运放:反相电压放大器有什么独特作用?

前言

运放可构成 “反相电压放大器”(Inverting Voltage Amplifier),今天我们就来解析一下。

内容及素材均来自于书籍《 Operational Amplifiers & Linear Integrated Circuits: Theory and Application 》,该书官网还提供开源版本,详见参考链接 [1]、[2] 。

我只做了一些要点的梳理,详情请看原文。


Parallel-Parallel 负反馈模型

一切还是从负反馈模型说起,前文已经介绍了Series-Parallel (SP)用于电压放大, Parallel-Series(PS)用于电流放大,而 “反相电压放大器” 的模型是 Parallel-Parallel (PP):

图1 运放负反馈模型

从上图可以看到 PP 是用于电流-电压的放大,所以是一种跨阻(Trans-resistance)。

PP 的框图如下,输入电流分为运放输入电流(Iamp)与反馈电流(Ifeedback),运放增益 A= Vout / Iamp,反馈系数β = Ifeedback / Vout。

图2 PP 负反馈框图

PP 的基础电路如下,运放反相端接输入电流源,反馈支路串电阻Rf(连输出与反相端),同相端接地;输入电流流经 Rf 转化为电压,输出 Vout = −Iin⋅Rf :

图3 PP 负反馈电路

目前为止只展示 PP 负反馈模型 对于 电流 -> 电压 的变换,我们的 “反相电压放大器”(Inverting Voltage Amplifier)在哪?


反相电压放大器

反相电压放大器源于 PP 负反馈模型,其 PP 形式仅支持 电流 -> 电压 的变换,通过添加输入电阻 Ri,可改造为 电压 -> 电压 的放大:

图4 反相电压放大器

反相电压放大器的电路分析如下:

图5 电路分析

电压增益由输入电阻 Ri 与反馈电阻 Rf 的比值决定,公式为 Av = − Rf / Ri ,负号对应 “反相” 特性(输出与输入信号极性相反)。

反相电压放大器有两个特点:

  • 输入电阻可控:Ri 直接决定输入阻抗,输入阻抗不如“同相电压放大器”那么大。
  • 虚地:反相端因误差电压近零,与接地的同相端等电位形成虚地;

那么,这两个特点能起到什么作用?


“输入电阻可控”的作用?

文中举了一个“麦克风前置放大器”的例子,为了适配麦克风的特性,前置放大器的输入阻抗设计为 1kΩ–15kΩ,核心目的是与麦克风的低输出阻抗(50–200Ω)形成桥接连接,而非传统的阻抗匹配(输入阻抗越大越好),整体上这样带来更多优势:

图6 麦克风前置放大器(关注输入阻抗)

反相电压放大器具有 “Ri 直接决定输入阻抗” 的特点,也就是输入电阻可控,图中将其设置为 15kΩ ,可精准匹配信号源阻抗,满足设计要求。


“虚地”的作用?

文中举了反相电压放大器作为“加法器”的例子,反相端的“虚地”成为理想的电流求和节点,各输入通道的电流仅由自身信号与对应输入电阻决定,各通道间几乎无相互影响,保障了各输入通道的负载隔离性:

图7 加法器(关注虚地)

“同相电压放大器”也能作为“加法器”,但由于没有“虚地”特性,各输入信号共享同相端的节点电压,无法隔离负载、易干扰,设计上更为复杂。


引出“差分放大器”

然后文中从反相电压放大器引出了“差分放大器”,只要将同相端“接地”改为输入信号即可(下图左):

图8 差分放大器

电路分析采用 Superposition(叠加定理),左图中:反相端增益为 Rf / Ri,同相端增益为 1 + Rf / Ri,存在增益不匹配;此外,两个输入端阻抗也不一致。

为此,通过添加补偿电路,如右图中的电阻分压,可以使同相端增益匹配至 Rf / Ri 的增益比例(即先缩小再放大);同时,设置 Ri′ + Rf′ = Ri 平衡两端输入阻抗,最终输出为差分信号乘以 Rf / Ri 的电压增益。


