热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

模拟电子技术反馈放大电路

文章目录一、反馈概念与分类1-1反馈1-2直流反馈与交流反馈1-3正反馈与负反馈1-4串联反馈与并联反馈1-5电压反馈与电流反馈二、负反馈电路2-1反馈深度讨论2-2负反馈对放大电


文章目录

  • 一、反馈概念与分类
    • 1-1 反馈
    • 1-2 直流反馈与交流反馈
    • 1-3 正反馈与负反馈
    • 1-4 串联反馈与并联反馈
    • 1-5 电压反馈与电流反馈
  • 二、负反馈电路
    • 2-1 反馈深度讨论
    • 2-2 负反馈对放大电路性能的影响
  • 三、深度负反馈


一、反馈概念与分类


1-1 反馈


将输出信号的部分或全部通过某种电路送回到放大电路的输入回路,与原输入信号相比较后再作用到放大电路的输入端,从而影响输出信号,这就构成了反馈。



  • xIx_IxI:反馈放大电路的输入信号
  • xIDx_IDxID:基本放大电路的输入信号(净输入信号)
  • xFx_FxF:反馈信号
  • xOx_OxO:输出信号
  • 开环-无反馈通路,闭环-有反馈通路
  • X可以是电压也可以是电流

1-2 直流反馈与交流反馈


存在于放大电路的直流通路中的反馈为直流反馈。直流反馈影响放大电路的直流性能,如静态工作点。存在于交流通路中的反馈为交流反馈。交流反馈影响放大电路的交流性能,如增益.输人电阻、输出电阻和带宽等。



  • 根据反馈到输入端的信号是交流,还是直流,或同时存在,来进行判别。(看电容连接方式,即看反馈元件在有电容的情况下是否有效)
  • 运放一般均引入的是交直流反馈。
  • 直流反馈
  • 交流反馈

1-3 正反馈与负反馈


正反馈:引入反馈后,使净输入量比无反馈时变大了。
负反馈:引入反馈后,使净输入量比无反馈时变小了。



  • 可用瞬时极性法判断
  • 注意极性判断顺序:输入→输出→反馈
  • 串联反馈输入与反馈极性相反,并联反馈输入与反馈极性相反。

1-4 串联反馈与并联反馈


当反馈信号与输入信号分别接至基本放大电路的不同输入端时,引入的是串联反馈;
当反馈信号与输入信号接至基本放大电路的同一个输人端时,引人的是并联反馈。



  • 简单判断
    ▶\blacktriangleright反馈信号与输入信号加在放大电路输入回路的同一个电极,则为并联反馈;反之,加在放大电路输入回路的两个电极,则为串联反馈。
    ▶\blacktriangleright对于三极管来说,反馈信号与输入信号同时加在输入三极管的基极或发射极,则为并联反馈;一个加在基极一个加在发射极则为串联反馈。
  • 在明确串联反馈和并联反馈后,正反馈和负反馈可用下列规则来简易判断:
    ▶\blacktriangleright并联反馈时:
    反馈信号和输入信号瞬时极性相同的为正反馈,瞬时极性相反的是负反馈;
    ▶\blacktriangleright串联反馈时:
    反馈信号和输入信号瞬时极性相同的为负反馈,瞬时极性相反的是正反馈。

1-5 电压反馈与电流反馈


  • 判断方法:负载短路法
    ▶\blacktriangleright将负载短路(未接负载时输出对地短路),反馈量为零―电压反馈。
    ▶\blacktriangleright将负载短路,反馈量仍然存在电流反馈。
  • 电压与电流反馈的简易判断方法
    一般来说:
    ▶\blacktriangleright反馈元件直接接在输出端为电压反馈。
    ▶\blacktriangleright反馈元件只要没有直接接到输出端,均为电流反馈。
    (特别注意:负载不属于放大器,因此不能算作反馈元件。)
    重点:反馈类型判断\color{Red}{反馈类型判断}

二、负反馈电路


2-1 反馈深度讨论

一般情况下,AAAFFF都是频率的函数,当考虑信号频率的影响时,AfA_fAfAAAFFF分别用Af˙\dot{A_f}Af˙A˙\dot{A}A˙F˙\dot{F}F˙表示。
Af˙=A˙1+A˙F˙\dot{A_f} =\frac {\dot A}{1+\dot A\dot F}Af˙=1+A˙F˙A˙ ,1+A˙F˙1+\dot A\dot F1+A˙F˙称为反馈深度。
▶\blacktriangleright ∣1+A˙F˙∣>1|1+\dot A\dot F|>11+A˙F˙>1时,∣AF˙∣<∣A˙∣|\dot{A_F}|<|\dot{A}|AF˙<A˙,一般负反馈。
▶\blacktriangleright ∣1+A˙F˙∣>>1|1+\dot A\dot F|>>11+A˙F˙>>1时,深度负反馈。
▶\blacktriangleright ∣1+A˙F˙∣<1|1+\dot A\dot F|<11+A˙F˙<1时,正反馈。
▶\blacktriangleright ∣1+A˙F˙∣<1|1+\dot A\dot F|<11+A˙F˙<1时,∣AF˙∣|\dot{A_F}|AF˙∞\infty,自激振荡。


