当前位置: 首页 > news >正文

电子技术——分立CS和CE放大器的低频响应

电子技术——分立CS和CE放大器的低频响应

Logo

我们之前在学习放大器中从来没有关系过信号频率对放大器的影响,也就是说我们默认放大器具有无限的带宽,这当然不符合现实逻辑。为了说明这一点,我们使用下图:

分立电路放大器的频响
上图描述了MOS或BJT分立电路放大器的频率响应特性。我们发现存在中间一段区域,无论信号的频率怎么变化,放大器的增益都是一个常数。一般的放大器都工作在此区间,我们称这个区域为 中频带 。一个好的放大器设计应该让中频带处于我们想放大的信号频率上。如果不是这样,则放大器就会造成失真,因为不同频率的信号放大的倍数不同。

上图还展示了当信号频率较小的时候,放大器的增益就会下降。这是因为此时的耦合和旁路电容不在对信号具有低阻抗,回忆一下电容的阻抗为 1/jωC1/ j \omega C1/C 若信号频率越小,则阻抗越大。我们称 fLf_LfL 为中频带的低频结束点,经常被定义为中频带增益的 −3dB-3dB3dB 下降点。我们本节将会讨论分立CS和CE放大器的低频响应。而对于集成电路来说,我们不使用耦合和旁路电容而是直接耦合,因此 fL=0f_L = 0fL=0 ,如图:

IC放大器的频率响应
无论是分立电路放大器还是IC放大器都会存在一个中频带的高频结束点 fHf_HfH ,经常被定义为中频带增益的 −3dB-3dB3dB 下降点,这是因为BJT和MOS的内部电容效应。我们将在后几个节学习如何在T模型或是混合 π\piπ 模型中模型化内部电容效应。

则放大器的 带宽 定义为:

BW=fH−fLBW = f_H - f_L BW=fHfL

一个对于放大器非常重要的特性是 增益-带宽积 定义为:

GB=∣AM∣BWGB = |A_M|BW GB=AMBW

增益-带宽积通常被用来权衡一个放大器的增益和带宽。

在本节我们探究分立CS和CE放大器的低频响应。

CS放大器

下图展示了一个典型的分立CS放大器的完整结构:

CS放大器
为了分析分立CS放大器在低频处的响应,我们使用下面的电路图进行研究:

阻抗模型
上图中,我们将 VDDV_{DD}VDD 短路,并且将MOS使用T模型替代。为了计算 Vo/VsigV_o / V_{sig}Vo/Vsig 我们使用下面的链式模型:

VoVsig=VgVsig×IdVg×VoId\frac{V_o}{V_{sig}} = \frac{V_g}{V_{sig}} \times \frac{I_d}{V_g} \times \frac{V_o}{I_d} VsigVo=VsigVg×VgId×IdVo

这里 VgV_gVg 是栅极电压, IdI_dId 是漏极电流。我们发现 VgV_gVg 可以通过分压定律计算:

Vg=VsigRGRG+1sCC1+RsigV_g = V_{sig} \frac{R_G}{R_G + \frac{1}{sC_{C1}} + R_{sig}} Vg=VsigRG+sCC11+RsigRG

这里的 RGR_GRG 是CS的输入阻抗为:

RG=RG1∣∣RG2R_G = R_{G1} || R_{G2} RG=RG1∣∣RG2

sss 是拉普拉斯变换中的复频率,以后我们都使用 sss 表示复频率:

s=jωs = j \omega s=

则重新排列:

VgVsig=RGRG+Rsigss+1CC1(RG+Rsig)\frac{V_g}{V_{sig}} = \frac{R_G}{R_G + R_{sig}} \frac{s}{s + \frac{1}{C_{C1}(R_G + R_{sig})}} VsigVg=RG+RsigRGs+CC1(RG+Rsig)1s

因此,我们发现 CC1C_{C1}CC1 在信号从信号源到MOS的栅极引入了频率相关因子。我们知道这个因子是单时间常数电路中高通型传递函数,具有极点频率:

ωP1=1CC1(RG+Rsig)\omega_{P1} = \frac{1}{C_{C1}(R_G + R_{sig})} ωP1=CC1(RG+Rsig)1

s=0s=0s=0 的时候, CC1C_{C1}CC1 引入了零因子。这是很显然的,因为电容具有阻直流的性质,下图描述了函数 ss+ωP1\frac{s}{s + \omega_{P1}}s+ωP1s 的频率响应波德图:

