Chapter2 Amplifiers, Source followers Cascodes

Chapter2 Amplifiers, Source followers & Cascodes

MOS单管根据输入输出, 可分为CS放大器, source follower和cascode 三种结构.

Single-transistor amplifiers

这一章学习模拟电路基本单元-单管放大器

单管运放由Common-Source加上DC电流源组成. Av=gm*Rds, gm和rds和Id有关, 增益和电流Id无关, 取决于Vgs-Vt和L. L越大, Vgs-Vt越小, Av增益越大.

为了高增益, Vgs-Vt设计为0.15V-0.2V. 小电流Ids会引入更大的噪声和小的signal-to-noise ratios (SNR)

单管增益, BJT VS MOS. BJT的Av=Ve/(kT/q), 增益至少是MOS的10倍. 可以有效减少级数.

只考虑输出电容CL, 单管运放的Gain, Bandwidth (Gain开始下降点, f-3db) 和GBW (单位带宽) 如下图所示. GBW是一个运放最重要的参数之一.

在BW处, phase下降-45deg. GBW=Gain*BW

在MOS得Input (gate)和输出(Drain)之家加入CF, 即miller Cap, 会改变BW和GBW.

BW=1/(Rs* CF * AV). GBW=BW*Av, 如下图所示. BW和GBW与器件参数无关, 只取决于反馈器件参数.

Miller效应将输入电容CF放大了CF*Av倍.

另外Miller电容会引入右零点fz=gm/(2pi*CF), 在phase上相当于左极点, 即Phase 恶化-180 deg!

对于单管运放, 常在在source端串联Rs. 形成负反馈, loop gain为(1+gm*Rs).

因此等效gm变小为gmR=gm/(1+gm*Rs) ~ 1/Rs. Rout增大为RoutR=rds(1+gmRs). 另外输入电容减小为CinR=Cgs/(1+gmRs).

对于RF等需要极低噪声应用, Rs可换成电感L. 阻抗为L*s, 这样就没有噪声了.

把MOS得Gate和Drain接到一起, 可形成parallel feedback. 我们可用这个diode-connected结构将电流转换为电压信号. 或者电压转化为电流信号.

diode-connected得小信号模型为电阻1/gm.

可用diode-connected得NMOS做负载, Gain=gm1/gm2, 不高, 大概为5 ~ 10. 但好处是只用了NMOS, 无需电阻. 如下图所示

Source Follower

牢记住单管的三种应用: Gate输入, Drain输出做CS放大器, Gate输入, Source输出做source follower. Source输入, Drain输出做common gate,

对于source follower, source和body接到一起, Av=1, Rout=1/gm. 作为Voltage Buffer. 即小信号电压不变, 输出阻抗大大减小.

body直接接GND, Av=1/n, n=0.6~0.8. Av大于1.

对于BJT的source follower, 输入阻抗Rin= rπ+ rB+ (β+1)RE

source follower在高频下考虑Cgs电容, 在fT/(gm*Rs)和fT之间可作为电感.

Rs可用diode-connected MOS替代.

Cascodes

这一小结我们来看单管以source为输入, drain为输出的cascode接法.

cascode电流不变, 但输出阻抗大大增加, 输入阻抗减小, 即电流buffer.

cascode可以显著增加输出阻抗, 输出阻抗Rout= rds1 *(gm2rds2), 因此增加了Av增益

cascode增加了Av gain, BandWidth=1/(2pi * Rout*CL), BW大大减小. cascode和单管放大的GBW一致. GBW= gm1/(2pi *CL)

套筒式telescopic cascode的增益Av, 输出阻抗Rout, BW, GBW如下

cascode两个管类型不同, 称为折叠式folded cascode结构. 消耗两倍电流, 输入电压范围更广.

产生两级增益还可以用cascade, 即串联接法. 添加Miller电容后, cascade的GBW为 gm1/(2pi*Cc)

为了获得更多gain, 可以regulate cascode或者gain boosting. 利用并联-串联负反馈, 进一步提高Rout, ×gm×rds3. 如下图所示

Gain Boosting 如下图所示, 放大器一端接M1的drain, 放大器输出接M2的gate. 这样输出电阻和Av增大为Agb

我们需要保证Avgb的GBW与普通cascode的BW保持一致. 否则会产生pole-zero doublet即零极对. 影响系统settle time.

需要设计 GBW_gain_boost_amp > GBW_system, 这样doublet不会影响整体系统的set time.