2-2 负反馈对放大电路性能的影响


  • 提高增益的稳定性
    ▶\blacktriangleright闭环增益相对变化量是开环时的11+AF\frac{1}{1+AF}1+AF1
    ▶\blacktriangleright在深度负反馈条件下,Af˙≈1F˙\dot{A_f}\approx \frac{1}{\dot F}Af˙F˙1
    ▶\blacktriangleright即闭环增益只取决于反馈网络。当反馈网络由稳定的线性元件组成时,闭环增益将有很高的稳定性。负反馈的组态不同,稳定的增益不同。
  • 减小非线性失真
    ▶\blacktriangleright闭环时增益减小,线性度变好。
    ▶\blacktriangleright只能减少环内放大电路产生的失真,如果输入波形本身就是失真的,即使引入负反馈,也无济于事。
  • 抑制反馈环内噪声
  • 对输入电阻和输出电阻的影响\color{Red}{对输入电阻和输出电阻的影响}
    ▶\blacktriangleright串联负反馈——增大输入电阻
    ▶\blacktriangleright并联负反馈——减小输入电阻
    ▶\blacktriangleright电压负反馈——减小输出电阻,稳定输出电压
    ▶\blacktriangleright电流负反馈——增大输出电阻,稳定输出电流
    负反馈对放大电路性能的改善,是以牺牲增益为代价的,且仅对环内的性能产生影响。

三、深度负反馈


  • 深度负反馈条件下,闭环增益只与反馈网络有关。
  • 输入量近似等于反馈量,净输入量近似等于零。
  • 重点:利用“虚短”“虚断”计算\color{Red}{利用“虚短”“虚断”计算}
    例:
    解:该电路中引入了电流并联负反馈。
    根据虚短,虚断if=iii_f=i_iif=ii
    −ifRf=iRR-i_fR_f=i_RRifRf=iRR
    if=iR+i0i_f=i_R+i_0if=iR+i0
    又因为vn=vp=0v_n=v_p=0vn=vp=0,vs=iiRsv_s=i_iR_svs=iiRs,v0=−i0RLv_0=-i_0R_Lv0=i0RL
    所以闭环电压增益Avf=−i0RLiiRs=−(1+RfR)RLRsA_{vf}=\frac{-i_0R_L}{i_iR_s}=-(1+\frac{R_f}{R})\frac{R_L}{R_s}Avf=iiRsi0RL=(1+RRf)RsRL
    注意:若ioi_oio参考方向不同,将影响闭环增益的结果。