频率响应
继续我们的 IdI_dId 分析,因为 Id=IsI_d = I_sId=Is 后者可以通过电压比源极阻抗算出来:

Id=Is=Vg1gm+ZS=gmVgYSgm+YSI_d = I_s = \frac{V_g}{\frac{1}{g_m} + Z_S} = g_mV_g \frac{Y_S}{g_m + Y_S} Id=Is=gm1+ZSVg=gmVggm+YSYS

这里:

YS=1ZS=1RS+sCSY_S = \frac{1}{Z_S} = \frac{1}{R_S} + sC_S YS=ZS1=RS1+sCS

写出多项式分式的形式:

IdVg=gms+1CSRSs+gm+1/RSCS\frac{I_d}{V_g} = g_m \frac{s + \frac{1}{C_SR_S}}{s + \frac{g_m + 1/R_S}{C_S}} VgId=gms+CSgm+1/RSs+CSRS1

也就是说,旁路电容引入了极点频率:

ωP2=gm+1/RSCS\omega_{P2} = \frac{g_m + 1/R_S}{C_S} ωP2=CSgm+1/RS

以及一个零点:

sZ=−1CSRSs_Z = -\frac{1}{C_SR_S} sZ=CSRS1

对应的零点频率为:

ωZ=1CSRS\omega_Z = \frac{1}{C_SR_S} ωZ=CSRS1

下图展示了这个传递函数的频率响应图像:

频率响应
因为 gmg_mgm 很大,所以 ωP2>ωZ\omega_{P2} > \omega_ZωP2>ωZ 所以 ωP2\omega_{P2}ωP2 更加靠近中频带,对 ωL\omega_LωL 的影响比 ωZ\omega_ZωZ 大。

最后,计算:

VoId=−RDRLRD+RLss+1CC2(RD+RL)\frac{V_o}{I_d} = -\frac{R_DR_L}{R_D +R_L}\frac{s}{s + \frac{1}{C_{C2}(R_D+R_L)}} IdVo=RD+RLRDRLs+CC2(RD+RL)1s

耦合电容 CC2C_{C2}CC2 引入极点频率:

ωP3=1CC2(RD+RL)\omega_{P3} = \frac{1}{C_{C2}(R_D+R_L)} ωP3=CC2(RD+RL)1

以及零点 s=0s=0s=0 (DC)。频率响应如下:

频率响应
则整体低频响应函数为:

VoVsig=−RGRG+Rsiggm(RD∣∣RL)(ss+ωP1)(s+ωZs+ωP2)(ss+ωP3)\frac{V_o}{V_{sig}} = -\frac{R_G}{R_G + R_{sig}}g_m(R_D||R_L)(\frac{s}{s + \omega_{P1}})(\frac{s + \omega_Z}{s + \omega_{P2}})(\frac{s}{s + \omega_{P3}}) VsigVo=RG+RsigRGgm(RD∣∣RL)(s+ωP1s)(s+ωP2s+ωZ)(s+ωP3s)

也就是:

VoVsig=AM(ss+ωP1)(s+ωZs+ωP2)(ss+ωP3)\frac{V_o}{V_{sig}} = A_M(\frac{s}{s + \omega_{P1}})(\frac{s + \omega_Z}{s + \omega_{P2}})(\frac{s}{s + \omega_{P3}}) VsigVo=AM(s+ωP1s)(s+ωP2s+ωZ)(s+ωP3s)

这里 AMA_MAM 为完美增益,即不考虑任何频率特性的增益系数,也是我们之前几章使用过的:

AM=−RGRG+Rsiggm(RD∣∣RL)A_M = -\frac{R_G}{R_G + R_{sig}}g_m(R_D||R_L) AM=RG+RsigRGgm(RD∣∣RL)

s=jωs = j\omegas= 远大于 ωP1,ωP2,ωP3,ωZ\omega_{P1},\omega_{P2},\omega_{P3},\omega_ZωP1,ωP2,ωP3,ωZ 的时候,此时 Av≃AMA_v \simeq A_MAvAM 这个时候放大器进入中频带。

