關于模擬噪聲分析的11個誤區

目錄

1. 降低電路中的電阻值總是能改善噪聲性能

2. 所有噪聲源的噪聲頻譜密度可以相加,帶寬可以在最后計算時加以考慮

3. 手工計算時必須包括每一個噪聲源

4. 應挑選噪聲為ADC 1/10的ADC驅動器

5. 直流耦合電路中必須始終考慮1/f噪聲

6. 因為1/f噪聲隨著頻率降低而提高,所以直流電路具有無限大噪聲

7. 噪聲等效帶寬會使噪聲倍增

8. 電壓噪聲最低的放大器是最佳選擇

9. 在第一級提供大部分增益可實現最佳噪聲性能

10. 給定阻值時,所有類型電阻的噪聲相同

11. 給定足夠長的采集時間,均值法可將噪聲降至無限小


噪聲是模擬電路設計的一個核心問題,它會直接影響能從測量中提取的信息量,以及獲得所需信息的經濟成本。遺憾的是,關于噪聲有許多混淆和誤導信息,可能導致性能不佳、高成本的過度設計或資源使用效率低下。本文闡述關于模擬設計中噪聲分析的11個由來已久的誤區。

1. 降低電路中的電阻值總是能改善噪聲性能

噪聲電壓隨著電阻值提高而增加,二者之間的關系已廣為人 知,可以用約翰遜噪聲等式來描述:erms = √4kTRB,其中erms為均方根電壓噪聲,k為玻爾茲曼常數,T為溫度(單位為K),R為電阻值,B為帶寬。這讓許多工程師得出結論:為了降低噪聲,應當降低電阻值。雖然這常常是正確的,但不應就此認定它是普遍真理,因為在有些例子中,較大的電阻反而能夠改善噪聲性能。舉例來說,在大多數情況下,測量電流的方法是讓 它通過一個電阻,然后測量所得到的電壓。根據歐姆定律V = I ×R,產生的電壓與電阻值成正比,但正如上式所示,電阻的約翰遜噪聲與電阻值的平方根成正比。由于這個關系,電阻值每提高一倍,信噪比可以提高3 dB。在產生的電壓過大或功耗過高之前,此趨勢一直是正確的。

2. 所有噪聲源的噪聲頻譜密度可以相加,帶寬可以在最后計算時加以考慮

將多個噪聲源的噪聲頻譜密度(nV/√Hz)加總(電壓噪聲源按平方和開根號),而不分別計算各噪聲源的rms噪聲,可以節省時間,但這種簡化僅適用于各噪聲源看到的帶寬相同的情況。如果各噪聲源看到的帶寬不同,簡單加總就變成一個可怕的陷阱。圖1顯示了過采樣系統中的情況。從噪聲頻譜密度看,系統總噪聲似乎以增益放大器為主,但一旦考慮帶寬,各級貢獻的rms噪聲其實非常相近。

3. 手工計算時必須包括每一個噪聲源

設計時有人可能忍不住要考慮每一個噪聲源,但設計工程師的時間是寶貴的,這樣做在大型設計中會非常耗時。全面的噪聲計算最好留給仿真軟件去做。不過,設計人員如何簡化設計過程需要的手工噪聲計算呢?答案是忽略低于某一閾值的不重要噪聲源。如果一個噪聲源是主要噪聲源(或任何其他折合到同一點的噪聲源)的1/5 erms值,其對總噪聲的貢獻將小于2%,可以合理地予以忽略。設計人員常會爭論應當把該閾值選在哪里,但無論是1/3、1/5還是1/10 (分別使總噪聲增加5%、2%和0.5%),在設計達到足以進行全面仿真或計算的程度之前,沒必要擔心低于該閾值的較小噪聲源。

4. 應挑選噪聲為ADC 1/10的ADC驅動器

模數轉換器(ADC)數據手冊可能建議利用噪聲為ADC 1/10左右的低噪聲ADC驅動放大器來驅動模擬輸入。但是,這并非總是優質選擇。在一個系統中,從系統角度權衡ADC驅動器噪聲常常是值得的。

