Chapter 8 Feedback

Chapter 8 Feedback

这一章我们介绍feedback 反馈运放的原理. 负反馈是模拟电路强有力的工具.

8.1 General Considerations

反馈系统如下图所示

Aol=amp open-loop gain即开环增益. Aol=xo/xi

β \beta β 是 feedback factor, 注意方向.
β = x f x o \beta=\frac{x_{f}}{x_{o}} β=xoxf
Closed-loop gain, Acl
A C L = x o x s = A O L 1 + A O L β A_{CL}=\frac{x_{o}}{x_{s}}=\frac{A_{OL}}{1+A_{OL}\beta} ACL=xsxo=1+AOLβAOL
Loop gain = T= A O L β A_{OL}\beta AOLβ , 用来判断环路稳定性

8.1.1 Properties of Feedback Circuits

负反馈有几大好处: 降低gain的工艺偏差, 减少非线性失真, 增加op-amp的bandwidth, 控制输入和输出阻抗.

Gain Desensitivity

将上公式取导
d A C L A C L = 1 1 + A O L β d A O L A O L \frac{dA_{CL}}{A_{CL}}=\frac{1}{1+A_{OL}\beta}\frac{dA_{OL}}{A_{OL}} ACLdACL=1+AOLβ1AOLdAOL
因为Loop gain T很大, 相比开环增益AOL, 闭环增益 Acl 的变化很小.

我们以CS结构为例

输入输出传函为

gm1*ro1 >> 1, 因此

这样增益就和C1/C2有关, 不取决于gm1*ro1, 变化很小.

Terminal Impedance Modification 控制输入输出阻抗

如下图所示, Ri和Ro是开环输入/输出阻抗, Rinf和Rof是闭环输入/输出阻抗.

负反馈可以增加或者降低闭环输入/输出阻抗 (1 + AOL*beta)倍.

闭环输入/输出阻抗取决于输入/输出类型是电压还是电流. 如下图所示.

输入类型是电压 (串联), 闭环输入阻抗增大 (1 + AOL* beta)倍. 输入类型是电流(并联), 闭环输入阻抗减小 (1 + AOL* beta)倍.

输出类型是电压(并联), 闭环输出阻抗减小 (1+AOL* beta)倍. 输出类型是电流(串联), 闭环输出阻抗增大(1+AOL* beta)倍.

我们以下图CG为例

开环输入阻抗为

输入类型是电流(并联), 输出类型是电压(并联)

因此闭环输入阻抗减小(1+Aol*beta)倍, 闭环输出阻抗减小(1+Aol *beta)倍

输入阻抗

输出阻抗

Bandwidth Modification

我们以单负反馈的单极点系统为例

开环系统传输函数为

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

闭环系统传输函数为

open-loop 传输函数的pole为WH. 经过负反馈后, closed-loop传输函数 的pole为WH=(1+Aol*beta). pole扩展了(1+Loop Gain)倍.

当beta=1, pole最大, 为GBW, 当beta=0, 回到open-loop 场景.

Nonlinearity Reduction

负反馈可以改善op-amp的非线性行为, 如下图所示:

8.1.2 Types of Amplifiers

运放按照输入输出的电压/电流可分为4类

采样电压需要高阻抗, 采样电流需要低阻抗. 生成电压需要低阻抗, 生成电流需要高阻抗. 如下图所示

实际电路参考:

8.1.3 Sense and Return Mechanisms

根据采样和反馈电流/电压类型, 我们可以把反馈分为4种

电压-电压, 电压-电流, 电流-电流, 电流-电压. 第一项为输出采样类型, 第二项为返回输入的类型

输入是电压为series串联(voltage mixing), 输入是电流为shunt并联(voltage mixing).

输出是电压为shunt并联(voltage sampling), 输出是电流为series串联(current sampling).

下图展示了采样和反馈类型

a) 采用resistor (or capacitor) divider 采样电压.

b),c)通过一个电阻采样电流.

d) 是采样差分对进行电压相减

e) 和 f) 采用单管实现电压相减

g) 和 h) 实现电流相减

对于电压相减, 输入信号的和反馈信号是两个不同的点, 而对于电流相减, 是一个点, 这有助于识别反馈类型.

反馈网络实际会影响开环loading, 我们将在8.5小结讨论

8.2 Feedback Topologies

8.2.1 Voltage-Voltage Feedback

Voltage-Voltage, Series-Shunt, 采样输出电压, 反馈叠加到输入电压, 反馈系统如下图所示

注意第一个电压是输出采样类型, 第二个电压是输入反馈类型. 名称先输出, 再输入

输出阻抗减小为1/(1+beta*A0) 倍

输入阻抗增加1+beta*A0倍

总结: Voltage-Voltage 负反馈, 增加了输入阻抗, 降低了输出阻抗, 可做链接高阻source和低阻load非常好的buffer.

