR2CF)21+(ωR1CNI)2
-
低频特性( ω → 0 \omega \to 0 ω→0)
当频率 ω \omega ω 很低时,幅值为:
∣ H ( j ω ) ∣ ≈ 1 + R 2 R 1 |H(j\omega)| \approx 1 + \frac{R_2}{R_1} ∣H(jω)∣≈1+R1R2 -
高频特性( ω → ∞ \omega \to \infty ω→∞)
当频率 ω \omega ω 很高时, ω R 1 C NI ≫ 1 \omega R_1 C_{\text{NI}} \gg 1 ωR1CNI≫1, ω R 2 C F ≫ 1 \omega R_2 C_{\text{F}} \gg 1 ωR2CF≫1,幅值为:
∣ H ( j ω ) ∣ ≈ 1 + C NI C F ( 这时高频噪声增益固定了 ) |H(j\omega)| \approx 1 + \frac{C_{\text{NI}}}{C_{\text{F}}}(这时高频噪声增益固定了) ∣H(jω)∣≈1+CFCNI(这时高频噪声增益固定了)
相关文章:
电路笔记 (信号): opa tips 放大器反馈电阻并联电容抑制高频噪声的详细推导(传递函数分析)
1. 高频噪声传递函数分析 (1)电路结构 输入信号通过 R 1 R_1 R1 和 C NI C_{\text{NI}} CNI 的并联组合连接到运放的同相输入端。反馈电阻 R 2 R_2 R2 连接在运放的输出端和反相输入端之间。 Layer 1 - 30p R2 R1 R3R1//R2 IN OUT 反向放大电…...

DeepSeek安装部署笔记(一)
Ollamaopen-WebUI部署 DeepSeek安装部署笔记第一步 Ollama安装1.安装ollama:官网https://ollama.com/下载2.上面安装完成,在cmd命令行: 第二步 给DeepSeek添加OpenWebUI界面(重点)1.安装conda:用它来管理py…...

【JavaEE进阶】Spring MVC(4)-图书管理系统案例
欢迎关注个人主页:逸狼 创造不易,可以点点赞吗 如有错误,欢迎指出~ 图书管理系统 创建书籍类BookInfo import lombok.Data;import java.math.BigDecimal;Data //这个类基本上是和数据库对应起来的 public class BookInfo {private Integer id…...

Ubuntu部署ktransformers
准备工作 一台服务器 CPU:500G GPU:48G(NVIDIA4090) 系统:Ubuntu20.04(github的文档好像用的是22.04) 第一步:下载权重文件 1.下载hfd wget https://hf-mirror.com/hfd/hfd.s…...

助力DeepSeek私有化部署服务:让企业AI落地更简单、更安全
在数字化转型的浪潮中,越来越多的企业选择私有化部署AI技术,以保障数据安全、提升业务效率并实现自主可控。DeepSeek作为行业领先的AI开源技术,其技术可以支持企业私有化部署,企业需要一站式服务私有化部署,涵盖硬件采…...
面试官询问项目前后端人员配比之高分示范回答
面试官询问项目前后端人员配比之高分示范回答 以下是对两个项目前后端人员配置的精准分析,结合 技术复杂度、协作效率、风险控制 三个维度设计回答,突出合理性与团队协作意识: 一、《x能x服》项目(Vue重构) 1. 人员配置与分工 前端:1人(独立开发) 负责旧系统业务逻辑…...
MyBatis中的日志和映射器说明
1.MyBatis中的日志 1.1 什么是日志 在我们编写应用的时候,有一些信息需要及时查看,查看的时候有时需要输出到控制台,有时需要输出到文件。MyBatis也需要日志,一般情况下,使用log4j进行日志管理。 1.2 在MyBatis中…...
深入了解 Pinia:Vue 的下一代状态管理工具 (上篇)
引言 在现代前端开发中,状态管理是构建复杂应用的关键。Vue 生态系统中,Vuex 一直是官方推荐的状态管理工具。然而,随着 Vue 3 的发布,一个新的状态管理工具——Pinia,逐渐崭露头角。Pinia 不仅继承了 Vuex 的优点&am…...

Unity 中导入的VRM模型渲染为VRoid风格
按照前篇Unity VRoidBlenderUnity 3D人物模型导入使用-CSDN博客 导入到Unity之后,可以按需调整模型在场景中的渲染表现, 但是按照教程中完成的情况, 整个模型没有进行材质区分, 仅用一个材质表现整个模型, 导致不能给不同部位进行渲染调整. 这里我希望能够在Unity中获得跟VRoi…...
【ELK】【Elasticsearch 】DSL 和 DQL
1. DSL 查询(Query DSL) 全称:Domain Specific Language(领域特定语言)。 定义:Elasticsearch 提供的一种基于 JSON 的查询语言,用于构建复杂的查询逻辑。 特点: 支持多种查询类型…...

最新版本Exoplayer扩展FFmpeg音频软解码保姆级教程
ExoPlayer 是一个开源的 Android 媒体播放库,由 Google 开发和维护,用于替代 Android 系统自带的 MediaPlayer。它提供了更强大的功能、更好的性能和更高的灵活性,适用于各种复杂的媒体播放场景。所以被广泛用于各种播放器场景。 最近项目中…...

面对低消费欲人群,我们如何开发其需求?
在市场增量放缓的当下,开发深度开发各层次的人群已经成为现实需求。低消费欲人群并非“没有需求”,而是更谨慎、更理性。他们可能对价格敏感,但对实用性、情感共鸣和生活品质的追求依然存在。就让我们从以下四个角度,拆解如何激发…...
《算法基础入门:最常用的算法详解与应用(持续更新实战与面试题)》
1. 排序算法 排序算法是将一组数据按特定的顺序排列起来的算法,常见的有: 冒泡排序(Bubble Sort)选择排序(Selection Sort)插入排序(Insertion Sort)归并排序(Merge So…...