首先,如果系統中ADC驅動器之前的噪聲源遠大于ADC驅動器噪聲,那么選擇超低噪聲ADC驅動器不會給系統帶來任何好處。換言之,ADC驅動器應與系統其余部分相稱。

其次,即使在只有一個ADC和一個驅動放大器的簡單情況下,權衡噪聲并確定其對系統的影響仍是有利的。通過具體數值可以更清楚地了解其中的理由。考慮一個系統采用16位ADC,其SNR值相當于100 μV rms噪聲,用作ADC驅動器的放大器具有10μV rms噪聲。按和方根加總這些噪聲源,得到總噪聲為100.5 μVrms,非常接近ADC單獨的噪聲。可以考慮下面兩個讓放大器和ADC更為平衡的方案,以及它們對系統性能的影響。如果用類似的18位ADC代替16位ADC,前者的額定SNR相當于40 μV rms噪聲,則總噪聲變為41 μV rms。或者,如果保留16位ADC,但用更低功耗的放大器代替上述驅動器,該放大器貢獻30 μV rms噪聲,則總噪聲變為104 μV rms。就系統性能而言,以上兩種方案之一可能是比原始組合更好的選擇。關鍵是要權衡利弊以及其對系統整體的影響。

5. 直流耦合電路中必須始終考慮1/f噪聲

1/f噪聲對超低頻率電路是一大威脅,因為許多常用噪聲抑制技術,像低通濾波、均值和長時間積分等,對它都無效。然而,許多直流電路的噪聲是以白噪聲源為主,1/f噪聲對總噪聲無貢獻,因而不用計算1/f噪聲。為了弄清這種效應,考慮一個放大器,其1/f噪聲轉折頻率fnc為10 Hz,寬帶噪聲為10 nV/√Hz。對于各種帶寬,計算10秒采集時間內包含和不含1/f噪聲兩種情況下的電路噪聲,以確定不考慮1/f噪聲的影響。當帶寬為fnc的100倍時,寬帶噪聲開始占主導地位;當帶寬超過fnc的1000倍時,1/f噪聲微不足道。現代雙極性放大器可以具有比10 Hz低很多的噪聲轉折頻率,零漂移放大器則幾乎完全消除了1/f噪聲。

6. 因為1/f噪聲隨著頻率降低而提高,所以直流電路具有無限大噪聲

雖然直流對電路分析是一個有用的概念,但真實情況是,如果認為直流是工作在0 Hz,那么實際上并不存在這樣的事情。隨著頻率越來越低,趨近0 Hz,周期會越來越長,趨近無限大。這意味著存在一個可以觀測的最低頻率,哪怕電路在理論上是直流響應。該最低頻率取決于采集時長或孔徑時間,也就是觀測器件輸出的時長。如果一名工程師開啟器件并觀測輸出100秒,則其能夠觀測到的最低頻率偽像將是0.01 Hz。這還意味著,此時可以觀測到的最低頻率噪聲也是0.01 Hz。

現在通過一個數值例子來展開說明,考慮一個DC至1 kHz電路,連續監控其輸出。如果在前100秒觀測到電路中一定量的1/f噪聲,從0.01 Hz至1 kHz(5個十倍頻程的頻率),則在30年(約1nHz,12個十倍頻程)中觀測到的噪聲量可計算為√12/5 = 1.55,或者說比前100秒觀測到的噪聲多55%。這種增加幾乎沒有任何意義,即使考慮最差情況——1/f噪聲持續增加到1 nHz(目前尚無測量證據)——也是如此。理論上,如果沒有明確定義孔徑時間,1/f噪聲可以計算到一個等于電路壽命倒數的頻率。實踐中,電路在如此長時間內的偏差以老化效應和長期漂移為主,而不是1/f噪聲。許多工程師為直流電路的噪聲計算設定0.01 Hz或1 mHz之類的最低頻率,以使計算切合實際。

