电子技术——分析放大器的高频响应的有用工具

news2024/9/25 11:17:07

电子技术——分析放大器的高频响应的有用工具

Logo

在前几章我们使用米勒效应估计了CS和CE放大器模型的高频响应 f H f_H fH ,以及分析了其限制和影响因素。然而,这个方法不能有效的处理负载是容性负载 C L C_L CL 的情况。同时,这个方法不能扩展到更复杂的电路。对此,我们本节介绍一些分析放大器的高频响应的有用工具,用来分析更加复杂的电路,例如共源共栅放大器。

高频增益函数

考虑到内部电容的放大器的增益,能够被表示为:

A ( s ) = A M F H ( s ) A(s) = A_MF_H(s) A(s)=AMFH(s)

其中 A M A_M AM 是中频带增益,通过将所有的电容效应忽略,我们可以计算出 A M A_M AM 。将电容效应考虑进去之后,我们乘以增益因子 F H ( s ) F_H(s) FH(s) ,能够被表示为带有多个零点和极点(一般都是实数)的复数多项式:

F H ( s ) = ( 1 + s / ω Z 1 ) ( 1 + s / ω Z 2 ) … ( 1 + s / ω Z n ) ( 1 + s / ω P 1 ) ( 1 + s / ω P 2 ) … ( 1 + s / ω P n ) F_H(s) = \frac{(1 + s/ \omega_{Z1}) (1 + s/ \omega_{Z2}) \ldots (1 + s/ \omega_{Zn})}{(1 + s/ \omega_{P1}) (1 + s/ \omega_{P2}) \ldots (1 + s/ \omega_{Pn})} FH(s)=(1+s/ωP1)(1+s/ωP2)(1+s/ωPn)(1+s/ωZ1)(1+s/ωZ2)(1+s/ωZn)

这里 ω P 1 , ω P 2 , … , ω P n \omega_{P1},\omega_{P2},\ldots,\omega_{Pn} ωP1,ωP2,,ωPn 都是正数,代表了 n n n 个实极点。这里 ω Z 1 , ω Z 2 , … , ω Z n \omega_{Z1},\omega_{Z2},\ldots,\omega_{Zn} ωZ1,ωZ2,,ωZn 是正数、负数或是无穷,代表了 n n n 个实传输零点。因为通常情况下,零点和极点的频率都大于中频带,因此当 s s s 接近于中频带的时候, F H ( s ) F_H(s) FH(s) 接近于一。

决定 − 3 d B -3dB 3dB 频率 f H f_H fH

若在传递函数中,存在一个极点频率 ω P 1 \omega_{P1} ωP1 小于其他的极点频率,那么这个极点将决定放大器的高频响应频率 f H f_H fH 。我们称这个放大器是有 主极点响应 的。因此,其频率响应因子可以近似的表示为:

F H ( s ) ≃ 1 1 + s / ω P 1 F_H(s) \simeq \frac{1}{1 + s / \omega_{P1}} FH(s)1+s/ωP11

这是一个STC的低通型网络模型,同时:

ω H ≃ ω P 1 \omega_H \simeq \omega_{P1} ωHωP1

我们之前的CS和CE放大器的分析就是用这个法则进行近似的,另外存在一个我们之前使用过的经验法则:当最低频率极点至少是最近极点或零点的 1 / 4 1/4 1/4 倍的时候,主极点存在。

若主极点不存在,我们可以绘制 ∣ F H ( s ) ∣ |F_H(s)| FH(s) 的图像。或者,通过下面的估算方法:

为了方便,我们假设我们有两个极点和零点。

F H ( s ) = ( 1 + s / ω Z 1 ) ( 1 + s / ω Z 2 ) ( 1 + s / ω P 1 ) ( 1 + s / ω P 2 ) F_H(s) = \frac{(1 + s/ \omega_{Z1}) (1 + s/ \omega_{Z2})}{(1 + s/ \omega_{P1}) (1 + s/ \omega_{P2})} FH(s)=(1+s/ωP1)(1+s/ωP2)(1+s/ωZ1)(1+s/ωZ2)

带入 s = j ω s = j\omega s=

∣ F H ( s ) ∣ 2 = ( 1 + ω 2 / ω Z 1 2 ) ( 1 + ω 2 / ω Z 2 2 ) ( 1 + ω 2 / ω P 1 2 ) ( 1 + ω 2 / ω P 2 2 ) |F_H(s)|^2 = \frac{(1 + \omega^2/ \omega_{Z1}^2) (1 + \omega^2/ \omega_{Z2}^2)}{(1 + \omega^2/ \omega_{P1}^2) (1 + \omega^2/ \omega_{P2}^2)} FH(s)2=(1+ω2/ωP12)(1+ω2/ωP22)(1+ω2/ωZ12)(1+ω2/ωZ22)

