功率放大器PA学习

导通角：在一个周期内，由电力电子器件(如晶闸管)控制其导通的角度。交流电一般为正弦波，正半周占180°，负半周占180°
。当交流电通过可控硅时，可以让交流电电流通过控制使其在0－180度的任一角度处开始导通，即所谓可控整流，当正半周加到可控硅的阳极，在180度的某一角度时，在可控硅的控制极加一触发脉冲，例如在30度加一脉冲，可控硅只能通过余下的150度的电流。这种使可控硅导电的起始角度例如上述的30°称为控制角，用α表示。晶闸管在一个电源周期中处于通态的电角度称为导通角，用θ表示，例如上述的150°，所以θ=π-α。
综上，输入电压从0开始直到晶闸管触发脉冲到来的瞬间的电角度，称作控制角α；每半个周期晶闸管导通时间的电角度，称作导通角θ。

按导通角分类

功率放大器按照其电流导通角θ的不同，可分为A(甲)类、B(乙)类、AB(甲乙)类、C(丙)类。
A类功率放大器电流的导通角θ=180°，即在正弦信号一周期内，放大器电路的功率管处于全导通工作状态，属于线性功率放大器，适合放大AM、SSB等非恒定包络的己调波。
适用于小信号的低功率放大。
B类功率放大器电流的导通角θ=90°，适用于大功率工作状态。
AB类功率放大器介于A 类与B类之间，其导通角90°<θ<180°。
C类功率放大器的电流导通角θ<90°，适用于大功率工作状态。
C类的输出功率和效率最高，在导通角θ=70°时，效率能达到90%；其缺点为电流波形失真严重，需LC回路进行选频。
D(丁)类和E(戊)类放大器效率很高，其工作在开关状态。
D类放大器的效率理论上可达100%，其缺点为最高工作频率受限于开关转换瞬间产生的器件功耗。
E类功率放大器具有结构简单，转换效率高，高频性能出色等优点，其理论效率达到100％，实际效率为90%左右，克服了D类功率放大器不能应用于高频的特性。属于开关类功率放大器，其输入信号和输出信号之间不存在线性函数关系，不能直接放大非恒包络信号。

按工作状态分类

分为线性功放和非线性功放。线性功放最高达到50%的效率，典型的是A类功放；非线性功放的理想效率为100%，如开关类功率放大器。

匹配网络学习

L行匹配网络

L型匹配网络的基本形式如下图所示。X1和X2两个元件构成类似“L”的形状。一般情况下，图中X1为电容元件，而X2则为电感元件。

这种匹配网络结构简单，但缺点是只适用于RS>RL的情况，而且当RS和RL给定以后，Qe值也就确定了，因此无法调整。这是L型匹配网络的不足之处。

π型匹配网络

π型匹配网络的结构如图4.6所示。三个元件的位置构成了“π”的形状。一般情况下，串联支路XL为电感元件L,并联支路XC1、XC2为电容元件C。

在工作频率较高时，射频功率管的输出电容C0的影响非常大，需考虑在内。这是Xc1内应包含C0的容抗，计算C1时应相应减去C0的值。

T型匹配网络

T型匹配网络的构造如下图所示，三个电抗元件接成"T"字形结构。

π型和T型匹配网络都可看成L型匹配网络的串接阻和网络，这种L型网络既可以起到阻抗变换作用，又有阻抗补偿特性。

功率放大器和匹配网络学习相关推荐

2020-4-22 深度学习笔记20 - 深度生成模型 5 (有向生成网络--sigmoid信念网络/可微生成器网络/变分自编码器VAE/生产对抗网络GAN/生成矩匹配网络)
第二十章深度生成模型 Deep Generative Models 中文英文 2020-4-17 深度学习笔记20 - 深度生成模型 1 (玻尔兹曼机,受限玻尔兹曼机RBM) 2020-4-18 ...
元学习—关系网络和匹配网络
元学习-关系网络和匹配网络 1 关系网络(Relation Network) 1.1 关系网络的基本函数一个关系网络至少需要包含两个核心的函数,第一个核心的函数是编码函数f,该函数经支持集(Supp ...
小样本学习记录————相似性计算经典网络结构(孪生网络、匹配网络、原型网络、关系网络)
小样本学习记录----四种相似性计算经典网络结构小样本学习记录----四种相似性计算经典网络结构孪生网络(Siamese network) 匹配网络(Matching network) 原型网络( ...
首发：徐亦达团队新论文推荐(ECCV2020)：端到端多人多视角3d动态匹配网络
徐亦达团队在ECCV2020上发表了一篇机器学习论文 End-to-end Dynamic Matching Network for Multi-view Multi-person 3d Pose E ...
SDN软件定义网络学习笔记（4）--数据平面
SDN软件定义网络学习笔记(4)--数据平面 1. 简介 2. SDN数据平面架构 2.1 传统网络交换设备架构 2.2 SDN交换设备架构 2.3 数据平面架构图 3. SDN芯片与交换机 3.1 ...
深度网络学习调研报告
深度网络学习调研报告目录 1.前言...............................................3 1.1课题研究的背景及意义................. ...
FlowNet：使用卷积网络学习光流
FlowNet:使用卷积网络学习光流原文链接文章目录 FlowNet:使用卷积网络学习光流摘要 1. 介绍 2. 相关工作光流卷积网络. 3. 网络架构收缩部分. 扩展部分. 变分细化. ...
目标检测学习笔记2——ResNet残差网络学习、ResNet论文解读
ResNet残差网络学习.ResNet论文解读一.前言为什么会提出ResNet? 什么是网络退化现象? 那网络退化现象是什么造成的呢? ResNet要如何解决退化问题? 二.残差模块三.残差模块 ...
异常检测 | 基于Siamese网络学习距离函数来定位视频中的异常
关于<Learning a distance function with a Siamese network to localize anomalies in videos>论文学习这篇 ...
在线教育社区：怎样搭建网络学习空间
2019独角兽企业重金招聘Python工程师标准>>> 目前,国内在线教育平台的发展环境一片利好,随着国内移动互联网的迅速发展,人们生活水平的提高,教育需求的上升以及技术的更新跌打为 ...

功率放大器和匹配网络学习