杨兴 | VCC(电源)和 GND(地)之间电容的作用

作用: 电源输入/输出滤波电容,主要用于稳定输出,对稳压有利 。

电容的主要作用

稳压

电源与地之间接电容的原因有两个作用,储能和旁路储能:电路的耗电有时候大,有时候小,当耗电突然增大的时候如果没有电容,电源电压会被拉低,产生噪声,振铃,严重会导致 CPU 重启,这时候大容量的电容可以暂时把储存的电能释放出来,稳定电源电压,就像河流和水库的关系旁路:电路电流很多时候有脉动,例如数字电路的同步频率,会造成电源电压的脉动,这是一种交流噪声,小容量的无极电容可以把这种噪声旁路到地(电容可以通交流,阻直流,小容量电容通频带比大电容高得多),也是为了提高稳定性。

电源滤波

电容的容量 = 介电常数面积 / 距离 =εS/d,通常 ε、d 不易改动,只能改动 S 来改变电容量。当电容很大时,S 必然大,为了减小体积,不得不用卷叠的方式,但卷叠必然增加电感量(尽管对称双绕)。电容实际是 R、L、C的组合,如此,大电容相对电感量 L 也大。例如:用 2200uF 电容波时,对于低频 50Hz是很好的,但是对于高频(K、MHz)来说,一点用也没有,因为L太大。所以高手很讲究电源的滤波,会采用大、中、小三种电容,分别针对低、中、高频来滤波。

实际应用

01

在直流电源(Vcc)和地之间并接电容的电容可称为滤波电容,滤波电容滤除电源的杂波和交流成分,压平滑脉动直流电,储存电能,取值一般 100-4700uF。取值与负载电流和对电源的纯净度有关,容量越大越好。有时在大电容旁边会并有一个容量较小的电容,叫高频去耦电容,也是滤波的一种形式,用来滤除电源中的高频杂波,以免电路态产生自激,稳定电路工作状,取值一般 0.1-10uF,取值与滤除杂波的频率有关。

  • 这样接的作用一般叫 “退耦”,也叫 “退交连”、“旁路” 电容,常按排在电源供给、IC 和功能模块电路附近。以无感的瓷片、独石电容为佳。

  • 作用是为高频信号提供通路,减小电源内阻,去除电源和地线在敷铜板上 “走长线” 的影响,防止公用电源的各部分电路之间的 “有害交连” 等等。常用 10nF。

02

在开发板上,通常直流电源和地之间有很多 0.1uF非电解电容和 10uF的电解电容。

这些电容,目的是使电源线和地线之间为低阻抗,电源接近理想电压源。你要说是滤波作用也可以,但需要弄清楚是滤什么波。不是滤电源的纹波,而是某芯片电流发生变化在电源线上造成的纹波,使其不影响其它芯片。唯样商城自建高效智能仓储,拥有自营库存超100,000种,提供一站式正品现货采购、个性化解决方案、选型替代等多元 化服务。

使用 0.1uF 无极性电容和 10uF 电解电容并联,是因为电解电容的寄生电感比较大,消除高频纹波能力较差。而无极性电容寄生电感小,滤除高频纹波能力较好。但若根据低频的要求选择容量,则无极性电容体积太大,成本也高,电解电容体积小,同样容量价格较便宜。故采用两种电容并联。

你自己设计电路,也应该这样使用,而且各电容位置和走线很有讲究。

只能说两句原则:

01

各小容量的无极性电容两端到芯片的电源引脚和地引脚联接线尽可能短,越短越好。

02

电源通常由其它电路板引入,电解电容通常每块电路板上只有一个两个。一个电解电容的话,放到电源进入该电路板之处。此时电解电容当然离各芯片较远,但因电解电容主要在较低频率起作用,所以稍远一点没有关系。如果该电路板上用两支电解电容,另一支放到耗电最多的芯片附近。

这些和电路板元件布局、地线的走线安排 (多层板通常有地层) 都有关系。

10MHz 以下的噪声 0.1μF 电容效果好。 按 C=1/F,即 10MHz 取 0.1μF。

简单的说是,将干扰通过电容接地。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是基于深度学习的RGBD图像语义分割算法研究的国内外研究现状时间线: - 2014年,Long等人提出了一种基于深度学习的卷积神经网络(CNN)结构,用于RGBD图像语义分割。该结构被称为FCN(Fully Convolutional Network),可以将卷积神经网络应用于像素级别的标注任务。 - 2015年,Gupta等人提出了一种基于多尺度深度卷积神经网络的RGBD图像语义分割方法。该方法在FCN的基础上进行了改进,包括添加了深度信息,引入了多尺度处理和跳跃连接等。 - 2016年,Silberman等人提出了一种基于空间图的RGBD语义分割方法。该方法使用了一种新的空间图模型来处理RGBD数据的稠密性,并且使用了卷积神经网络来对其进行分析和预测。 - 2017年,Qi等人提出了一种基于三维卷积神经网络的RGBD语义分割方法。该方法将三维卷积神经网络应用于RGBD数据,以利用其三维结构信息。 - 2018年,Wang等人提出了一种基于深度学习的RGBD图像语义分割方法,使用了一种新的深度学习框架——深度融合网络。该网络可以将RGB和深度信息融合在一起,以提高语义分割的准确度。 - 2019年,Fu等人提出了一种基于深度学习的RGBD图像语义分割方法,使用了一种新的卷积神经网络结构——深度3D卷积神经网络。该网络可以同时处理RGB和深度数据,并且可以对空间信息进行建模。 - 2020年,Zhu等人提出了一种基于深度学习的RGBD图像语义分割方法,使用了一种新的深度学习框架——深度变分自编码器。该框架可以将RGB和深度信息结合起来,以便更好地处理RGBD图像中的语义信息。 在国内,基于深度学习的RGBD图像语义分割算法也得到了广泛的研究。例如: - 2016年,李鸣等人提出了一种基于多尺度深度卷积神经网络的RGBD图像语义分割方法。 - 2017年,李瑞琪等人提出了一种基于深度学习的RGBD图像语义分割方法,使用了一种新的深度学习框架——深度监督网络。 - 2018年,杨兴等人提出了一种基于深度学习的RGBD图像语义分割方法,使用了一种新的网络结构——空洞空间金字塔卷积神经网络。 - 2019年,李宇彬等人提出了一种基于深度学习的RGBD图像语义分割方法,使用了一种新的网络结构——多源融合注意力机制网络。 总体而言,随着深度学习技术的快速发展,基于深度学习的RGBD图像语义分割算法也在不断地得到改进和优化,为实现更准确、更高效的RGBD图像语义分割任务打下了坚实的基础。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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