7. 噪聲等效帶寬會使噪聲倍增

噪聲等效帶寬(NEB)對噪聲計算是一個很有用的簡化。由于截止頻率以上的增益不是0,某些超出電路帶寬的噪聲會進入電路中。NEB是計算的理想磚墻濾波器的截止頻率,它會放入與實際電路相同的噪聲量。NEB大于–3 dB帶寬,已針對常用濾波器類型和階數進行計算,例如:對于單極點低通濾波器,它是–3dB帶寬的1.57倍,寫成公式就是NEB1-pole = 1.57 × BW3dB。然而,關于應把該乘法因數放在噪聲公式中的何處,似乎一直存在混淆。請記住,NEB調節的是帶寬,而非噪聲,因此應在根號下面,如下式所示:

0

8. 電壓噪聲最低的放大器是最佳選擇

選擇運算放大器時,電壓噪聲常常是設計人員考慮的噪聲規格。其實電流噪聲同樣不能忽略。除非在有輸入偏置電流補償等特殊情況下,電流噪聲通常是輸入偏置電流的散粒噪聲:in?= √2 ×?q?×?IB。電流噪聲通過源電阻轉換為電壓,因此,如果放大器輸入端前面有一個大電阻,那么電流噪聲對系統噪聲的貢獻可能大于電壓噪聲。電流噪聲會成為問題的典型情況是使用低噪聲運算放大器且其輸入端串聯一個大電阻時。例如,考慮低噪聲運算放大器ADA4898-11,其輸入端串聯一個10 kΩ電阻。ADA4898-1的電壓噪聲為0.9 nV/√Hz,10 kΩ電阻的噪聲為12.8 nV/√Hz,2.4 pA/√Hz電流噪聲乘以10 kΩ電阻等于24nV/√Hz這是系統中的最大噪聲源。在類似這種電流噪聲占主導地位的情況下,常常可以找到電流噪聲較低的器件,從而降低系統噪聲;對精密放大器尤其如此,不過高速FET輸入運算放大器對高速電路也可能有幫助。例如,若不選擇ADA4898-1(從而得不到電壓噪聲低至0.9 nV/√Hz的好處),可以選擇AD8033或ADA4817-1等JFET輸入放大器。

9. 在第一級提供大部分增益可實現最佳噪聲性能

為了實現更好的噪聲性能,常常建議在第一級提供增益,這是對的,因為信號會比隨后各級的噪聲要大。然而,這樣做的缺點是會削弱系統能夠支持的最大信號。某些情況下,與其在第一級提供很大一部分增益(雖然這樣可以提高測量靈敏度,但會限制動態范圍),不如限制第一級提供的增益,并用高分辨率進行數字化處理,使靈敏度和動態范圍都達到較大。

10. 給定阻值時,所有類型電阻的噪聲相同

電阻的約翰遜噪聲非常重要,以至于我們需要一個簡單的公式來計算某一電阻在某一溫度下的噪聲。然而,約翰遜噪聲是電阻中可以觀測到的最小噪聲,而且并非所有類型的電阻都有同等噪聲。還有過量噪聲,它是電阻中1/f噪聲的來源之一,與電阻類型密切相關。過量噪聲(有時候也誤稱為電流噪聲)與電流在非連續介質中流動的方式有關。它被規定為噪聲指數(NI),單位為dB,以每十倍頻程1 μV rms/Vdc為基準。這意味著:如果一個0 dB NI的電阻上有1 Vdc電壓,則給定十倍頻程時的過量噪聲為1 μV rms。碳和厚膜電阻的NI最高,可能高達+10 dB左右,在信號路徑的噪聲敏感部分中最好避免使用。薄膜電阻一般要好得多,約為–20 dB;金屬箔和繞線電阻可以低于–40 dB。