根据定义, ω = ω H \omega = \omega_H ω=ωH ∣ F H ∣ 2 = 1 / 2 |F_H|^2 = 1/2 FH2=1/2 因此:

1 / 2 = ( 1 + ω H 2 / ω Z 1 2 ) ( 1 + ω H 2 / ω Z 2 2 ) ( 1 + ω H 2 / ω P 1 2 ) ( 1 + ω H 2 / ω P 2 2 ) = 1 + ω H 2 ( 1 ω Z 1 2 + 1 ω Z 2 2 ) + ω H 4 / ω Z 1 2 ω Z 2 2 1 + ω H 2 ( 1 ω P 1 2 + 1 ω P 2 2 ) + ω H 4 / ω P 1 2 ω P 2 2 1/2 = \frac{(1 + \omega_H^2/ \omega_{Z1}^2) (1 + \omega_H^2/ \omega_{Z2}^2)}{(1 + \omega_H^2/ \omega_{P1}^2) (1 + \omega_H^2/ \omega_{P2}^2)} = \frac{1 + \omega_H^2(\frac{1}{\omega_{Z1}^2} + \frac{1}{\omega_{Z2}^2}) + \omega_H^4/\omega_{Z1}^2\omega_{Z2}^2}{1 + \omega_H^2(\frac{1}{\omega_{P1}^2} + \frac{1}{\omega_{P2}^2}) + \omega_H^4/\omega_{P1}^2\omega_{P2}^2} 1/2=(1+ωH2/ωP12)(1+ωH2/ωP22)(1+ωH2/ωZ12)(1+ωH2/ωZ22)=1+ωH2(ωP121+ωP221)+ωH4/ωP12ωP221+ωH2(ωZ121+ωZ221)+ωH4/ωZ12ωZ22

因为 ω H \omega_H ωH 通常小于其他极点和零点,因此我们可以忽略四次项,解得:

ω H = 1 / 1 ω P 1 2 + 1 ω P 2 2 − 2 ω Z 1 2 − 2 ω Z 2 2 \omega_H = 1 / \sqrt{\frac{1}{\omega_{P1}^2} + \frac{1}{\omega_{P2}^2} - \frac{2}{\omega_{Z1}^2} - \frac{2}{\omega_{Z2}^2}} ωH=1/ωP121+ωP221ωZ122ωZ222

可以扩展到任意个数的极点和零点:

ω H = 1 / 1 ( ω P 1 2 + 1 ω P 2 2 + … ) − 2 ( 1 ω Z 1 2 + 1 ω Z 2 2 + … ) \omega_H = 1 / \sqrt{\frac{1}{(\omega_{P1}^2} + \frac{1}{\omega_{P2}^2} + \ldots) - 2( \frac{1}{\omega_{Z1}^2} + \frac{1}{\omega_{Z2}^2} + \ldots)} ωH=1/(ωP121+ωP221+)2(ωZ121+ωZ221+)

开路时间常数法

如果可以计算出所有的零点和极点,我们可以使用上述的估算方法。但是有时候计算零点和极点是困难的,我们可以使用开路时间常数法。这个方法和我们在之前估算低频响应时候使用的短路时间常数法是对偶方法。

首先频率因子可以写作为:

F H ( s ) = 1 + a 1 s + a 2 s 2 + … + a n s n 1 + b 1 s + b 2 s 2 + … + b n s n F_H(s) = \frac{1 + a_1s + a_2s^2 + \ldots + a_ns^n}{1 + b_1s + b_2s^2 + \ldots + b_ns^n} FH(s)=1+b1s+b2s2++bnsn1+a1s+a2s2++ansn

这里系数 a a a b b b 由极点和零点共同确定。实际上:

b 1 = 1 ω P 1 + 1 ω P 2 + … + 1 ω P n b_1 = \frac{1}{\omega_{P1}} + \frac{1}{\omega_{P2}} + \ldots + \frac{1}{\omega_{Pn}} b1=ωP11+ωP21++ωPn1

可以证明 b 1 b_1 b1 等于将信号源置零,然后依次考虑每一个电容,当考虑到第 i i i 个电容的时候,将其他电容视为开路,然后计算从这个电容看过去的等效戴维南电阻 R i R_i Ri 我们记电容 i i i 对应的时间常数为 τ i = C i R i \tau_i = C_i R_i τi=CiRi 。给出 b 1 b_1 b1

b 1 = ∑ i = 1 n C i R i b_1 = \sum_{i=1}^n C_i R_i b1=i=1nCiRi

称为 开路时间常数

假设存在一个主导的极点频率,那么:

b 1 ≃ 1 ω P 1 b_1 \simeq \frac{1}{\omega_{P1}} b1ωP11

也就是:

