闭环增益(Closed-loop gain, Acl)

闭环增益(Closed-loop gain, Acl)

书上的定义:闭环增益为开环增益除以1+环路增益(开环增益与反馈系数的乘积)。

之前说过,当β*Aol远远大于1的时候(即深度负反馈),分母的1可以被省略,那么Acl就等于1/β。

但是如果β*Aol小于1呢,此时β*Aol就可以忽略了。Acl就得等于Aol了。

那么对于β*Aol,什么时候大,又什么时候小呢?在规格书上怎么查看呢?

定义:将电路的带宽 (fcl) 定义为1/β 和Aol曲线相交的频率。

理解:当频率高于增益带宽积时,运放的开环增益将小于1。这意味着运放不再具有放大的能力。fcl=GBW/(1/β)

对,就是在低频的时候,Acl等于1/β,而在高频的时候,Acl将会等于Aol。

这里我们把,1/β,即反馈系数的倒数也作为曲线(常数,一条直线)画在Aol图上,如红色虚线。

因为Aol*β=Aol/(1/β),当对其取对数的时候,将会得到20logAol-20log(1/β)。所以Aol*β的大小就是图上两个曲线的差值。

所以在低频的时候,Aol*β是远远大于1的,此时增益为1/β。

而随着频率的增加,两者的差值越来越小,即Aol*β越来越小。特别是当两条曲线交叉时,Aol=1/β。此时Aol*β=1。而当频率继续增加的时候,Aol将会小于1/β,20logAol-20log(1/β)<0,即Aol*β<1,那么这个时候,分母的1将会占为主导地位,而Aol*β可以省略,在这样的高频处,Acl将等于Aol。

而这个交叉点,我们就定义为闭环增益带宽。闭环运放的带宽即可使用增益带宽积除以闭环增益,GBW/(1/β)。

来看看公式推导。

这个是开环增益-频率的表达式,我们之前讲过,类似于RC低通滤波,fdom是该增益曲线的主极点。

而第二个公式,就是一般意义上的(直流低频)闭环增益公式。

而我们现在需要计算整个频率区域的闭环增益,所以需要引入频率这个变量,就得到了下面的公式,然后进行整理。可看出:

闭环增益的模为(Aol_dc)/(1 + β∗Aol_dc),因为β∗Aol_dc是远远大于1的,这个模就是1/β。

闭环增益的截止频率或者带宽为fdom∗(1 + β∗Aol_dc),将主极点带入,得到闭环增益的带宽就是GBW/(1/β)了,-3dB的带宽。这个就是交叉点。

所以说当频率小于这个值的时候,那么增益就是1/β;

当频率大于这个值的时候,增益就是Aol(f)了。

另外,发现没有,由于负反馈的引入,这个开环增益的带宽fdom被远远放大(1 + β∗Aol_dc)了,得到闭环增益的带宽。

电路的带宽,跟运放的配置电路无关,不管是正向比例还是反向比例运放配置的电路,其带宽都是依据正相比例运放的增益来计算的。

看看这个两个运放电路,一个是正相比例一个是反相比例运放。从上面的仿真结果已经知道,这两者的带宽是相同的。

这里进行公式推导,可以看出相比于正相比例运放,反相比例运放,多了一个α这个系数。而且这个系数是一个常数。所以带宽依然由β∗Aol决定。当然,最终还是由于β决定的。而β就是正相比例运放的增益的倒数。

  • 2
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
封闭回路的无监督学习结构化表示 封闭回路的无监督学习结构化表示是一种机器学习方法,旨在通过建立闭环反馈以自动地学习数据之间的结构化表示。在无监督学习中,我们通常没有标签的辅助信息,因此要求模型能够从数据中自动发现隐藏的结构和模式。 封闭回路的无监督学习方法的关键思想是通过对模型输出和输入进行比较来进行训练。在这个闭环中,模型的输出被重新注入到模型的输入中,从而形成了一个持续的迭代过程。模型通过调整自身的参数来最小化输入和输出之间的差异,以此来改善所学到的表示。 使用封闭回路进行无监督学习的一个例子是自编码器。自编码器是一种神经网络模型,它的输入和输出都是相同的。模型的目标是通过学习如何将输入编码为一个低维的表示,并且能够从这个低维表示中重构出输入。在训练过程中,自编码器通过最小化输入和重构输出之间的差异来调整自身的参数。 封闭回路的无监督学习方法有许多优点。首先,由于无需标签,这种方法可以适用于大量未标记的数据。其次,学习到的结构化表示可以用于许多任务,如数据压缩、降噪、特征提取等。此外,通过引入封闭回路,模型可以在训练过程中不断自我纠正,从而改善表示的质量。 总之,封闭回路的无监督学习方法通过建立闭环反馈来自动地学习数据之间的结构化表示。该方法可以应用于无标签数据,并且通过迭代过程来不断改善所学到的表示。这种方法在很多任务中都具有广泛的应用前景。
评论 1
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