终端加负载的无损耗传输线重要参数的推导

简介: 终端加负载的无损耗传输线重要参数的推导

一、对于终端加负载的无损耗传输线(R=G=0)

对于这种传输线,其阻抗决定式为:Z_{0}=\sqrt{\frac{R+jWL}{G+jWC}}=\sqrt{\frac{L}{C}}=\sqrt{\frac{u}{\varepsilon }}*\frac{d}{w},即其阻抗只和微带线的材料及结构有关,R(电阻)和G(电导)的值表示传输线的损耗衰减特性,L(电感)和C(电容)与相速度有关,这种传输线具有几个重要物理参数如下:

1、电压反射系数

一个入射的电磁波在射频系统里面可能会有同时由入射波和反射波的存在,那么入、入射电压波与反射电压波之比就是电压反射系数,同理当然也有电流反射系数了。我直接把公式写出来了,

即:\Gamma _{0}=\frac{Z_{L}-Z_{0}}{Z_{L}+Z_{0}},推导过程如下:

\Gamma _{0}=\frac{V^{-}}{V^{+}}    

V(z)=V^{+}e^{-kz}+V^{-}e^{kz}=V^{+}(e^{-kz}+\Gamma _{0}e^{+kz})

I(z)=\frac{V^{+}}{Z_{0}}(e^{-kz}-\Gamma _{0}e^{+kz})

当z=0时,当z=0时,Z(0)=Z_{L}=Z_{0}\frac{1+\Gamma _{0}}{1-\Gamma _{0}}

可推导出:\Gamma _{0}=\frac{Z_{L}-Z_{0}}{Z_{L}+Z_{0}}

image.png

2、传播常数

复数传播常数满足:\gamma =\alpha +j\beta =\sqrt{(R+jwL)(G+jwC)},R=G=0,故\gamma =jw\sqrt{LC},\beta =w\sqrt{LC}

注意:这里的\alpha是衰减系数由R于G决定,\beta是相位常数由L和C决定。

相速度:V_{p}=\frac{1}{\sqrt{LC}},

推导过程:假设一个电磁波的电压波表达式为:V(t,z)=Acos(wt\pm\beta z ),很明显电压波的大小与时间和空间都有一定关系。V(t+\Delta t,z+\Delta z)与V(t,z)相比的相位变化为w(t+\Delta t)-\beta (z+\Delta x)\rightarrow w\Delta t=\beta \Delta z,即V_{p}=\frac{\Delta z}{\Delta t}=\frac{w}{\beta }\rightarrow \beta =\frac{w}{V_{p}}=\frac{2\pi f}{\lambda /T}=\frac{2\pi f}{\lambda f}=\frac{2\pi }{\lambda }

V_{p}=\frac{w}{\beta }=\frac{w}{w\sqrt{LC}}=\frac{1}{\sqrt{LC}}

3、驻波

驻波比:SWR=\frac{\left | V_{max} \right |}{\left |V_{min} \right |}=\frac{\left |I_{max} \right |}{\left |I_{min} \right |}=\frac{1+\left | \Gamma_{0} \right |}{1-\left |\Gamma _{0} \right |},为了量化不匹配的程度,引入驻波比,也叫驻波系数,传输线上电压最大幅度与电压最小幅度的比值。

功率驻波比:PSWR=V(SWR)^{2}

改天有空再写,有点累了睡觉去了

f4436dc34e78193a53acdb0600bd12f.jpg

33f819498418195aa2814367b3cef58.jpg

相关文章
|
5月前
|
人工智能 运维 并行计算
函数计算产品使用问题之如何设置来人为限制内存的使用
函数计算产品作为一种事件驱动的全托管计算服务,让用户能够专注于业务逻辑的编写,而无需关心底层服务器的管理与运维。你可以有效地利用函数计算产品来支撑各类应用场景,从简单的数据处理到复杂的业务逻辑,实现快速、高效、低成本的云上部署与运维。以下是一些关于使用函数计算产品的合集和要点,帮助你更好地理解和应用这一服务。
函数计算产品使用问题之如何设置来人为限制内存的使用
|
4月前
|
机器学习/深度学习 Java Serverless
函数计算产品使用问题之如何降低函数计算中的并发以解决流控错误
函数计算产品作为一种事件驱动的全托管计算服务,让用户能够专注于业务逻辑的编写,而无需关心底层服务器的管理与运维。你可以有效地利用函数计算产品来支撑各类应用场景,从简单的数据处理到复杂的业务逻辑,实现快速、高效、低成本的云上部署与运维。以下是一些关于使用函数计算产品的合集和要点,帮助你更好地理解和应用这一服务。
|
运维
查看调整cpu频率及模式
查看调整cpu频率及模式
274 2
|
监控 程序员 C++
[虚幻引擎] UE里面监控每帧循环里面 C++ 函数的性能,监控函数效率,函数执行时间。
在使用C++开发UE引擎,有时候需要监控函数的执行的执行效率,这个时候有两种方式可以使用。
193 0
|
数据采集 缓存 算法
m基于多属性决策判决算法的异构网络垂直切换matlab性能仿真,对比网络吞吐量,网络负载,平均切换次数,阻塞率,回报值
m基于多属性决策判决算法的异构网络垂直切换matlab性能仿真,对比网络吞吐量,网络负载,平均切换次数,阻塞率,回报值
210 0
|
算法 异构计算
基于FPGA的控制参数在线实时调整的自适应PI控制器设计,包含testbench测试程序
基于FPGA的控制参数在线实时调整的自适应PI控制器设计,包含testbench测试程序
218 0
|
数据可视化
即插即用 | CEASA模块给你所有,小目标精度提升的同时速度也变快了(二)
即插即用 | CEASA模块给你所有,小目标精度提升的同时速度也变快了(二)
152 0
|
机器学习/深度学习 定位技术 计算机视觉
即插即用 | CEASA模块给你所有,小目标精度提升的同时速度也变快了(一)
即插即用 | CEASA模块给你所有,小目标精度提升的同时速度也变快了(一)
420 0
|
算法
m基于wcdma的软切换性能matlab仿真,对比平均激活集数(MASN)激活集更新率(ASUR)以及呼叫中断概率(OP)三个性能指标
m基于wcdma的软切换性能matlab仿真,对比平均激活集数(MASN)激活集更新率(ASUR)以及呼叫中断概率(OP)三个性能指标
110 0
m基于wcdma的软切换性能matlab仿真,对比平均激活集数(MASN)激活集更新率(ASUR)以及呼叫中断概率(OP)三个性能指标
|
机器学习/深度学习 传感器 算法
【控制】基于粒子群算法的PMSM 驱动器非平稳重复过程速度控制附matlab代码
【控制】基于粒子群算法的PMSM 驱动器非平稳重复过程速度控制附matlab代码