Linux设备驱动-练习
练习要求: 一、设备树 1、配置设备树信息:将3个led灯和1个风扇使用到的设备信息配置到设备树中 二、设备驱动层 1、通过of_find_node_by_name、of_get_named_gpion等内核核心层统一的api接口调用外设; 2、通过udev设备管理器自动注册并创建设…...

蓝桥杯核心内容
核心内容 数学 质数与筛质数,分解质因数 分解质因数 所有的数都可以写成有限个数相乘质数:可以写成1✖本身(如131✖13)合数:ab1✖...✖bn-》把乘数里面是合数的再分(如b3是合数-》b3c1✖c2)进…...

Spring Boot拦截器(Interceptor)详解
拦截器Interceptor 拦截器我们主要分为三个方面进行讲解: 介绍下什么是拦截器,并通过快速入门程序上手拦截器拦截器的使用细节通过拦截器Interceptor完成登录校验功能 1. 快速入门 什么是拦截器? 是一种动态拦截方法调用的机制ÿ…...

非常好用的ssh工具Xterminal
免安装 Xterminal - 更好用的开发工具,但不止于(SSH/控制台/More)...

【Python项目】基于Django的医疗领域用户问答意图识别系统
【Python项目】基于Django的医疗领域用户问答意图识别系统 技术简介:采用Python技术、MySQL数据库、Neo4j图形数据库、Django框架、BERTLSTMCRF模型等技术实现。 系统简介: 医疗领域用户问答意图识别系统是一个基于知识图谱的智能问答平台,旨…...

深入理解指针(六)
一、字符指针变量 1.1字符指针变量 在指针的类型中我们知道有一种指针类型为字符指针char* 一般有以下两种使用方式: #include<stdio.h> int main() { char ch w; char* pc &ch; *pc w; return 0; } #include<stdio.h> int main()…...

Linux下基本指令(4)
Linux权限的概念 Linux下有两种用户:超级用户(root)、普通用户。 超级用户:可以再linux系统下做任何事情,不受限制 普通用户:在linux下做有限的事情。 超级用户的命令提示符是“#”,普通用户…...

利用最小二乘法找圆心和半径
#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …...
[特殊字符] 智能合约中的数据是如何在区块链中保持一致的?
🧠 智能合约中的数据是如何在区块链中保持一致的? 为什么所有区块链节点都能得出相同结果?合约调用这么复杂,状态真能保持一致吗?本篇带你从底层视角理解“状态一致性”的真相。 一、智能合约的数据存储在哪里…...
DockerHub与私有镜像仓库在容器化中的应用与管理
哈喽,大家好,我是左手python! Docker Hub的应用与管理 Docker Hub的基本概念与使用方法 Docker Hub是Docker官方提供的一个公共镜像仓库,用户可以在其中找到各种操作系统、软件和应用的镜像。开发者可以通过Docker Hub轻松获取所…...

新能源汽车智慧充电桩管理方案:新能源充电桩散热问题及消防安全监管方案
随着新能源汽车的快速普及,充电桩作为核心配套设施,其安全性与可靠性备受关注。然而,在高温、高负荷运行环境下,充电桩的散热问题与消防安全隐患日益凸显,成为制约行业发展的关键瓶颈。 如何通过智慧化管理手段优化散…...
Rust 异步编程
Rust 异步编程 引言 Rust 是一种系统编程语言,以其高性能、安全性以及零成本抽象而著称。在多核处理器成为主流的今天,异步编程成为了一种提高应用性能、优化资源利用的有效手段。本文将深入探讨 Rust 异步编程的核心概念、常用库以及最佳实践。 异步编程基础 什么是异步…...
大模型多显卡多服务器并行计算方法与实践指南
一、分布式训练概述 大规模语言模型的训练通常需要分布式计算技术,以解决单机资源不足的问题。分布式训练主要分为两种模式: 数据并行:将数据分片到不同设备,每个设备拥有完整的模型副本 模型并行:将模型分割到不同设备,每个设备处理部分模型计算 现代大模型训练通常结合…...

tree 树组件大数据卡顿问题优化
问题背景 项目中有用到树组件用来做文件目录,但是由于这个树组件的节点越来越多,导致页面在滚动这个树组件的时候浏览器就很容易卡死。这种问题基本上都是因为dom节点太多,导致的浏览器卡顿,这里很明显就需要用到虚拟列表的技术&…...
Java多线程实现之Thread类深度解析
Java多线程实现之Thread类深度解析 一、多线程基础概念1.1 什么是线程1.2 多线程的优势1.3 Java多线程模型 二、Thread类的基本结构与构造函数2.1 Thread类的继承关系2.2 构造函数 三、创建和启动线程3.1 继承Thread类创建线程3.2 实现Runnable接口创建线程 四、Thread类的核心…...

均衡后的SNRSINR
本文主要摘自参考文献中的前两篇,相关文献中经常会出现MIMO检测后的SINR不过一直没有找到相关数学推到过程,其中文献[1]中给出了相关原理在此仅做记录。 1. 系统模型 复信道模型 n t n_t nt 根发送天线, n r n_r nr 根接收天线的 MIMO 系…...

微软PowerBI考试 PL300-在 Power BI 中清理、转换和加载数据
微软PowerBI考试 PL300-在 Power BI 中清理、转换和加载数据 Power Query 具有大量专门帮助您清理和准备数据以供分析的功能。 您将了解如何简化复杂模型、更改数据类型、重命名对象和透视数据。 您还将了解如何分析列,以便知晓哪些列包含有价值的数据,…...