决定 3−dB3-dB3dB 频率 fLf_LfL

有了上述推导出的公式,我们就可以确定CS放大器的中频带的低频结束点,当 ∣Vo/Vsig∣|V_o/V_{sig}|Vo/Vsig 降至 ∣AM∣/2|A_M| / \sqrt{2}AM∣/2 的时候此时增益下降 3dB3dB3dB ,记为 fLf_LfL

有一个更简单的方式估算频率 fLf_LfL ,当所有的极点和零点分的足够开的时候,我们可以使用博德规则,整体博德图如下:

博德图
上图中,一般情况下都是 fP2f_{P2}fP2 最大。一个快速的估算方法为:若最高极点频率 fP2f_{P2}fP2 至少是最近的极点、零点频率 fP3f_{P3}fP3 的4倍(2个8度)。则 fLf_LfL 大约是最高极点频率。

fL=fP2f_L = f_{P2} fL=fP2

此时这种情况下,我们称最高极点频率为 主导极点

如果主导极点不存在,可以使用下面的表达式估算:

fL≃fP12+fP22+fP32−2fZ2f_L \simeq \sqrt{f_{P1}^2 + f_{P2}^2 + f_{P3}^2 - 2f_Z^2} fLfP12+fP22+fP322fZ2

通过观察决定极点和零点频率

因为在CS放大器中,各个电容是相互独立的,因此存在一个更简单的方法确定每一个电容的极点和零点频率。

首先是零点。传递函数的传输零点在 sss 使得 Vo=0V_o = 0Vo=0 的时候。在CS放大器中, CC1C_{C1}CC1s=0s =0s=0 的时候具有无穷大阻抗因此引入了传输零点。

对于 CC2C_{C2}CC2 也具有相同的结论。然而,对于旁路电容 CSC_SCS 则具有不同的效果:根据定义传输零点在 sss 使得 ZS=∞Z_S = \inftyZS= 的时候,此时 sZ=−1CSRSs_Z = -\frac{1}{C_SR_S}sZ=CSRS1

对于极点,我们令 Vsig=0V_{sig} = 0Vsig=0 此时电路可以拆成下面三个电路:

三个电路

我们发现每一个电路都是单时间常数电路,时间常数为每个电容的容值乘以从该电容看过去的阻值,其对应的极点频率正好的每一个单时间常数的倒数。

耦合电容和旁路电容的选值

我们现在解决如何选择三个电容的容值,我们的最终目标是将 fLf_LfL 设定在我们想要的值上同时最小化三个电容的容值。因为从 CSC_SCS 看过去的阻值 1gm∣∣RS\frac{1}{g_m} || R_Sgm1∣∣RS 是三个里面最小的,总容抗可以通过选择 CSC_SCS 来提供一个最高的极点频率来最小化,也就是令 fP2=fLf_{P2} = f_LfP2=fL 。之后我们决定后两个极点频率,都是小于 fP2f_{P2}fP2 5到10倍的。然而,fP1f_{P1}fP1fP3f_{P3}fP3 也不能设置的太小,因为这需要更大的 CC1,CC2C_{C1},C_{C2}CC1,CC2

短路时间常数法

在一些电路中,例如我们即将要讨论的CE放大器电路,电容并不是相互独立的,此时决定极点频率是比较困难的。幸好,存在一个简单的方法用来估算 fLf_LfL ,这个方法不需要计算极点频率。尽管这个方法需要建立在存在一个主导极点频率的前提下,但是在前提不是那么严格的情况下也能获得不错的结果。方法是:

  1. 令输入信号源 Vsig=0V_{sig} = 0Vsig=0
  2. 依次考虑每一个电容。就是说,当考虑电容 CiC_iCi 的时候,将其他电容看成是容值无穷大的电容,即短路状态。
  3. 对于每一个电容,计算从这个电容看过去的总阻值 RiR_iRi 这可以通过戴维南定理计算。
  4. fL=∑i=1n1CiRif_L = \sum_{i = 1}^n \frac{1}{C_i R_i}fL=i=1nCiRi1

这个方法揭示了每个电容对 fLf_LfL 的贡献。

CE放大器

下图展示了一个完整的CE放大器的原理图:

CE放大器
为了分析低频响应,我们使用下面的等效电路:

