HT8691R 内置BOOST升压和防破音功能的11W DIAB类音频功率放大器

1、特点

防削顶失真功能(防破音,Anti-Clipping Function,
ACF)
免滤波器数字调制,直接驱动扬声器
输出功率
9.0W (VBAT=3.7V, PVDD = 7.5V, RL=3Ω
THD+N=10%)
11.0W(VBAT=3.7V, PVDD = 7.5V, RL=2Ω
THD+N=10%
5.5W (VBAT=3.7V, PVDD = 6.5V, RL=4Ω,
THD+N=10%)
3.15W (VBAT=3.7V, PVDD = 7.5V, RL=8Ω
THD+N=1%)
·电源
-升压输入VBAT:2.5V至5.5V
-升压输出PVDD:VBAT至7.5V
BOOST输出电压可调
AB/D类可切换
保护功能:过流/过热/欠压异常保护功能
无铅封装, SOP8L-PP

2、应用

蓝牙音箱                                                        便携式音箱
·2.1声道小音箱                                             ·扩音器
iphone/ipod/ipod docking                              MP4,导航仪
平板电脑,笔记本电脑                                  智能手机

小尺寸LCD电视/监视器                                 便携式游戏机
3、概述

    HT8691R是一款内置BOOST升压模块的D类音频功率放大器。内置的BOOST升压模块可通过外置电阻调节升压值,即使是锂电池供电,在升压至7.5V,2Ω负载条件下则能连续输出11W功率。其支持外部设置调节BOOST输出电压。
   HT8691R的最大特点是防削顶失真(ACF)输出控制功能,可检测并抑制由于输入音乐、语音信号
幅度过大所引起的输出信号削顶失真(破音),也能自适应地防止在BOOST升压电压下降所造成的输出削顶,显著提高音质,创造非常舒适的听音享受,并保护扬声器免受过载损坏。同时芯片具有ACF-Off 模式。
   HT8691R具有AB类和D类的自由切换功能,在受到D类功放EMI干扰困扰时,可随时切换至AB类音频功放模式。
   HT8691R内部集成免滤波器数字调制技术,能够直接驱动扬声器,并最大程度减小脉冲输出信号的失真和噪音。输出无需滤波网络,极少的外部元器件节省了系统空间和成本,是便携式应用的理想选择。
   此外,HT8691R内置的关断功能使待机电流最小化,还集成了输出端过流保护、片内过温保护和电源欠压异常保护等功能。

4、典型应用图

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 别1 1: immature 别2 2: mid-ripe 别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值