8.2.2 Current-Voltage Feedback

电流-电压反馈, series-series, 采样输出的电流 反馈到输入的电压.

注意第一个电流是输出采样类型, 第二个电压是输入反馈类型. 名称先输出, 再输入

输出阻抗增加1+beta*A0倍

输入阻抗增加1+beta*A0倍

ZL看进去的输出阻抗, 变大为

8.2.3 Voltage-Current Feedback

电压-电流反馈, shunt-shunt, 采样输出的Voltage, 在输入端加入反馈电流

注意第一个电压是输出采样类型, 第二个电流是输入反馈类型. 名称先输出, 再输入

输入阻抗减小1+beta*A0倍

输出阻抗减小1+beta*A0倍
A C L = A O L 1 + A O L ⋅ β A_{CL}=\frac{A_{OL}}{1+A_{OL}\cdot \beta} ACL=1+AOLβAOL

R i n f = R i ( 1 + A O L ⋅ β ) R_{inf}=\frac{R_{i}}{(1+A_{OL}\cdot \beta)} Rinf=(1+AOLβ)Ri

R o f = R o ( 1 + A O L ⋅ β ) R_{of}=\frac{R_{o}}{(1+A_{OL}\cdot \beta)} Rof=(1+AOLβ)Ro

输出阻抗

输入阻抗

低输入阻抗可应用于光通信做receivers,通过加入负反馈, 输入阻抗从R1减小为 R1/(1 + A). 输出电压−R1*ID1.

bandwidth从1/(2π R1CD1) 增加为 (1 + A)/(2π R1CD1)

8.2.4 Current-Current Feedback

电流-电流, Shunt-Series, 负反馈如下图所示, 采样输出的电流, 在输入端加入反馈电流,

注意第一个电流是输出采样类型, 第二个电流是输入反馈类型. 名称先输出, 再输入

输出阻抗减小1+beta*A0倍

输入阻抗增大1+beta*A0倍

8.3 Effect of Feedback on Noise

反馈电路并不提升电路的噪声性能. 如果忽略反馈网络引入的噪声, input-referred噪声不变.

8.4 Feedback Analysis Difficulties

分析负反馈电路包括几个步骤

a) break loop, 找到开环增益和输入输出阻抗

b) 决定环路增益 loop gain, 和闭环参数 (取决于开环参数)

c) 通过环路增益 loop gain来判断稳定性.

断环点选取很有讲究, 一般选取高阻节点, 防止断环影响环路增益的计算.

但在实际电路分析中, 断环分析不是那么容易, 有时候很难看出负反馈电路. 例如degenerated CS结构. 或者部分电路既作为反馈, 又作为loading, 或者一个环路有多重反馈. 下图展示了负反馈分析中的难点

我们可以用下面三种方法来解决

8.5 Effect of Loading

8.6 Bode’s Analysis of Feedback Circuits

8.7 Middlebrook’s Method

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.mzph.cn/bicheng/38703.shtml

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email:809451989@qq.com,一经查实,立即删除!

相关文章

一、课程介绍,基础—环境安装、判断、循环语句等(爬虫及数据可视化)

一、课程介绍,基础—环境安装、判断、循环语句等(爬虫及数据可视化) 1. 课程介绍1.1 相关内容1.2 学习目标1.3 学习内容安排 2. python2.1 环境配置2.2 标识符和关键字2.3 运算符2.4 判断语句2.5 循环语句 1. 课程介绍 1.1 相关内容 10天的…

【pytorch11】高阶操作

高阶操作 WhereGather where 三个参数,第一个是condition,第二个参数是源头A,第三个参数是源头B,也就是说有两项数据A和B,C有可能来自于A也有可能来自于B,如果全部来自于A的话直接赋值给A,如果…

算法金 | Transformer,一个神奇的算法模型!!

大侠幸会,在下全网同名「算法金」 0 基础转 AI 上岸,多个算法赛 Top 「日更万日,让更多人享受智能乐趣」 抱个拳,送个礼 在现代自然语言处理(NLP)领域,Transformer 模型的出现带来了革命性的变…

无线物联网练习题

文章目录 选择填空简答大题 选择 不属于物联网感知技术的是(A) A:ZigBee B:红外传感器 C:FRID D:传感器 ZigBee是一种无线通信技术,虽然它常用于物联网中作为设备之间的通信手段,但它本身并不是一种感知技术 关于物联网于与互联网的区别的描述&#xff…

【机器学习】基于Transformer的迁移学习:理论与实践

引言 在机器学习领域,迁移学习已成为提升模型训练效率和性能的重要策略,特别是在标注数据稀缺的场景下。Transformer模型自2017年由Google提出以来,在自然语言处理(NLP)领域取得了突破性进展,并逐渐扩展到…

Zuul介绍

Zuul 是 Netflix 开源的一个云平台网络层代理,它主要用于路由、负载均衡、中间件通信和动态路由。Zuul 本质上是一个基于 JVM 的网关,它提供了以下功能: 1.路由:Zuul 允许客户端和服务器之间的所有入站和出站请求通过一个中心化的…

小红书怎么保存无水印图?