等效电路

我们发现,因为存在有限的基极电流,电容 CC1C_{C1}CC1CC2C_{C2}CC2 不是相互独立的。也就是说,不像CS放大器,每一个极点频率都和这两个电容有关,这给我们设计电路造成了不小的困难。因此,我们不想计算极点频率,而是转手使用短路时间常数法。

将信号输入源置地,然后依次考虑每个电容,如下图:

依次考虑每个电容
所有的时间常数我们都已经标在图中,因此估算的 fLf_LfL 为:

fL=12π[1CC1RC1+1CERE+1CC2RC2]f_L = \frac{1}{2 \pi}[\frac{1}{C_{C1} R_{C1}} + \frac{1}{C_E R_E} + \frac{1}{C_{C2} R_{C2}}] fL=2π1[CC1RC11+CERE1+CC2RC21]

这个式子揭示了每个电容对 fLf_LfL 的贡献。也就是具有最小时间常数的对 fLf_LfL 的贡献最大,换句话说,就是 CEC_ECE 贡献最大,因此 CEC_ECE 是我们的主导极点频率。通常计算我们都假设 CEC_ECEfLf_LfL 贡献 80%80\%80% 而其他两项贡献 20%20\%20%

相关文章:

电子技术——分立CS和CE放大器的低频响应

电子技术——分立CS和CE放大器的低频响应 我们之前在学习放大器中从来没有关系过信号频率对放大器的影响,也就是说我们默认放大器具有无限的带宽,这当然不符合现实逻辑。为了说明这一点,我们使用下图: 上图描述了MOS或BJT分立电路…...

代码随想录【Day16】| 104. 二叉树的最大深度、111. 二叉树的最小深度、222. 完全二叉树的节点个数

104. 二叉树的最大深度 题目链接 题目描述: 给定一个二叉树,找出其最大深度。 二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。 说明: 叶子节点是指没有子节点的节点。 示例: 给定二叉树 [3,9,20,null,null,15,7]&#xff0c…...

状态机图、通信图题

1.下列关于通信图与顺序图中的对象的相同点的叙述.正确的是(D)。A.两种图中都可以表示对象的创建和销毁B.对象在两种图中的位置都没有任何限制C.对象在两种图中的表示方式完全一致D.对象名在两种图中的表示完全一致2.下列关于通信图的说法错误的是(C)。A.通信图是对一次交互过程…...

分布式文件存储Minio学习入门

文章目录一、分布式文件系统应用场景1. Minio介绍Minio优点2. MinIO的基础概念、3. 纠删码ES(Erasure Code)4. 存储形式5. 存储方案二、Docker部署单机Minio三、minio纠删码模式部署四、分布式集群部署分布式存储可靠性常用方法冗余校验分布式Minio优势运行分布式minio使用dock…...

handler解析(4)-Message及Message回收机制

Message中可以携带的信息 Message中可以携带的数据比较丰富,下面对一些常用的数据进行了分析。 /*** 用户定义的消息代码,以便当接受到消息是关于什么的。其中每个Hanler都有自己的命名控件,不用担心会冲突*/ public int what; /*** 如果你…...

Linux使用定时任务监控java进程并拉起

需求描述: 设计一个脚本,通过Linux定时任务,每分钟执行一次,监控jar包进程是否存在,存在则不做动作,不存在则重新拉起jar包程序。 定时任务配置: */1 * * * * bash -x /root/myfile/jars/che…...

Win 10电脑摄像头提示错误代码0xa00f4244怎么办?

如果你的Windows 10电脑无法打开摄像头,提示“我们找不到你的摄像头”的错误消息,错误代码是0xA00F4244,原因可能是杀毒软件阻止了摄像头,或者是摄像头驱动程序有问题。 小编为你整理了摄像头错误代码0xA00F4244的解决方法&#…...

MFC消息机制

1.消息映射消息映射是一个将消息和成员函数相互关联的表。比如,框架窗口接收到一个鼠标左击消息,MFC将搜索该窗口的消息映射,如果存在一个处理WM_LBUTTTONDOWN消息的处理程序,然后就调用OnButtonDown。2.消息映射机制2.1 声明宏 写…...

