异相(相位不平衡)状态下的合成器效率分析-理论与ADS仿真

news2024/11/17 12:31:57

异相(相位不平衡)状态下的合成器效率分析-理论与ADS仿真

12、ADS使用记录之功分器设计中简单介绍了威尔金森功分器的设计方法。一般来讲,功分器反过来就能作为合路器使用,在输入信号相位一致的情况下,各种合路器的效率指标往往都不错。尤其是威尔金森功分器在高效率合路的同时还能实现多个输入端口间的隔离

但是,对于输入信号相位不一致的情况,合路效率是怎么样的呢?在此分别对威尔金森功分器、T功分器在异相(相位不平衡)下的合路效率性能进行分析

实际上,将两路相位不同的信号进行合路是一种罕见情况,一个典型运用是,Outphasing放大器需要使用此异相合路网络实现对调制信号的高效率放大。Chireix功率合成器是此过程中较为常用的合成方法,这个之后再详细分析。

文中推导部分参考的是”基于高效率功率放大器的数字Outphasing 发射机研究与设计“的第四章,但是其中非隔离T功分器的效率推导有误,在本文中更正了

本文的工程下载:异相(相位不平衡)状态下的合成器效率分析-理论与ADS仿真工程文件

目录

  • 异相(相位不平衡)状态下的合成器效率分析-理论与ADS仿真
    • 1、隔离功率合成器(威尔金森功分器)
      • 1.1、威尔金森功分器基本结构
      • 1.2、威尔金森功分器的S参数仿真
      • 1.3、威尔金森功分器在异相情况下的效率推导
      • 1.4、威尔金森功分器在异相情况下的效率仿真
    • 2、非隔离功率合成器(T功分器)
      • 2.1、T功分器基本结构
      • 2.2、T功分器的S参数
      • 2.3、T功分器在异相情况下的效率推导
      • 2.4、T功分器在异相情况下的效率仿真

1、隔离功率合成器(威尔金森功分器)

1.1、威尔金森功分器基本结构

隔离的功率合成器也就是威尔金森功分器,其基础的理论结构如下:
在这里插入图片描述
其对应的基本参数可由下式计算:
在这里插入图片描述

1.2、威尔金森功分器的S参数仿真

(Combine_EffiCompare原理图)
此处以3GHz的等分类型为例,此时k=1,构建如下原理图:
在这里插入图片描述
其理想结果如下所示,可以看到各个端口的回波损耗(S44、S66)都非常好,两端口的隔离S45非常理想,等分比是1:1,因此S64是3dB:
在这里插入图片描述

1.3、威尔金森功分器在异相情况下的效率推导

等分威尔金森功分器的输出端接在上下两支路接输入,实现具有隔离功能的功率合成,其框图如下:
在这里插入图片描述
假设经过信号分离出两路异相信号分别为(也就是输入信号):
s 1 ( t ) = A 2 cos ⁡ [ ω t + φ + θ ] s_{1}\left(t\right)=\frac{\mathrm{A}}{2}\cos\left[\omega t+\varphi+\theta\right] s1(t)=2Acos[ωt+φ+θ]
s 2 ( t ) = A 2 cos ⁡ [ ω t + φ − θ ] s_{2}\left(t\right)=\frac{\mathrm{A}}{2}\cos\left[\omega t+\varphi-\theta\right] s2(t)=2Acos[ωt+φθ]
若两路信号完全一致,那么隔离电阻上将无电流流经,从而使得等分威尔金森功率合成器无损耗地运行。然而,一旦输入端口1和端口2的信号存在相位不平衡,信号的同相部分将在输出端口3叠加,而反向部分则会通过隔离电阻,在两端产生电势差,进而形成电流流过隔离电阻,导致能量损失的产生。信号中的同相部分经功率合成后,从端口3输出的信号功率为:
P o u t = ∣ s 1 + s 2 ∣ 2 = A 2 2 cos ⁡ 2 θ P_{out}=\left|s_1+s_2\right|^2=\frac{A^2}{2}\cos^2\theta Pout=s1+s22=2A2cos2θ
信号反向部分经过隔离电阻损耗的功率为:
P d i s = ∣ s 1 − s 2 ∣ 2 = A 2 2 sin ⁡ 2 θ P_{dis}=\begin{vmatrix}s_1-s_2\end{vmatrix}^2=\frac{A^2}{2}\sin^2\theta Pdis= s1s2 2=2A2sin2θ
等分威尔金森功率合成器合成异相信号的效率为:
η 1 = P o u t P d i s + P o u t = cos ⁡ 2 θ \eta_1=\frac{P_{out}}{P_{dis}+P_{out}}=\cos^2\theta η1=Pdis+PoutPout=cos2θ