总结

反相电压放大器(Inverting Voltage Amplifier),具有 “输入阻抗可控” 与 “虚地” 的特点,因此带来了独特优势,文中举例了麦克风前置放大器、加法器等例子,并最终引出了“差分放大器”。


参考资料

  1. https://www.amazon.com/dp/1796856894
  2. https://open.umn.edu/opentextbooks/textbooks/operational-amplifiers-linear-integrated-circuits-theory-and-application-3e

相关前文

  • 运放:什么是环路增益(Loop Gain)? 又称损耗因子(Sacrifice Factor)
  • 运放 Parallel-Series (并行-串联)反馈,用于构建电流放大器

欢迎关注我的微信公众号“疯狂的运放”,及时收到最新的推文。

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/news/1144474.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

StructBERT部署案例:新闻实战

StructBERT部署案例:新闻实战 1. 中文情感分析的应用价值 在信息爆炸的时代,中文互联网每天产生海量的用户评论、新闻报道和社交媒体内容。如何从这些非结构化文本中快速提取情绪倾向,成为舆情监控、品牌管理、新闻摘要等场景的关键需求。传…

DDoS攻击AI识别:云端GPU实时检测教程(1元体验)

DDoS攻击AI识别:云端GPU实时检测教程(1元体验) 1. 为什么需要AI识别DDoS攻击? 想象一下你经营一家热门游戏公司,突然服务器变得异常缓慢,玩家纷纷掉线投诉。这很可能遭遇了DDoS攻击——黑客用海量垃圾请求…

亲测好用10个AI论文写作软件,专科生轻松搞定毕业论文!

亲测好用10个AI论文写作软件,专科生轻松搞定毕业论文! AI工具的崛起,让论文写作不再难 在当今这个信息爆炸的时代,论文写作对于专科生来说,已经不再是单纯的文字堆砌。而是需要逻辑清晰、内容详实、语言流畅的综合能力…

中文文本情绪识别系统评测:StructBERT轻量版

中文文本情绪识别系统评测:StructBERT轻量版 1. 引言:中文情感分析的技术演进与现实需求 随着社交媒体、电商平台和用户评论系统的普及,中文情感分析已成为自然语言处理(NLP)领域的重要应用方向。从用户对商品的评价…

Nodejs+vue的小区家政服务预约平台的设计与实现_vqfcg

文章目录小区家政服务预约平台的设计与实现--nodejs技术栈--结论源码文档获取/同行可拿货,招校园代理 :文章底部获取博主联系方式!小区家政服务预约平台的设计与实现 该平台基于Node.js和Vue.js技术栈,旨在为小区居民提供便捷的家政服务预约…

YOLOv8实战指南:云端推理API对接教程,省去本地部署麻烦

YOLOv8实战指南:云端推理API对接教程,省去本地部署麻烦 1. 为什么选择云端YOLOv8 API? 对于App开发团队来说,集成物体识别功能通常面临两大难题:一是需要购买昂贵的GPU服务器,二是要花费大量时间部署和维…

Nodejs+vue的校园体育器材租赁管理系统 四个角色vt1fz

文章目录校园体育器材租赁管理系统摘要--nodejs技术栈--结论源码文档获取/同行可拿货,招校园代理 :文章底部获取博主联系方式!校园体育器材租赁管理系统摘要 该系统基于Node.js与Vue.js构建,采用前后端分离架构,服务于校园体育器…

AI智能体与区块链结合:云端开发环境,1小时快速验证

AI智能体与区块链结合:云端开发环境,1小时快速验证 引言:当智能体遇上区块链 区块链开发者经常面临一个难题:想要测试智能体合约审核功能,但搭建完整的测试链环境既耗时又复杂。想象一下,你刚构思了一个能…

AI视觉缺陷检测:云端模型微调教程,攻克反光材质难题

AI视觉缺陷检测:云端模型微调教程,攻克反光材质难题 引言 在汽车零部件生产线上,玻璃反光导致的误检问题一直困扰着质检人员。传统视觉检测系统面对反光材质时,经常把正常反光误判为划痕或裂纹,导致大量误报。这不仅…