全国计算机等级考试报名照片要求以及证件照制作教程

马上就全国计算机等级考试就要开始了,相信现在很多同学都在网上进行报名呢,报名的时候肯定需要用到个人证件照片,所以问题来了,我们怎么自己制作证件照片呢?计算机等级考试报名时对证件照都有哪些要求呢?该…...

SQLSERVER 临时表和表变量到底有什么区别?

一:背景 1. 讲故事 今天和大家聊一套面试中经常被问到的高频题,对,就是 临时表 和 表变量 这俩玩意,如果有朋友在面试中回答的不好,可以尝试看下这篇能不能帮你成功迈过。 二:到底有什么区别 1. 前置思…...

技术生态异军突起,昇思MindSpore进入AI框架第一梯队

ChatGPT掀起的新一轮人工智能狂欢下,隐藏在背后的“大模型”正进入越来越多开发者的视野。 诚如几年前开始流行的一种说法:数据是燃料、模型是引擎、算力是加速器。ChatGPT的出现,恰如其分地诠释了数据、模型和算力的“化学反应”。而在其中…...

审批流、工作流、业务流

是业务流、工作流、审批流 业务流:即业务流程,指为了完成某项业务而进行的各种工作的有序组合 工作流:即工作流程,指为了完成某项工作而进行的各种动作的有序组合 审批流:即审批流程,是对某项工作的审批活动…...

如何利用知识库加强内部管理?

许多公司都知道需要有一个面向客户的知识库,以加强客户服务,提供更好的客户体验。 但是很多企业没有意识到的是,拥有一个内部知识库软件对于员工改善沟通和促进知识共享的重要性。 协作是组织成功的关键部分,通过明确的远景和使…...

饕餮 NFT 作品集来袭!

饕餮 NFT 作品集包含 Chili Game 创作的体验《饕餮》第一章中的角色。可以在 The Sandbox 农历新年活动期间(01/18/23 至 02/28/23)体验。 饕餮的故事植根于中国古代神话,主要灵感来自《山海经》,一个关于捉妖人「青蛙侠」的故事。…...

C++中的内存分区、引用、函数

内存分区模型 代码区 存放CPU执行的机器指令代码区是共享的且具有只读性 全局区 全局变量和静态变量都存放在此处全局区还包括了常量区、字符串常量和其他常量也存放在此该区域的数据在程序结束后由操作系统释放const修饰的局部变量并不算在全局区 栈区 由编译器自动分配和释放…...

关于angular表格total模板中一直为0

哈喽 小伙伴们大家好昨天在用angular得antdesign组件得table表格 我用total模板 结果&#xff0c;total一直为0这可是愁坏我了 <ng-template #totalTemplate let-total>找到 {{ total }} 条结果</ng-template>[nzShowTotal]"totalTemplate"最后找到原因了…...

多线程事务怎么回滚

背景介绍1&#xff0c;最近有一个大数据量插入的操作入库的业务场景&#xff0c;需要先做一些其他修改操作&#xff0c;然后在执行插入操作&#xff0c;由于插入数据可能会很多&#xff0c;用到多线程去拆分数据并行处理来提高响应时间&#xff0c;如果有一个线程执行失败&…...

基于FPGA的时间数字转换(TDC)设计(五:基于Carry4的高精度TDC设计)

1.基于Carry4进位链设计原理 常见的基于FPGA开发的TDC有直接计数法,多相位时钟采样法,抽头延迟线法等,之前内容为基于多相位的TDC,本章节中,主要讲解基于抽头延迟线法。在Xilinx FPGA开发中,实现抽头延迟线法有很多种,如使用IODELAY构建延迟进位链,此处将介绍基于Carr…...

【C++】二叉搜索树的实现(递归和非递归实现)

文章目录1、二叉搜索树1.1 构建二叉搜索树1.2 二叉搜索树的插入1.3 二叉搜索树的删除1.4 二叉搜索树插入和删除的递归实现为了学习map和set的底层实现&#xff0c;需要知道红黑树&#xff0c;知道红黑树之前需要知道AVL树。 红黑树和AVL树都用到了二叉搜索树结构&#xff0c;所…...

春招来了,如何正确使用领英超高效招聘海外员工、挖掘人才?

