Chapter 6 Frequency Response of Amplifiers

Chapter 6 Frequency Response of Amplifiers

这一节我们学习单极和差分运放的频率响应.

6.1 General Considerations

我们关心magnitude vs 频率, 因此有低通, 带通, 高通滤波器

6.1.1 Miller Effect

Miller’s Theorem

考虑impedance Z1和Z2, X和Y之间增益为Av.

Z1 = Z/(1-Av). Z2 = Z/(1-Av^-1). Av=Vy/Vx.

原理证明:

利用miller原理, 可以在X端产生Cf*Av的大电容(miller电容)

6.1.2 Association of Poles with Nodes

对于下图级联的运放, 我们可以写出传输函数

传输函数

6.2 Common-Source Stage

考虑下图的CS结构

在X处有Cgd的miller cap=Ccd*(gm Rd), 估算输入端极点为

估算输出端极点为

但这里的估算没有体出零点, 我们采用Direct Analysis

可得传输函数

采用极点分离, 主极点为

对比直接求解(6.35)和我们用miller cap (6.21)得估算, 两者差距不大

当Cgs dominates时, 次极点和估算一样.

6-30公式直接分析展示了有一个右零点. wz=+gm/Cgd. 右零点代表两条通路的极性相反, 因此输出可能为零!

右零点意味着在w=wz时输出Vout=0, 输出shorted to grond. 说明所有电流都通过Cgd走到了沟道, 没有电流流过RD. 通过Cgd的电流为v * admittance. admittance=Cgs*wz.

右零点位置可得
ω z = + g m C G D \omega_{z}=+\frac{g_{m}}{C_{GD}} ωz=+CGDgm

考虑输入阻抗, 采用miller效益简化为, 即Cgs+miller电容

6.3 Source Followers

source follower 作为level shifters或者buffers, 也会影响整体的频率响应. 考虑下图

可推导出传输函数

如果输出电容CL=0, Vout/Vin可简化为

Cgd引入了极点. Cgs电容, 由于source follower的效果Gate short to Source, 因此不引入零点和极点.

考虑输入阻抗

考虑输出阻抗

SF的Zout的输出阻抗大部分表现为从©, 即有电感属性, 即impedance随着频率增加而增加

6.4 Common-Gate Stage

考虑下图common-gate结构

其输入输出传输函数为

没有miller电容效应, CG结构主要应用于:1) 需要小的输入阻抗. 2) 在cascode stage中.

输入阻抗:

6.5 Cascode Stage

考虑cascode结构如下图所示

miller效应的Cgd1在A和X之间, 但是gain很小, X向M2看进去的阻抗为1/gm2.

A处极点:

X处极点:

Y处极点:

一般来说X处的极点为高频极点, 因为阻抗低1/gm.

输出阻抗:

Zx=ro1||(CX s)^−1

6.6 Differential Pair

6.6.1 Differential Pair with Passive Loads

考虑差分结构带电阻, 如下图所示

CM增益为

CMRR为

在高频下, M3 source的CP会降低P点阻抗, 降低CMRR. CMRR分布图如下

如果输出端是MOS,那么高频极点为Vout处的Cgd*Rout

6.6.2 Differential Pair with Active Load

带active current mirror的差分对如下所示, 考虑输出输入函数

主极点在输出Vout处, wp1=1/(Rout*CL)

次极点在E处, 即mirror pole, wp2=1/(gm3*Ce)

另外还有一个左零点. 位置在次极点的两倍频处. 来源于M1-M3-M4为slow path, M1和M2为fast path, 两者极性相同, 因此为左零点. (极性相反为右零点, 例如带miller电容的CS结构)
ω z = 2 g m p C E \omega_{z}=\frac{2g_{mp}}{C_{E}} ωz=CE2gmp
输入输出传函为:

6.7 Gain-Bandwidth Trade-Offs

我们考虑w-3db和unity-gain带宽 wu.