1.4、威尔金森功分器在异相情况下的效率仿真

(Combine_EffiCompare原理图)
原理图中使用了Probe进行了功率测量:
在这里插入图片描述
使用了Sweep查看不同异相角下的效率性能,结果和理论一致的:
在这里插入图片描述
需要注意的是,异相角为 θ \theta θ,代表第一路输入相对于参考信号的角度为 θ \theta θ,第二路输入相对于参考信号的角度为 − θ -\theta θ,实际上两路输入的相位差为 2 θ 2\theta 2θ

威尔金森功分器在异相情况下的净输入功率
非常重要的一点,仿真发现即使是异相状态,净输入功率也是恒定的1W(这个1W是自己设置的),这代表所有的功率都进入到了合路器,所有的损耗都是由隔离电阻导致的:
在这里插入图片描述

2、非隔离功率合成器(T功分器)

2.1、T功分器基本结构

这个T功分器的基本理论可以参考:01、T型结功分器

其基本结构是这样的:
(Combine_EffiCompare原理图)
在这里插入图片描述

其优缺点可以参考:微波射频学习笔记10——–T型结功率分配器

T型优缺点
B、C口不能作为输入,反过来看,阻抗就不是50Ω,不能全端口阻抗匹配;
②B、C两端口没有隔离开来,信号会相互影响到;
③优点暂时没想到,可能就是便宜,简单吧。

2.2、T功分器的S参数

(Combine_EffiCompare原理图)
对于上面的ADS原理图,其理想结果如下所示,可以看到3端口的回波损耗(S33)都非常好,两端口的隔离S21不太理想,等分比是1:1,因此S31是3dB。用作合路器时,其输入的回波损耗S11和S22都只有-6dB
在这里插入图片描述

2.3、T功分器在异相情况下的效率推导

推导部分参考的是”基于高效率功率放大器的数字Outphasing 发射机研究与设计“的第四章,但是原作者的推导有误,式(4-16) 、式(4-17)、式(4-18)几个公式的效率算错了

为了分析非隔离功率合成器的合成效率,其等效电路示意图如下:
在这里插入图片描述
两路射频电压信号源输出的电压信号设为:
V 1 = G S 1 ′ ( t ) = G A 2 e j φ ( t ) e j θ ( t ) = V 0 e j θ ( t ) V 2 = G S 2 ′ ( t ) = G A 2 e j φ ( t ) e − j θ ( t ) = V 0 e − j θ V_1=GS_1'\left(t\right)=G\frac{A}{2}e^{j\varphi(t)}e^{j\theta(t)}=V_0e^{j\theta(t)}\\ \quad\\ V_{2}=GS_{2}^{'}\left(t\right)=G\frac{A}{2}e^{j\varphi(t)}e^{-j\theta(t)}=V_{0}e^{-j\theta} V1=GS1(t)=G2Aejφ(t)ejθ(t)=V0ejθ(t)V2=GS2(t)=G2Aejφ(t)ejθ(t)=V0ejθ
射频电压源后接串联的四分之一波长传输线的构成的功率合成器,四分之一波长传输线的ABCD矩阵可以表示为:
T = [ cos ⁡ α j Z 0 sin ⁡ α j sin ⁡ α Z 0 cos ⁡ α ] = [ 0 j Z 0 j Z 0 0 ] T=\begin{bmatrix}\cos\alpha&jZ_0\sin\alpha\\\frac{j\sin\alpha}{Z_0}&\cos\alpha\end{bmatrix}=\begin{bmatrix}0&jZ_0\\[0.3em]\frac{j}{Z_0}&0\end{bmatrix} T=[cosαZ0jsinαjZ0sinαcosα]=[0Z0jjZ00]
其中 α \alpha α为传输线的电长度,四分之一波长对应的电长度为90度。Z0为微带线特性阻抗。根据四分之一波长传输线输入输出与ABCD参数的关系,上下两条支路电压电流关系可以表示为:
[ V 1 I 1 ] = T ⋅ [ V L I 11 ] [ V 2 I 2 ] = T ⋅ [ V L I 22 ] \begin{bmatrix}V_1\\I_1\end{bmatrix}=T\cdot\begin{bmatrix}V_L\\I_{11}\end{bmatrix}\\ \quad\\ \begin{bmatrix}V_2\\I_2\end{bmatrix}=T\cdot\begin{bmatrix}V_L\\I_{22}\end{bmatrix} [V1I1]=T[VLI11][V2I2]=T[VLI22]
其中VL为输出端电压, I 11 、 I 22 I_{_{11}}、I_{_{22}} I11I22分别为两支路四分之一波长线的输出电流,综合上式可得:
I L = I 11 + I 22 = V 0 ( e j θ + e − j θ ) j Z 0 = 2 V 0 cos ⁡ θ j Z 0 V L = 2 V 0 cos ⁡ θ j Z 0 R L = G R L Z 0 [ e j φ ( t ) A cos ⁡ θ ] e − j π 2 = G R L Z 0 S ( t ) e − j π 2 I_L=I_{11}+I_{22}=\frac{V_0\left(e^{j\theta}+e^{-j\theta}\right)}{jZ_0}=\frac{2V_0\cos\theta}{jZ_0}\\ \quad\\ V_{L}=\frac{2V_{0}\cos\theta}{jZ_{0}}R_{L}=\frac{GR_{L}}{Z_{0}}\biggl[e^{j\varphi(t)}A\cos\theta\biggr]e^{-j\frac{\pi}{2}}=\frac{GR_{L}}{Z_{0}}S\bigl(t\bigr)e^{-j\frac{\pi}{2}} IL=I11+I22=jZ0V0(ejθ+ejθ)=jZ02V0cosθVL=jZ02V0cosθRL=Z0GRL[ejφ(t)Acosθ]ej2π=Z0GRLS(t)ej2π
两支路输入电流有如下关系:
I 1 = I 2 = 2 V 0 cos ⁡ θ Z 0 2 R L I_1=I_2=\frac{2V_0\cos\theta}{\frac{Z_0^2}{R_L}} I1=I2=RLZ022V0cosθ