最后总结MOS管和BJT管不同形态的输入,输出和增益

对于MOS的CS放大和source follower. 记住从souce看进去的阻抗为1/gm.

对于BJT, 稍微复杂一些

对于Cascode结构

AR=Vout/Iin. 从source看进去的阻抗为1/gm 或者Rb. 从drain看进去的阻抗为gm×ro×RB.

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:http://www.mzph.cn/diannao/68848.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Linux系统上安装与配置 MySQL( CentOS 7 )

目录 1. 下载并安装 MySQL 官方 Yum Repository 2. 启动 MySQL 并查看运行状态 3. 找到 root 用户的初始密码 4. 修改 root 用户密码 5. 设置允许远程登录 6. 在云服务器配置 MySQL 端口 7. 关闭防火墙 8. 解决密码错误的问题 前言 在 Linux 服务器上安装并配置 MySQL …

LeetCode 344: 反转字符串

LeetCode 344: 反转字符串 - C语言题解 这道题的目标是反转一个字符数组&#xff08;字符串&#xff09;。我们将通过双指针法来实现这一功能。 代码实现 #include <stdio.h>void reverseString(char* s, int sSize) {int left 0, right sSize - 1; // 定义左右指针…

网站快速收录:如何设置robots.txt文件?

本文转自&#xff1a;百万收录网 原文链接&#xff1a;https://www.baiwanshoulu.com/34.html 为了网站快速收录而合理设置robots.txt文件&#xff0c;需要遵循一定的规则和最佳实践。robots.txt文件是一个纯文本文件&#xff0c;它告诉搜索引擎爬虫哪些页面可以访问&#xff…

PaddleOCR 截图自动文字识别

春节假期在家无聊&#xff0c;撸了三个小工具&#xff1a;PC截图编辑/PC录屏(用于meeting录屏)/PC截屏文字识别。因为感觉这三个小工具是工作中常常需要用到的&#xff0c;github上也有很多开源的&#xff0c;不过总有点或多或少的小问题&#xff0c;不利于自己的使用。脚本的编…

【Java异步编程】基于任务类型创建不同的线程池

文章目录 一. 按照任务类型对线程池进行分类1. IO密集型任务的线程数2. CPU密集型任务的线程数3. 混合型任务的线程数 二. 线程数越多越好吗三. Redis 单线程的高效性 使用线程池的好处主要有以下三点&#xff1a; 降低资源消耗&#xff1a;线程是稀缺资源&#xff0c;如果无限…

14-9-2C++STL的set容器

&#xff08;一&#xff09;函数对象的基本概念 set容器的元素排序 1.set<int,less<int> >setlntA;//该容器是按升序方式排列元素&#xff0c;set<int>相当于set<int,less<int>> 2.set<int,greater<int> >setlntB;//该容器是按降序…

音视频入门基础:RTP专题(8)——使用Wireshark分析RTP

一、引言 通过Wireshark可以抓取RTP数据包&#xff0c;该软件可以从Wireshark Go Deep 下载。 二、通过Wireshark抓取RTP数据包 首先通过FFmpeg将一个媒体文件转推RTP&#xff0c;生成RTP流&#xff1a; ffmpeg -re -stream_loop -1 -i input.mp4 -vcodec copy -an -f rtp …

tf.Keras (tf-1.15)使用记录3-model.compile方法

model.compile 是 TensorFlow Keras 中用于配置训练模型的方法。在开始训练之前&#xff0c;需要通过这个方法来指定模型的优化器、损失函数和评估指标等。 注意事项: 在开始训练&#xff08;调用 model.fit&#xff09;之前&#xff0c;必须先调用 model.compile()。 1 基本…

解决whisper 本地运行时GPU 利用率不高的问题

我在windows 环境下本地运行whisper 模型&#xff0c;使用的是nivdia RTX4070 显卡&#xff0c;结果发现GPU 的利用率只有2% 。使用 import torch print(torch.cuda.is_available()) 返回TRUE。表示我的cuda 是可用的。 最后在github 的下列网页上找到了问题 极低的 GPU 利…

大模型综合性能考题汇总

- K1.5长思考版本 一、创意写作能力 题目1&#xff1a;老爸笑话 要求&#xff1a;写五个原创的老爸笑话。 考察点&#xff1a;考察模型的幽默感和创意能力&#xff0c;以及对“原创”要求的理解和执行能力。 题目2&#xff1a;创意故事 要求&#xff1a;写一篇关于亚伯拉罕…