11. 給定足夠長的采集時間,均值法可將噪聲降至無限小

一般認為均值法可將噪聲降低均值數的平方根倍。這在一定條件下是成立的,即NSD必須保持平坦。然而,在1/f范圍內和其他幾種情況下,這種關系不成立。考慮在一個以恒定頻率fs采樣的系統中使用均值法,對n個樣本求均值并進行1/n抽取,返回m個抽取樣本。取n個平均值會將抽取后的有效采樣速率變為fs/n,系統看到的有效最大頻率降低n倍,白噪聲降低√n倍。然而,獲得m個樣本的時間也會延長n倍,因此系統可以看到的最低頻率也會降低n倍(記住,沒有0 Hz這種事)。取的均值數越多,頻段上的這些最大和最小頻率就越往下移。一旦最大和最小頻率均在1/f范圍內,總噪聲便僅取決于這些頻率之比,再提高均值數對降低噪聲沒有進一步的好處。同樣的道理也適用于多斜率等積分ADC的長積分時間。除了數學上的限制以外,還存在其他實際限制。例如,若量化噪聲是主要噪聲源,使得直流輸入電壓下的ADC輸出為一個無閃爍的恒定碼,則任何數量的均值都會返回同一個碼。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/web/76235.shtml
繁體地址,請注明出處:http://hk.pswp.cn/web/76235.shtml
英文地址,請注明出處:http://en.pswp.cn/web/76235.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

vue,uniapp解決h5跨域問題

如果有這樣的跨域問題,解決辦法: ? 第一步:在項目根目錄下創建 vue.config.js 和 package.json 同級目錄。 // vue.config.js module.exports {devServer: {proxy: {/api: {target: https://app.yycjkb.cn, // 你的后端接口地址changeOrig…

SQL通用語法和注釋,SQL語句分類(DDL,DML,DQL,DCL)及案例

目錄 SQL通用語法和注釋 SQL語句分類(DDL,DML,DQL,DCL,TPL,CCL) DDL(數據定義語言) 數據庫操作 查詢(SHOW、SELECT) 創建(CREAT…

Linux:線程概念與控制

??所屬專欄:Linux?? ??作者主頁:嶔某?? Linux:線程概念于控制 var code “d7e241ae-ed4d-475f-aa3d-8d78f873fdca” 概念 在一個程序里的一個執行路線就叫做線程thread。更準確一點:線程是“一個進程內部的控制序列” …

人臉識別聯合行為檢測的辦公管理新模式

基于人臉識別與行為檢測的辦公智能化解決方案 一、背景 在傳統辦公場景中,員工考勤管理、工位使用情況統計、安全監控等環節存在諸多痛點。例如,傳統考勤方式如指紋打卡、刷卡等存在代打卡現象,考勤數據不準確;對于員工是否在工…

ceph weight 和 reweight 的區別

ceph osd df ID CLASS WEIGHT REWEIGHT SIZE RAW USE DATA OMAP META AVAIL %USE VAR PGS STATUS0 nvme 6.98630 0.95508 7.0 TiB 5.0 TiB 4.9 TiB 13 GiB 33 GiB 2.0 TiB 71.10 0.96 83 up1 nvme 6.98630

WInform當今技術特性分析

Windows Forms (WinForms) 技術特性分析 引言 Windows Forms (WinForms) 作為微軟最早推出的基于.NET的圖形用戶界面開發框架,已經存在了20多年。在如今充滿了各種現代UI框架的軟件開發生態系統中,WinForms仍然保持著其獨特的地位。本文將深入分析WinF…

Spark rdd算子解析與實踐

一、RDD基礎回顧 RDD(Resilient Distributed Dataset) 是Spark的核心抽象,代表一個不可變、分區的分布式數據集合。其核心特性包括: 容錯性:通過血緣(Lineage)記錄數據生成過程,支…

sqlite3的API以及命令行

sqlite是目前最流行的嵌入式數據庫。 所謂嵌入式,就是足夠簡單,可以嵌入到我們自己開發的應用程序之中。 在Linux系統中,sqlite的使用只需要使用它的API,連接它的動態連接庫,甚至都不用連接,sqlite的實現…

Allure測試報告按測試終端和測試類型智能分類查看

以下是實現Allure測試報告按測試終端和測試類型智能分類的完整方案: 一、測試框架分層設計 # 項目結構 project/ ├── api_tests/ # API測試 │ └── test_order.py ├── app_tests/ # 移動端測試 │ ├── android/ │ └── ios/ ├── pc_te…