6.7.1 One-Pole Circuits

对于上图的单极点系统

“gain-bandwidth” product=GBW=Gain*dominant pole

对于单极点系统 GBW=wu, 即unity-gain bandwith

注意套筒式cascoding并不能提高GBW, cascode只能提高gain, 相应的f-3db会减少, 维持GBW不变.

6.7.2 Multi-Pole Circuits

通过级联cascading 两级或者三级增益级, 是可以提高GBW的. 如下图所示

输入输出传函为

为了得到f-3db. Vout/VIn=A0^2/sqrt(2)

f-3db减小了

但是GBW增大了64%

所以级联cascading 能增加系统的GBW, 但缺点是功耗加倍, 另外容易造成系统的不稳定.

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:/a/696455.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

C语言 图形化界面方式连接MySQL【C/C++】【图形化界面组件分享】

博客主页:花果山~程序猿-CSDN博客 文章分栏:MySQL之旅_花果山~程序猿的博客-CSDN博客 关注我一起学习,一起进步,一起探索编程的无限可能吧!让我们一起努力,一起成长! 目录 一.配置开发环境 二…

为什么选择海外服务器?

如何选择跨境电商服务器:详细指南 选择合适的服务器是跨境电商企业成功的基础。服务器的性能和稳定性直接影响着网站的访问速度、用户体验和安全性,进而影响着企业的销量和利润。那么,跨境电商企业该如何选择服务器呢? ​​​​​…

【微信小程序】事件传参的两种方式

文章目录 1.什么是事件传参2.data-*方式传参3.mark自定义数据 1.什么是事件传参 事件传参:在触发事件时,将一些数据作为参数传递给事件处理函数的过程,就是事件传参 在微信小程序中,我们经常会在组件上添加一些自定义数据,然后在…

0元白嫖阿里云4G内存云服务器——感谢伟大的CSDN和阿里云

🧸欢迎来到dream_ready的博客,📜相信您对博主首页也很感兴趣o (ˉ▽ˉ;) 学生邮箱白嫖/免费安装JetBrains全家桶(IDEA/pycharm等) —— 保姆级教程-CSDN博客 目录 1、学生认证领取300元优惠券 ​2、购买云服务器 1、学生认证领取…

车载电子电气架构 - 智能座舱基础技术

我是穿拖鞋的汉子,魔都中坚持长期主义的汽车电子工程师。 老规矩,分享一段喜欢的文字,避免自己成为高知识低文化的工程师: 屏蔽力是信息过载时代一个人的特殊竞争力,任何消耗你的人和事,多看一眼都是你的不对。非必要不费力证明自己,无利益不试图说服别人,是精神上的节…

STM32CubeIDE使用过程记录

最近在做一款机器人的开发,使用到了STM32CubeIDE,这里记录一些使用技巧方便后续查阅。 STM32CubeIDE使用过程记录 快捷键开启代码自动补全功能看门狗设置CRC设置IO口取反定时器设置 及 定时器中断外部中断GPIO配置STC15单片机GPIO模式配置片内闪存&#…

【Python教程】3-控制流、循环结构与简单字符串操作

在整理自己的笔记的时候发现了当年学习python时候整理的笔记,稍微整理一下,分享出来,方便记录和查看吧。个人觉得如果想简单了解一名语言或者技术,最简单的方式就是通过菜鸟教程去学习一下。今后会从python开始重新更新&#xff0…

frida hook微信防撤回(PC端)

PC端: 微信的主要功能都是在WeChat\[3.9.10.27]\WeChatWin.dll动态链接库中实现的 直接进IDA分析 都没有符号表 我们需要找一下实现撤回功能的函数,尝试在字符串里搜索revokeMsg 也是有非常多的字符串 我们需要用frida来hook这些字符串来找出撤回实际…