上支路放大信号输入到功率合成器的信号功率可以表示为:
P 1 = 1 2 Re ⁡ ( V 1 ⋅ I 1 ∗ ) = 1 2 Re ⁡ ( V 0 e j θ ⋅ 2 V 0 ∗ cos ⁡ θ Z 0 2 R L ) = A 2 cos ⁡ 2 θ Z 0 2 R L P_1=\frac{1}{2}\operatorname{Re}\left(V_1\cdot I_1^*\right)=\frac{1}{2}\operatorname{Re}\left(V_0e^{j\theta}\cdot\frac{2V_0^*\cos\theta}{\frac{Z_0^2}{R_L}}\right)=\frac{A^2\cos^2\theta}{\frac{Z_0^2}{R_L}} P1=21Re(V1I1)=21Re V0ejθRLZ022V0cosθ =RLZ02A2cos2θ
下支路放大信号输入到功率合成器的信号功率为:
P 2 = 1 2 Re ⁡ ( V 2 ⋅ I 2 ∗ ) = 1 2 Re ⁡ ( V 0 e − j θ ⋅ 2 V 0 ∗ cos ⁡ θ Z 0 2 R L ) = A 2 cos ⁡ 2 θ Z 0 2 R L P_2=\frac{1}{2}\operatorname{Re}\Big(V_2\cdot I_2^*\Big)=\frac{1}{2}\operatorname{Re}\Bigg(V_0e^{-j\theta}\cdot\frac{2V_0^*\cos\theta}{\frac{Z_0^2}{R_L}}\Bigg)=\frac{A^2\cos^2\theta}{\frac{Z_0^2}{R_L}} P2=21Re(V2I2)=21Re(V0ejθRLZ022V0cosθ)=RLZ02A2cos2θ
输入到功率合成器的总功率为:
P = P 1 + P 2 = 2 A 2 cos ⁡ θ Z 0 2 R L P=P_1+P_2=\frac{2A^2\cos\theta}{\frac{Z_0^2}{R_L}} P=P1+P2=RLZ022A2cosθ
功率合成器输出的功率为:
P o u t = 1 2 Re ⁡ ( V L ⋅ I L ∗ ) = 1 2 Re ⁡ ( 2 V 0 cos ⁡ θ j Z 0 R L ⋅ 2 V 0 ∗ cos ⁡ θ j Z 0 ) = 2 A 2 cos ⁡ 2 θ Z 0 2 R L P_{\mathrm{out}}=\frac{1}{2}\operatorname{Re}\Big(V_{L}\cdot I_{L}^{*}\Big)=\frac{1}{2}\operatorname{Re}\Bigg(\frac{2V_{0}\cos\theta}{jZ_{0}}R_{L}\cdot\frac{2V_{0}^{*}\cos\theta}{jZ_{0}}\Bigg)=\frac{2A^{2}\cos^{2}\theta}{\frac{Z_{0}^{2}}{R_{L}}} Pout=21Re(VLIL)=21Re(jZ02V0cosθRLjZ02V0cosθ)=RLZ022A2cos2θ
所以非隔离功率合成器合成异相信号的合成效率为:
η 2 = P o u t P = 1 \eta_2=\frac{P_{out}}{P}=1 η2=PPout=1