StructBERT情感分析系统实战:电商评论分类案例

StructBERT情感分析系统实战:电商评论分类案例 1. 引言:中文情感分析的现实需求与挑战 1.1 电商场景下的文本情绪识别价值 在电商平台日益激烈的竞争环境中,用户评论已成为衡量服务质量、产品口碑和品牌声誉的重要指标。每天产生的海量中文…

第1.2节 《构网型变流器通用技术规范》深度解读与体系关联

第1.2节 《构网型变流器通用技术规范》深度解读与体系关联 1. 引言:一份规范的时代意义 《构网型变流器通用技术规范》(以下简称《规范》)是我国针对新型电力系统核心技术装备发布的首批纲领性技术文件之一。它的制定与出台,标志着构网型变流器技术从学术研究、工程示范迈…

中文情感分析API搭建:StructBERT性能优化

中文情感分析API搭建:StructBERT性能优化 1. 背景与需求:为什么需要轻量化的中文情感分析服务? 在当前自然语言处理(NLP)广泛应用的背景下,中文情感分析已成为智能客服、舆情监控、用户评论挖掘等场景的核…

中文文本情感分析部署教程:基于StructBERT的轻量级解决方案

中文文本情感分析部署教程:基于StructBERT的轻量级解决方案 1. 引言 1.1 中文情感分析的应用价值 在当今信息爆炸的时代,用户生成内容(UGC)如评论、弹幕、社交媒体帖子等海量涌现。如何从这些非结构化文本中快速提取情绪倾向&a…

AI智能体自动化测试:云端镜像3步部署,1块钱起体验

AI智能体自动化测试:云端镜像3步部署,1块钱起体验 引言:为什么需要云端AI智能体测试? 作为一名测试工程师,你是否遇到过这样的困境:本地开发的AI智能体在demo阶段运行良好,但一到真实场景就频…

AI实体侦测模型微调教程:云端GPU+Colab风格笔记本

AI实体侦测模型微调教程:云端GPUColab风格笔记本 1. 引言:为什么需要云端GPU进行模型微调? 作为一名算法工程师,当你需要微调预训练模型来适配特殊业务场景时,最头疼的莫过于公司服务器被大项目占用的情况。传统解决…

StructBERT轻量CPU版性能测试:情感分析速度对比

StructBERT轻量CPU版性能测试:情感分析速度对比 1. 中文情感分析的应用价值与挑战 在当今数字化时代,中文情感分析已成为自然语言处理(NLP)领域的重要应用方向。无论是社交媒体舆情监控、电商用户评论挖掘,还是客服系…

Nodejs+vue超市在线选品购物商城货品信息管理系统_wtk87

文章目录系统概述核心功能模块技术实现亮点应用价值--nodejs技术栈--结论源码文档获取/同行可拿货,招校园代理 :文章底部获取博主联系方式!系统概述 Node.js与Vue.js结合的超市在线选品购物商城系统是一个基于前后端分离架构的现代化管理平台。该系统旨…

StructBERT实战教程:论坛帖子情感倾向分析

StructBERT实战教程:论坛帖子情感倾向分析 1. 学习目标与背景介绍 在社交媒体、电商平台和用户社区中,每天都会产生海量的中文文本内容。如何从这些非结构化数据中快速识别用户情绪,已成为企业舆情监控、产品反馈分析和客户服务优化的重要手…

StructBERT性能对比测试:轻量版与原模型差异分析

StructBERT性能对比测试:轻量版与原模型差异分析 1. 背景与选型动机 在中文自然语言处理任务中,情感分析是企业级应用最广泛的技术之一,涵盖客服质检、舆情监控、用户评论挖掘等场景。随着大模型推理部署需求的增长,如何在资源受…

多智能体协同系统:云端分布式训练,小团队也能做大模型

多智能体协同系统:云端分布式训练,小团队也能做大模型 引言 想象一下,你带领着一个AI实验室的小团队,想要训练一个包含上百个智能体的复杂系统。传统方法需要昂贵的计算集群和专业的分布式计算知识,这对小团队来说简…