初识volatile

volatile:可见性、不能保证原子性(数据不安全)、禁止指令重排 可见性:多线程修改共享内存的变量的时候,修改后会通知其他线程修改后的值,此时其他线程可以读取到修改后变量的值。 指令重排:源代码的代码顺序与编译后字…

【学习】DCMM认证提升企业竞争优势的表现

DCMM认证是企业提升数据管理能力的重要途径。它不仅可以帮助企业评估自身的数据管理水平,还可以为企业提供改进的方向和目标。在数字化时代,拥有强大的数据管理能力是企业成功的关键。因此,通过DCMM认证,企业可以更好地适应数字化…

ARM交叉编译

目录 一、介绍 1、本地编译 2、交叉编译 二、交叉工具链 1、概念 2、工具 3、获取方法 三、交叉编译运行程序 1、pc机操作(x86_64) ​2、开发板操作(ARM) 一、介绍 1、本地编译 本地编译是在与目标运行环境相同的机器上…

大模型训练的艺术:从预训练到增强学习的四阶段之旅

文章目录 大模型训练的艺术:从预训练到增强学习的四阶段之旅1. 预训练阶段(Pretraining)2. 监督微调阶段(Supervised Finetuning, SFT)3. 奖励模型训练阶段(Reward Modeling)4. 增强学习微调阶段…

FreeRTOS消息队列

消息队列简介 队列是为了任务与任务、 任务与中断之间的通信而准备的, 可以在任务与任务、 任务与中断之间传递消息, 队列中可以存储有限的、 大小固定的数据项目。任务与任务、 任务与中断之间要交流的数据保存在队列中, 叫做队列项目。 队…

【博士每天一篇文献-综述】Modularity in Deep Learning A Survey

阅读时间:2023-12-8 1 介绍 年份:2023 作者:孙浩哲,布朗克斯医疗卫生系统 会议: Science and Information Conference 引用量:4 论文主要探讨了深度学习中的模块化(modularity)概念…

ROS学习记录:C++节点发布自定义地图

前言 ROS栅格地图格式 在了解了ROS地图消息包的数据结构后(链接在上),本文将编写一个节点,发布地图消息包,看看在RViz中显示是什么效果。 一、准备 1、为了简单起见,发布一个两行四列的地图 2、为了便于观测,只对地…

沐风老师3DMAX一键多孔结构建模插件Porous使用方法

​3DMAX一键多孔结构建模插件Porous使用教程 3dMax是大家熟知的3D建模软件之一,其功能非常的强大,在科研绘图领域有着非常广泛的应用,但是由于科研绘图的图形(模型)一般都属于异形结构,手工绘制建模&#x…

Seq2seq、编码器解码器神经网络

目录 一、Seq2seq 简介二、编码器三、解码器四、编码器-解码器的训练 遇到看不明白的地方,欢迎在评论中留言呐,一起讨论,一起进步! 需掌握的前提知识: LSTM、词嵌入 本文参考:【官方双语】编码、解码神经网…

人类记忆优化算法:针对全局优化问题的记忆启发优化器

Human memory optimization algorithm: A memory-inspired optimizer for global optimization problems 24年 Expert Systems With Applications sci一区 原文链接: https://doi.org/10.1016/j.eswa.2023.121597 Zhu D, Wang S, Zhou C, et al. Human memory optimization alg…

【机器学习】GPT-4中的机器学习如何塑造人类与AI的新对话

🚀时空传送门 🔍引言📕GPT-4概述🌹机器学习在GPT-4中的应用🚆文本生成与摘要🎈文献综述与知识图谱构建🚲情感分析与文本分类🚀搜索引擎优化💴智能客服与虚拟助手&#x1…

Web--CSS基础

文章目录 定义方式选择器文本字体背景边框元素展示格式内边距与外边距盒子模型位置浮动flex布局响应式布局 定义方式 行内样式表 直接定义在style属性中&#xff0c;作用于当前标签 <img src "/imges/logo.jpg" alt "" style "width 400"…