ω H ≃ 1 ∑ i = 1 n C i R i \omega_H \simeq \frac{1}{\sum_{i=1}^n C_i R_i} ωHi=1nCiRi1

当不存在主导的极点频率的时候,上述方法也能意外的得到较好的估计结果。

应用开路时间常数法分析CS放大器

下图展示了一个CS放大器的高频模型:

CS放大器的高频模型
我们对其使用开路时间常数法,首先我们我们先让 V s i g = 0 V_{sig} = 0 Vsig=0 ,依次考虑每一个电容,并将其他电容开路:

首先考虑电容 C g s C_{gs} Cgs

开路时间常数法
R g s = R s i g ′ R_{gs} = R_{sig}' Rgs=Rsig

接下来考虑电容 C g d C_{gd} Cgd

开路时间常数法
使用戴维南定理得到:

R g d = R s i g ′ ( 1 + g m R L ′ ) + R L ′ R_{gd} = R_{sig}'(1 + g_m R_L') + R_L' Rgd=Rsig(1+gmRL)+RL

最后考虑电容 C L C_L CL

开路时间常数法

R C L = R L ′ R_{CL} = R_L' RCL=RL

最后总短路时间常数为:

τ H = b 1 = C g s R g s + C g d R g d + C L R C L \tau_H = b_1 = C_{gs}R_{gs} + C_{gd}R_{gd} + C_L R_{CL} τH=b1=CgsRgs+CgdRgd+CLRCL

则:

f H = 1 2 π τ H f_H = \frac{1}{2 \pi \tau_H} fH=2πτH1

我们发现:

τ H = [ C g s + C g d ( 1 + g m R L ′ ) ] R s i g ′ + ( C g d + C L ) R L ′ \tau_H = [C_{gs} + C_{gd}(1 + g_m R_L')]R_{sig}' + (C_{gd} + C_L)R_L' τH=[Cgs+Cgd(1+gmRL)]Rsig+(Cgd+CL)RL

我们发现第一个项可以写作是 C i n R s i g ′ C_{in}R_{sig}' CinRsig 其中 C i n C_{in} Cin 是米勒等效后的输入电容。后一项是引入 C L C_L CL C g d C_{gd} Cgd 后的影响因素。我们发现若当 R s i g ′ R_{sig}' Rsig 较大的时候,后一项可以忽略。

最后一点,开路时间常数法让我们知道了决定 f H f_H fH 各种因素的占比,通常, C g d C_{gd} Cgd 贡献了 62 % 62\% 62% (米勒效应)。而 C g s C_{gs} Cgs 贡献了 17 % 17\% 17% 以及 C L C_L CL 贡献了 12 % 12\% 12%

应用开路时间常数法分析CE放大器

CE放大器和CS放大器的模型基本一致,读者可以自行尝试。

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/356317.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

【FPGA】Verilog:实现十六进制七段数码管显示 | 7-Segment Display

写在前面:本章主要内容为理解七点数码管显示的概念,并使用 Verilog 实现。生成输入信号后通过仿真确认各门的动作,通过 FPGA 检查在 Verilog 中实现的电路的操作。 Ⅰ. 前置知识 七段数码管是利用多重输出功能的非常有用的元件。该元件用于字…

spring+springboot+mybatis志愿者报名系统 ssm java

本盐城疫情防控志愿者报名系统以SSM作为框架,B/S模式以及MySql作为后台运行的数据库。本系统主要包括以下功能模块:防疫视频、优秀事迹、报名条件、在线报名等模块,通过这些模块的实现能够基本满足日常盐城疫情防控的操作。 根据盐城疫情防控…

基于微信小程序的中国各地美食推荐平台小程序

文末联系获取源码 开发语言:Java 框架:springboot JDK版本:JDK1.8 服务器:tomcat7 数据库:mysql 5.7/8.0 数据库工具:Navicat11 开发软件:eclipse/myeclipse/idea Maven包:Maven3.3.…

【js】export default也在影响项目性能呢

这里写目录标题介绍先说结论分析解决介绍 无意间看到一个关于export与exprot default对比的话题, 于是对二者关于性能方面,有了想法,二者的区别,仅仅是在于写法吗? 于是,有了下面的测试。 先说结论 太长…

.NET3.5安装步骤及相关问题。

.NET3.5全称 Microsoft.NETFramework3.5 最新版本-.NET4.8 第一步打开控制面板 windows系统打开控制面板 选择程序 选择.NET3.5安装。 可能会出现问题。 解决方案: 报错代码80240438的常用解决办法: 方法一:检测windows update servic…

【NLP实战】Python字符串处理

一、Python字符串基本操作 1. 去掉前后的特殊字符(strip) Python的strip操作可以去除字符串前后的空格(不改变原串)下例将前后的空格均删掉👇 str 人工智能 str.strip() # OUT:人工智能rstrip删除右边的空格&a…

linux016之安装JDK

linux上安装JDK: 一:首先检查一下linux上是否已经安装有jdk rpm -qa | grep jdk :查询目前系统已安装的jdk,直接复制该命令执行,如下图就是系统已经安装好的JDK rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps &…