Spine-Leaf 與 傳統三層架構:全面對比與解析

本文將詳細介紹Spine-Leaf架構,深入對比傳統三層架構(Core、Aggre、Access),并探討其與Full-mesh網絡和軟件定義網絡(SDN)的關聯。通過通俗易懂的示例和數據中心網絡分析,我將幫助您理解Spine-L…

圖像預處理-圖像噪點消除

一.基本介紹 噪聲:指圖像中的一些干擾因素,也可以理解為有那么一些點的像素值與周圍的像素值格格不入。常見的噪聲類型包括高斯噪聲和椒鹽噪聲。 濾波器:也可以叫做卷積核 - 低通濾波器是模糊,高通濾波器是銳化 - 低通濾波器就…

安卓手機如何改ip地址教程

對于安卓手機用戶而言,ip修改用在電商、跨境電商、游戲搬磚、社交軟件這些需要開多個賬號的項目。因為多個設備或賬號又不能在同一ip網絡下,所以修改手機的IP地址防檢測成為一個必要的操作。以下是在安卓手機上更改IP地址的多種方法及詳細步驟&#xff0…

對象池模式在uniapp鴻蒙APP中的深度應用

文章目錄 對象池模式在uniapp鴻蒙APP中的深度應用指南一、對象池模式核心概念1.1 什么是對象池模式?1.2 為什么在鴻蒙APP中需要對象池?1.3 性能對比數據 二、uniapp中的對象池完整實現2.1 基礎對象池實現2.1.1 核心代碼結構2.1.2 在Vue組件中的應用 2.2 …

本地部署大模型實現掃描版PDF文件OCR識別!

在使用大模型處理書籍 PDF 時,有時你會遇到掃描版 PDF,也就是說每一頁其實是圖像形式。這時,大模型需要先從圖片中提取文本,而這就需要借助 OCR(光學字符識別)技術。 像 Gemini 2.5 這樣的強大模型&#x…

《Operating System Concepts》閱讀筆記:p700-p732

《Operating System Concepts》學習第 60 天,p700-p732 總結,總計 33 頁。 一、技術總結 1.Virtual machine manager (VMM) The computer function that manages the virtual machine; also called a hypervisor. VMM 也稱為 hypervisor。 2.types …

軟件項目驗收報告模板

軟件項目驗收報告 一、項目基本信息 項目名稱XX智能倉儲管理系統開發單位XX科技有限公司驗收單位XX物流集團合同簽訂日期2023年3月15日項目啟動日期2023年4月1日驗收日期2024年1月20日 二、驗收范圍 入庫管理模塊(包含RFID識別、庫存預警)出庫調度模…

深度學習筆記39_Pytorch文本分類入門

🍨 本文為🔗365天深度學習訓練營 中的學習記錄博客🍖 原作者:K同學啊 | 接輔導、項目定制 一、我的環境 1.語言環境:Python 3.8 2.編譯器:Pycharm 3.深度學習環境: torch1.12.1cu113torchvision…

二分查找-LeetCode

題目 給定一個 n 個元素有序的(升序)整型數組 nums 和一個目標值 target,寫一個函數搜索 nums 中的 target,如果目標值存在返回下標,否則返回 -1。 示例 1: 輸入: nums [-1,0,3,5,9,12], target 9 輸出: 4 解釋: …

從 Ext 到 F2FS,Linux 文件系統與存儲技術全面解析

與 Windows 和 macOS 操作系統不同,Linux 是由愛好者社區開發的大型開源項目。它的代碼始終可供那些想要做出貢獻的人使用,任何人都可以根據個人需求自由調整它,或在其基礎上創建自己的發行版本。這就是為什么 Linux 存在如此多的變體&#x…

leetcode:3210. 找出加密后的字符串(python3解法)

難度:簡單 給你一個字符串 s 和一個整數 k。請你使用以下算法加密字符串: 對于字符串 s 中的每個字符 c,用字符串中 c 后面的第 k 個字符替換 c(以循環方式)。 返回加密后的字符串。 示例 1: 輸入&#xff…