可以看到,如果按照正确的推导方式,异相情况下的T型功分器效率为100%。

然而,虽然看起来非常的美好,但是此处的推导时争对于输入到合路器的效率。但是,假设的源的输出功率是1W,但是实际在异相状态下输入到合路器的功率就不是1W了,从下面仿真可以看出。

2.4、T功分器在异相情况下的效率仿真

(Combine_EffiCompare原理图)
可以看到,如果使用Probe进行功率测量,得到的理论效率结果为100%,这也非常正常,因为电路没有有耗器件:
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
但是,虽然端口的输入功率设置为1W,其净输入功率并非1W,这可能是由于端口的匹配和隔离性能不佳
在这里插入图片描述
因此,如果按照输入功率来计算效率,而不是按照净输入功率来计算效率,其实际的效率和威尔金森功分器是一致的
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1692880.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

YOLOv8独家改进:mamba系列 | 视觉态空间(VSS)块结合C2f二次创新,提升捕捉广泛的上下文信息 | VMamba2024年最新成果

💡💡💡创新点:Mamba UNet采用了纯基于视觉Mamba(VMamba)的编码器-解码器结构,融入了跳跃连接,以保存网络不同规模的空间信息。这种设计有助于全面的特征学习过程,捕捉医学图像中复杂的细节和更广泛的语义上下文。我们在VMamba块中引入了一种新的集成机制,以确保编…

Linux之共享内存mmap用法实例(六十三)

简介: CSDN博客专家,专注Android/Linux系统,分享多mic语音方案、音视频、编解码等技术,与大家一起成长! 优质专栏:Audio工程师进阶系列【原创干货持续更新中……】🚀 优质专栏:多媒…

通过注意力调节实现更好的文本到图像生成对齐

近年来,生成性AI技术在众多领域取得了前所未有的进步。大规模预训练模型的出现激发了各种下游任务中的新应用。这在文本到图像生成领域尤为明显,例如Stable Diffusion、DALL-E 2和Imagen等模型已经显著展示了它们的能力。尽管如此,复杂提示中…

Go语言的pprof工具是如何使用的?

文章目录 Go语言的pprof工具详解pprof的使用runtime/pprofnet/http/pprof 快速开始获取采样数据通过pprof工具进行性能分析总结 Go语言的pprof工具详解 Go语言作为一个高性能、高并发的编程语言,对性能优化有着极高的要求。在Go语言的标准库中,pprof是一…

架构篇44:互联网架构模板:“平台”技术

文章目录 运维平台测试平台数据平台管理平台小结当业务规模比较小、系统复杂度不高时,运维、测试、数据分析、管理等支撑功能主要由各系统或者团队独立完成。随着业务规模越来越大,系统复杂度越来越高,子系统数量越来越多,如果继续采取各自为政的方式来实现这些支撑功能,会…

回溯大法总结

前言 本篇博客将分两步来进行,首先谈谈我对回溯法的理解,然后通过若干道题来进行讲解,最后总结 对回溯法的理解 回溯法可以看做蛮力法的升级版,它在解决问题时的每一步都尝试所有可能的选项,最终找出所以可行的方案…

对安卓手机上损坏的 SD 卡进行故障排除:恢复提示和修复

概括 如果您总是在旅途中,那么您很可能每天都在使用 SD 卡。这些微小但功能强大的闪存已经变得和手机的内部存储一样有用。它们可以存储数据并移动您想要的任何数据类型,因为它们在 Android 设备上添加了额外的存储空间。不幸的是,他们可能会…

产品推荐 | 基于Xilinx XCKU115的半高PCIe x8 硬件加速卡

一、板卡概述 本板卡系我公司自主研发,采用Xilinx公司的XCKU115-3-FLVF1924-E芯片作为主处理器,主要用于FPGA硬件加速。板卡设计满足工业级要求。如下图所示: 二、功能和技术指标 板卡功能 参数内容 主处理器 XCKU115-3-FLVF1924-E 板卡…