线段树(维护区间信息)

一,定义: 可以在logN时间内实现区间修改,单点修改,区间查询等操作的工具 二,思路(修改无乘法时): 1,建树 通过把区间不断二分建立一颗二叉树 我们以维护一个数组a{1…

流程引擎之compileflow简介

背景compileflow 是一个非常轻量、高性能、可集成、可扩展的流程引擎。compileflow Process 引擎是淘宝工作流 TBBPM 引擎之一,是专注于纯内存执行,无状态的流程引擎,通过将流程文件转换生成 java 代码编译执行,简洁高效。当前是阿…

JVM内存布局

JVM的主要组成:JVM包含俩个子系统和俩个组件,俩个子系统为Class loader(类装载)、Execution engine(执行引擎);俩个组件为Runtime data area(运行时数据区)、Native Inte…

认证全家桶(Cookie、Session、Token、JWT)

什么是认证(Authentication) 通俗地讲就是验证当前用户的身份,证明“你是你自己”(比如:你每天上下班打卡,都需要通过指纹打卡,当你的指纹和系统里录入的指纹相匹配时,就打卡成功)互联网中的认…

independentsoft.de/MSG .NET Framework Crack

MSG .NET 是用于 .NET Framework / .NET Core 的 Microsoft Outlook .msg 文件 API。API 允许您轻松创建/读取/解析/转换 .msg 文件等。API 不需要在机器上安装 Microsoft Outlook 或任何其他第三方应用程序或库即可工作。 以下示例向您展示了如何打开现有文件并显示消息的某些…

sklearn学习-线性回归大家族

文章目录一、多元线性回归二、回归类的评估指标三、多重共线性:岭回归和Lasso四、Lasso选取最佳的正则化参数取值总结一、多元线性回归 二、回归类的评估指标 三、多重共线性:岭回归和Lasso 多重共线性 Multicollinearity 与 相关性 Correlation: 多重共…

达梦8共享存储集群DSC

简介: DM 共享存储数据库集群的英文全称 DM Data Shared Cluster,简称 DMDSC。 熟悉Oracle的朋友会知道目前国产数据库只有达梦数据库有共享存储集群架构,Oracle通过私网进行不同节点之间的缓存融合,而达梦通过自己的MAL系统&…

Java牛客编程刷算法记录--2022-12-7+2023-2-19

https://www.nowcoder.com/ta/classic-code 牛客上经典必刷题库 https://www.nowcoder.com/practice/e08819cfdeb34985a8de9c4e6562e724?tpId46&tqId29030&rp1&ru/ta/classic-code&qru/ta/classic-code&difficulty&judgeStatus&tags/question-ran…

Android自动化配置

1 搭建APPIUM环境 1.1 安装node.js Appium是使用nodejs实现的,所以node是解释器,需要第一步安装好 node.js的安装包下载地址: https://nodejs.org/en/download/ 注意:node.js的安装包的下载在官网有两种版本,建议大…

基于FFmpeg实现的无声音屏幕录制

UI自动化测试时,有时需要进行录屏操作,这时我们是不需要声音的,我们可以通过FFmpeg进行简单的录制工作。 以下是在windows10环境下,基于FFmpeg实现的简单录制: Ffmpeg简介: 功能:有非常强大的…

Spring Cloud Nacos实战(六)- 集群架构说明与持久化配置切换

目录Nacos集群架构说明Nacos支持三种部署模式集群部署说明预备环境Nacos持久化切换配置Nacos持久化配置Nacos默认derby切换MySql测试Nacos集群架构说明 ​ 到目前为止,我们已经对Nacos的一些基本使用和配置已经掌握,但是这些还不够,我们还需…

算法导论【时间复杂度】—排序算法、图算法、动态规划、字符串匹配等时间复杂度小结

算法导论【时间复杂度】—排序算法、图算法、DP等小结排序快速排序堆排序计数排序基数排序桶排序SELECT算法RANDOMIZED-SELECTSELECT图算法广度优先搜索深度优先搜索Kruskal算法Prim算法Bellman-Ford算法Dijkstra算法Floyd-Warshall算法Johnson算法Ford-Folkson方法Edmonds-Kar…

基于Redis实现的分布式锁

基于Redis实现的分布式锁什么是分布式锁分布式锁主流的实现方案Redis分布式锁Redis分布式锁的Java代码体现优化一:使用UUID防止误删除优化二:LUA保证删除原子性什么是分布式锁 单体单机部署中可以为一个操作加上锁,这样其他操作就会等待锁释…