使用小红书APP长按保存的图片代有水印,很多人想知道保存小红书无水印图片的方法。本文教你如何保存到无水印的小红书图片,但是请注意不要侵犯作者图片的版权。 小红书怎么保存无水印图? 1、手机上打开小红书APP; 2、打开后&#…

昇思25天学习打卡营第13天|BERT

一、简介: BERT全称是来自变换器的双向编码器表征量(Bidirectional Encoder Representations from Transformers),它是Google于2018年末开发并发布的一种新型语言模型。与BERT模型相似的预训练语言模型例如问答、命名实体识别、自…

2.3章节Python中的数值类型

1.整型数值 2.浮点型数值 3.复数   Python中的数值类型清晰且丰富,主要分为以下几种类型,每种类型都有其特定的用途和特性。 一、整型数值 1.定义:整数类型用于表示整数值,如1、-5、100等。 2.特点: Python 3中的…

卡尔曼滤波公式推导笔记

视频见B站上DR_CAN的卡尔曼滤波器 【卡尔曼滤波器】3_卡尔曼增益超详细数学推导 ~全网最完整_哔哩哔哩_bilibili

动手学深度学习5.6 GPU-笔记练习(PyTorch)

以下内容为结合李沐老师的课程和教材补充的学习笔记,以及对课后练习的一些思考,自留回顾,也供同学之人交流参考。 本节课程地址:17 使用和购买 GPU【动手学深度学习v2】_哔哩哔哩_bilibili 本节教材地址:5.6. GPU —…

数据库定义语言(DDL)

数据库定义语言(DDL) 一、数据库操作 1、 查询所有的数据库 SHOW DATABASES;效果截图: 2、使用指定的数据库 use 2403 2403javaee;效果截图: 3、创建数据库 CREATE DATABASE 2404javaee;效果截图: 4、删除数据…

面向阿克曼移动机器人(自行车模型)的LQR(最优二次型调节器)路径跟踪方法

线性二次调节器(Linear Quadratic Regulator,LQR)是针对线性系统的最优控制方法。LQR 方法标准的求解体系是在考虑到损耗尽可能小的情况下, 以尽量小的代价平衡其他状态分量。一般情况下,线性系统在LQR 控制方法中用状态空间方程描…

Android super.img结构及解包和重新组包

Android super.img结构及解包和重新组包 从Android10版本开始,Android系统使用动态分区,system、vendor、 odm等都包含在super.img里面,编译后的最终镜像不再有这些单独的 image,取而代之的是一个总的 super.img. 1. 基础知识 …

鸿蒙:页面动画-属性动画、显示动画

1.属性动画是通过设置组件的animation属性来给组件添加动画,当组件的width、height、backgroundColor、scale等属性变更时可以实现过渡渐变效果。 2.显示动画是通过全局animateTo函数来修改组件的属性,实现属性变化时的渐变过渡效果。 核心属性

【你也能从零基础学会网站开发】关系型数据库中的表(Table)设计结构以及核心组成部分

🚀 个人主页 极客小俊 ✍🏻 作者简介:程序猿、设计师、技术分享 🐋 希望大家多多支持, 我们一起学习和进步! 🏅 欢迎评论 ❤️点赞💬评论 📂收藏 📂加关注 关系型数据库中…

【Git 学习笔记】Ch1.1 Git 简介 + Ch1.2 Git 对象

还是绪个言吧 今天整理 GitHub 仓库,无意间翻到了几年前自学 Git 的笔记。要论知识的稳定性,Git 应该能挤进前三——只要仓库还在,理论上当时的所有开发细节都可以追溯出来。正好过段时间会用到 Git,现在整理出来就当温故知新了。…

DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior

深圳先进研究院&上海ai lab&港中文https://github.com/XPixelGroup/DiffBIRhttps://arxiv.org/pdf/2308.15070 问题引入 使用一个统一的框架来处理image restoration任务,包含图片超分BSR,图片去噪BID和人脸restoration BFR,分为两…

【从零开始学架构 架构基础】五 架构设计的复杂度来源:低成本、安全、规模

架构设计的复杂度来源其实就是架构设计要解决的问题,主要有如下几个:高性能、高可用、可扩展、低成本、安全、规模。复杂度的关键,就是新旧技术之间不是完全的替代关系,有交叉,有各自的特点,所以才需要具体…

微信AI机器人智能助手:利用大模型定制训练知识库

随着人工智能技术的迅速发展,AI已经渗透到了我们生活得方方面面。AI文本撰写、AI绘画、AI生成视频、AI换脸等各类应用层出不穷。作为领先的创新人工智能和元宇宙厂商,道可云凭借自身在人工智能、元宇宙、虚拟数字人等领域的技术积累,将AI技术…