推荐阅读
  • 阿里Treebased Deep Match(TDM) 学习笔记及技术发展回顾
    本文介绍了阿里Treebased Deep Match(TDM)的学习笔记,同时回顾了工业界技术发展的几代演进。从基于统计的启发式规则方法到基于内积模型的向量检索方法,再到引入复杂深度学习模型的下一代匹配技术。文章详细解释了基于统计的启发式规则方法和基于内积模型的向量检索方法的原理和应用,并介绍了TDM的背景和优势。最后,文章提到了向量距离和基于向量聚类的索引结构对于加速匹配效率的作用。本文对于理解TDM的学习过程和了解匹配技术的发展具有重要意义。 ... [详细]
  • 用友深耕烟草行业25年,提出数字化转型建议
    本文介绍了用友在烟草行业深耕25年的经验,提出了数字化转型的建议,包括总体要求、主要任务、发展阶段和六位一体推进举措。通过数字化转型,烟草行业将注入新动能,实现高质量发展。 ... [详细]
  • 浏览器中的异常检测算法及其在深度学习中的应用
    本文介绍了在浏览器中进行异常检测的算法,包括统计学方法和机器学习方法,并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测,可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率,而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]
  • 110. Balanced Binary Tree [Easy] 平衡树/递归
    本文介绍了一道关于平衡树的题目,通过递归和辅助函数来判断一个二叉树是否平衡。辅助函数返回根结点的深度,如果左子树或右子树不是平衡树,则返回-1。主函数根据辅助函数的返回值判断二叉树是否平衡。 ... [详细]
  • 本文介绍了腾讯最近开源的BERT推理模型TurboTransformers,该模型在推理速度上比PyTorch快1~4倍。TurboTransformers采用了分层设计的思想,通过简化问题和加速开发,实现了快速推理能力。同时,文章还探讨了PyTorch在中间层延迟和深度神经网络中存在的问题,并提出了合并计算的解决方案。 ... [详细]
  • 词袋模型的通俗介绍
    词,袋, ... [详细]
  • 本文介绍了使用哈夫曼树实现文件压缩和解压的方法。首先对数据结构课程设计中的代码进行了分析,包括使用时间调用、常量定义和统计文件中各个字符时相关的结构体。然后讨论了哈夫曼树的实现原理和算法。最后介绍了文件压缩和解压的具体步骤,包括字符统计、构建哈夫曼树、生成编码表、编码和解码过程。通过实例演示了文件压缩和解压的效果。本文的内容对于理解哈夫曼树的实现原理和应用具有一定的参考价值。 ... [详细]
  • 在2022年,随着信息化时代的发展,手机市场上出现了越来越多的机型选择。如何挑选一部适合自己的手机成为了许多人的困扰。本文提供了一些配置及性价比较高的手机推荐,并总结了选择手机时需要考虑的因素,如性能、屏幕素质、拍照水平、充电续航、颜值质感等。不同人的需求不同,因此在预算范围内找到适合自己的手机才是最重要的。通过本文的指南和技巧,希望能够帮助读者节省选购手机的时间。 ... [详细]
  • 从高级程序员到CTO的4次能力跃迁!如何选择适合的技术负责人?
    本文讲解了从高级程序员到CTO的4次能力跃迁,以及如何选择适合的技术负责人。在初创期、发展期、成熟期的每个阶段,创业公司需要不同级别的技术负责人来实现复杂功能、解决技术难题、提高交付效率和质量。高级程序员的职责是实现复杂功能、编写核心代码、处理线上bug、解决技术难题。而技术经理则需要提高交付效率和质量。 ... [详细]
  • Learning to Paint with Model-based Deep Reinforcement Learning
    本文介绍了一种基于模型的深度强化学习方法,通过结合神经渲染器,教机器像人类画家一样进行绘画。该方法能够生成笔画的坐标点、半径、透明度、颜色值等,以生成类似于给定目标图像的绘画。文章还讨论了该方法面临的挑战,包括绘制纹理丰富的图像等。通过对比实验的结果,作者证明了基于模型的深度强化学习方法相对于基于模型的DDPG和模型无关的DDPG方法的优势。该研究对于深度强化学习在绘画领域的应用具有重要意义。 ... [详细]
  • 背景应用安全领域,各类攻击长久以来都危害着互联网上的应用,在web应用安全风险中,各类注入、跨站等攻击仍然占据着较前的位置。WAF(Web应用防火墙)正是为防御和阻断这类攻击而存在 ... [详细]
  • macOS Big Sur全新设计大版本更新,10+个值得关注的新功能
    本文介绍了Apple发布的新一代操作系统macOS Big Sur,该系统采用全新的界面设计,包括图标、应用界面、程序坞和菜单栏等方面的变化。新系统还增加了通知中心、桌面小组件、强化的Safari浏览器以及隐私保护等多项功能。文章指出,macOS Big Sur的设计与iPadOS越来越接近,结合了去年iPadOS对鼠标的完善等功能。 ... [详细]
  • 2016 linux发行版排行_灵越7590 安装 linux (manjarognome)
    RT之前做了一次灵越7590黑苹果炒作业的文章,希望能够分享给更多不想折腾的人。kawauso:教你如何给灵越7590黑苹果抄作业​zhuanlan.z ... [详细]
  • 北京景点排行榜 北京最好玩的旅游景点
    2019北京最好玩的旅游景点有哪些?下文为大家整理了2019北京景点排行榜,希望可以帮到您哦!  2019北京景点排行榜:  1、故宫  帝都必打卡的地点之一。  北京故宫是中国明 ... [详细]
  • 本文介绍了互联网思维中的三个段子,涵盖了餐饮行业、淘品牌和创业企业的案例。通过这些案例,探讨了互联网思维的九大分类和十九条法则。其中包括雕爷牛腩餐厅的成功经验,三只松鼠淘品牌的包装策略以及一家创业企业的销售额增长情况。这些案例展示了互联网思维在不同领域的应用和成功之道。 ... [详细]
author-avatar
putongren1980
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有