Java网络编程之TCP协议核心机制(三)

题外话 最近学习内容很多嗷 正题 延时应答机制 当客户端发送数据到服务器时,服务器不会立即返回ACK,而是等待一会再返回ACK 这段等待时间应用程序可能会消化掉接收缓冲区中的数据,当服务器返回ACK时,就会携带此时接收缓冲区大小的信息 当客户端下次再发送数据的时候就可以…

JMeter学习笔记一

一、JMeter 背景:移动互联网 -- 小程序 移动APPH5 前后端分离(java,C,C#) H5 JS Vue 接口测试 (Postman,jmeter,Apifox,ApiPost) 我怎么发送请求? Http接口是一个特殊的URL地址,当有人访问这个地…

Java订餐系统源码 springboot点菜系统源码

Java订餐系统源码 springboot点菜系统源码 源码下载地址:https://download.csdn.net/download/xiaohua1992/89341358 功能介绍: 前台登录:前台登录: ①首页:菜品信息推荐、菜品信息展示、查看更多 ②菜品信息&…

SQL刷题笔记day3——第二大值

1题目 我的错误代码: select emp_no,salary from salaries where salary (select salary from salaries group by salary order by salary limit 1,1 ) order by emp_no asc 正确代码: select emp_no,salary from salaries where salary (select sal…

Vita-CLIP: Video and text adaptive CLIP via Multimodal Prompting

标题:Vita-CLIP: 通过多模态提示进行视频和文本自适应CLIP 源文链接:https://openaccess.thecvf.com/content/CVPR2023/papers/Wasim_Vita-CLIP_Video_and_Text_Adaptive_CLIP_via_Multimodal_Prompting_CVPR_2023_paper.pdfhttps://openaccess.thecvf.…

代码随想录算法训练营第五十天||309.最佳买卖股票时机含冷冻期、714.买卖股票的最佳时机含手续费

文章目录 一、309.最佳买卖股票时机含冷冻期 思路 二、714.买卖股票的最佳时机含手续费 思路 一、309.最佳买卖股票时机含冷冻期 给定一个整数数组,其中第 i 个元素代表了第 i 天的股票价格 。 设计一个算法计算出最大利润。在满足以下约束条件下,…

如何高效创建与配置工程环境:零基础入门

新书上架~👇全国包邮奥~ python实用小工具开发教程http://pythontoolsteach.com/3 欢迎关注我👆,收藏下次不迷路┗|`O′|┛ 嗷~~ 目录 一、工程环境的搭建与准备 二、配置虚拟环境与选择解释器 三、编写代码与自动添加多行注释 …

JVM学习-堆空间(三)

JVM在进行GC时,并非每次都对新生代、老年代、方法区(元空间)三个区域一起回收,大部分时间回收的都是新生代 针对Hotspot VM的实现,它里面的GC按照回收区域分两大类型:一种是部分收集(Partial GC),一种是整堆收集(Full …

【新】snapd申请Let‘s Encrypt免费SSL证书、自动化续签证书

简介 之前写过一篇certbot申请SSL证书的文章:SSL证书申请,写得比较详细,但是最近发现使用snapd会更方便。 使用机器:Ubuntu 20.04 简单步骤 1、首先安装必要软件 sudo apt install snapd sudo apt install certbot sudo apt …

SQL语言实践

1.数据库 创建 CREATE DATABASE Database; 改名 ALERT DATABASE Data RENAME TO Database; 删除 DROP DATABASE Database; 2.表 创建: CREATE TABLE table(); 与主键,外键有关 CREATE TABLE Table(特殊的主键 serial NOT NULL,外键 …

ICML2024 定义新隐私保护升级:DP-BITFIT新型微调技术让AI模型学习更安全

DeepVisionary 每日深度学习前沿科技推送&顶会论文分享,与你一起了解前沿深度学习信息! 引言:差分隐私在大模型微调中的重要性和挑战 在当今的深度学习领域,大型预训练模型的微调已成为提高各种任务性能的关键技术。然而&am…

Multi-objective reinforcement learning approach for trip recommendation

Multi-objective reinforcement learning approach for trip recommendation A B S T R A C T 行程推荐是一项智能服务,为游客在陌生的城市提供个性化的行程规划。 它旨在构建一系列有序的 POI,在时间和空间限制下最大化用户的旅行体验。 将候选 POI 添…