在 crag 中用 LangGraph 进行评分知识精炼-下

在上一次给大家展示了基本的 Rag 检索过程&#xff0c;着重描述了增强检索中的知识精炼和补充检索&#xff0c;这些都是 crag 的一部分&#xff0c;这篇内容结合 langgraph 给大家展示通过检索增强生成&#xff08;Retrieval-Augmented Generation, RAG&#xff09;的工作流&am…

(二)QT——按钮小程序

目录 前言 按钮小程序 1、步骤 2、代码示例 3、多个按钮 ①信号与槽的一对一 ②多对一&#xff08;多个信号连接到同一个槽&#xff09; ③一对多&#xff08;一个信号连接到多个槽&#xff09; 结论 前言 按钮小程序 Qt 按钮程序通常包含 三个核心文件&#xff1a; m…

win11本地部署 DeepSeek-R1 大模型!免费开源,媲美OpenAI-o1能力,断网也能用

一、下载ollama 二、安装ollama 三、部署DeepSeek-R1 在cmd窗口中先输入ollama -v查看ollama是否安装成功&#xff0c;然后直接运行部署deepseek-r1的命令 ollama run deepseek-r1&#xff0c;出现下面界面即为安装成功。 C:\Users\admin>ollama -v ollama version is 0.5…

蓝桥杯例题六

奋斗是一种态度&#xff0c;也是一种生活方式。无论我们面对什么样的困难和挑战&#xff0c;只要心怀梦想&#xff0c;坚持不懈地努力&#xff0c;就一定能够迈向成功的道路。每一次失败都是一次宝贵的经验&#xff0c;每一次挫折都是一次锻炼的机会。在困难面前&#xff0c;我…

【工欲善其事】利用 DeepSeek 实现复杂 Git 操作:从原项目剥离出子版本树并同步到新的代码库中

文章目录 利用 DeepSeek 实现复杂 Git 操作1 背景介绍2 需求描述3 思路分析4 实现过程4.1 第一次需求确认4.2 第二次需求确认4.3 第三次需求确认4.4 V3 模型&#xff1a;中间结果的处理4.5 方案验证&#xff0c;首战告捷 5 总结复盘 利用 DeepSeek 实现复杂 Git 操作 1 背景介绍…

B+ 树的实现原理与应用场景

B 树是如何实现的全面分析 在进行数据库和文件系统的设计中&#xff0c;B 树是一种常用的数据结构。它不仅是 B 树的延伸&#xff0c;而且团结了性能优化和实现上的优势。本文将从学术理论和实现程序的角度&#xff0c;分析 B 树是如何实现的&#xff0c;以及它依赖于哪些具体…

TensorFlow 示例摄氏度到华氏度的转换(一)

TensorFlow 实现神经网络模型来进行摄氏度到华氏度的转换&#xff0c;可以将其作为一个回归问题来处理。我们可以通过神经网络来拟合这个简单的转换公式。 1. 数据准备与预处理 2. 构建模型 3. 编译模型 4. 训练模型 5. 评估模型 6. 模型应用与预测 7. 保存与加载模型 …

gitea - fatal: Authentication failed

文章目录 gitea - fatal: Authentication failed概述run_gitea_on_my_pkm.bat 笔记删除windows凭证管理器中对应的url认证凭证启动gitea服务端的命令行正常用 TortoiseGit 提交代码备注END gitea - fatal: Authentication failed 概述 本地的git归档服务端使用gitea. 原来的用…

【深度解析】DeepSeek-R1的五大隐藏提示词

LangChain系列文章目录 01-玩转LangChain&#xff1a;从模型调用到Prompt模板与输出解析的完整指南 02-玩转 LangChain Memory 模块&#xff1a;四种记忆类型详解及应用场景全覆盖 03-全面掌握 LangChain&#xff1a;从核心链条构建到动态任务分配的实战指南 04-玩转 LangChai…

基于RAG的知识库问答系统

基于RAG的知识库问答系统 结合语义检索与大语言模型技术&#xff0c;实现基于私有知识库的智能问答解决方案。采用两阶段处理架构&#xff0c;可快速定位相关文档并生成精准回答。 核心功能 知识向量化引擎 支持多语言文本嵌入&#xff08;all-MiniLM-L6-v2模型&#xff09;自…