金三银四到了&#xff0c;每年的这个时候都是企业招聘的好时机。而领英是目前全球最大的职场社交网络平台&#xff0c;基本上海外求职都是在使用它&#xff0c;所以很多企业涉及到海外招聘时&#xff0c;都会优先考虑领英&#xff0c;但是却经常缺乏一些经验技巧&#xff0c;今…...

NFT模式:数字资产确权与链游经济系统构建

NFT模式&#xff1a;数字资产确权与链游经济系统构建 ——从技术架构到可持续生态的范式革命 一、确权技术革新&#xff1a;构建可信数字资产基石 1. 区块链底层架构的进化 跨链互操作协议&#xff1a;基于LayerZero协议实现以太坊、Solana等公链资产互通&#xff0c;通过零知…...

RNN避坑指南:从数学推导到LSTM/GRU工业级部署实战流程

本文较长&#xff0c;建议点赞收藏&#xff0c;以免遗失。更多AI大模型应用开发学习视频及资料&#xff0c;尽在聚客AI学院。 本文全面剖析RNN核心原理&#xff0c;深入讲解梯度消失/爆炸问题&#xff0c;并通过LSTM/GRU结构实现解决方案&#xff0c;提供时间序列预测和文本生成…...

回溯算法学习

一、电话号码的字母组合 import java.util.ArrayList; import java.util.List;import javax.management.loading.PrivateClassLoader;public class letterCombinations {private static final String[] KEYPAD {"", //0"", //1"abc", //2"…...

Linux 内存管理实战精讲:核心原理与面试常考点全解析

Linux 内存管理实战精讲&#xff1a;核心原理与面试常考点全解析 Linux 内核内存管理是系统设计中最复杂但也最核心的模块之一。它不仅支撑着虚拟内存机制、物理内存分配、进程隔离与资源复用&#xff0c;还直接决定系统运行的性能与稳定性。无论你是嵌入式开发者、内核调试工…...

Chromium 136 编译指南 Windows篇:depot_tools 配置与源码获取(二)

引言 工欲善其事&#xff0c;必先利其器。在完成了 Visual Studio 2022 和 Windows SDK 的安装后&#xff0c;我们即将接触到 Chromium 开发生态中最核心的工具——depot_tools。这个由 Google 精心打造的工具集&#xff0c;就像是连接开发者与 Chromium 庞大代码库的智能桥梁…...

Web后端基础(基础知识)

BS架构&#xff1a;Browser/Server&#xff0c;浏览器/服务器架构模式。客户端只需要浏览器&#xff0c;应用程序的逻辑和数据都存储在服务端。 优点&#xff1a;维护方便缺点&#xff1a;体验一般 CS架构&#xff1a;Client/Server&#xff0c;客户端/服务器架构模式。需要单独…...

tomcat入门

1 tomcat 是什么 apache开发的web服务器可以为java web程序提供运行环境tomcat是一款高效&#xff0c;稳定&#xff0c;易于使用的web服务器tomcathttp服务器Servlet服务器 2 tomcat 目录介绍 -bin #存放tomcat的脚本 -conf #存放tomcat的配置文件 ---catalina.policy #to…...

go 里面的指针

指针 在 Go 中&#xff0c;指针&#xff08;pointer&#xff09;是一个变量的内存地址&#xff0c;就像 C 语言那样&#xff1a; a : 10 p : &a // p 是一个指向 a 的指针 fmt.Println(*p) // 输出 10&#xff0c;通过指针解引用• &a 表示获取变量 a 的地址 p 表示…...

【深度学习新浪潮】什么是credit assignment problem?

Credit Assignment Problem(信用分配问题) 是机器学习,尤其是强化学习(RL)中的核心挑战之一,指的是如何将最终的奖励或惩罚准确地分配给导致该结果的各个中间动作或决策。在序列决策任务中,智能体执行一系列动作后获得一个最终奖励,但每个动作对最终结果的贡献程度往往…...

二维FDTD算法仿真

二维FDTD算法仿真&#xff0c;并带完全匹配层&#xff0c;输入波形为高斯波、平面波 FDTD_二维/FDTD.zip , 6075 FDTD_二维/FDTD_31.m , 1029 FDTD_二维/FDTD_32.m , 2806 FDTD_二维/FDTD_33.m , 3782 FDTD_二维/FDTD_34.m , 4182 FDTD_二维/FDTD_35.m , 4793...