传感器电路低噪声信号调理设计与实现

一不小心就来了

2026人浏览 · 2025-09-11 11:39:04

一不小心就来了 · 2025-09-11 11:39:04 发布

简介：在高精度传感器系统中，低噪声信号调理是确保数据准确性的关键环节。文档MS-2066系统讲解了传感器噪声来源及调理技术，涵盖放大、滤波、隔离、线性化和数字化等核心步骤，帮助工程师提升电路设计能力，增强系统抗干扰性和稳定性。

1. 传感器噪声来源分析

传感器作为信号采集的前端设备，其输出信号往往受到多种噪声的干扰。本章从物理机制和环境因素两个层面，深入剖析传感器噪声的主要来源，包括热噪声、散粒噪声、1/f噪声以及外部电磁干扰等。通过理论分析与实验数据对比，帮助读者建立对噪声来源的系统性认知，为后续的信号调理设计提供依据。

1.1 热噪声（Thermal Noise）

热噪声，也称为约翰逊噪声（Johnson Noise），是由导体中自由电子的热运动引起的。其功率谱密度在整个频域上近似均匀分布，属于白噪声。

热噪声电压计算公式：

\overline{V_n^2} = 4kTR\Delta f

$ k $：玻尔兹曼常数（$1.38 \times 10^{-23} \, \text{J/K}$）
$ T $：绝对温度（单位：开尔文 K）
$ R $：电阻值（单位：Ω）
$ \Delta f $：系统带宽（单位：Hz）

示例：计算1kΩ电阻在室温（27℃）下1MHz带宽内的热噪声电压

import math

k = 1.38e-23
T = 27 + 273.15  # 转换为开尔文
R = 1000        # 1kΩ
df = 1e6        # 1MHz

Vn_squared = 4 * k * T * R * df
Vn_rms = math.sqrt(Vn_squared)
print(f"热噪声电压均方根值为：{Vn_rms:.2e} V")

输出结果：

热噪声电压均方根值为：4.06e-06 V

分析说明：

热噪声电压随电阻值、温度和系统带宽增大而增大；
在低噪声设计中应尽量减小前级电路的等效电阻；
降低工作温度可以有效抑制热噪声，但受限于实际应用环境。

1.2 散粒噪声（Shot Noise）

散粒噪声源于载流子在通过势垒或导体时的离散性，例如在半导体器件（如二极管、晶体管）中尤为显著。

散粒噪声电流公式：

\overline{I_n^2} = 2qI\Delta f

$ q $：电子电荷（$1.6 \times 10^{-19} \, \text{C}$）
$ I $：平均电流（单位：A）
$ \Delta f $：系统带宽（单位：Hz）

示例：计算1mA电流下1MHz带宽内的散粒噪声电流

q = 1.6e-19
I = 1e-3       # 1mA
df = 1e6       # 1MHz

In_squared = 2 * q * I * df
In_rms = math.sqrt(In_squared)
print(f"散粒噪声电流均方根值为：{In_rms:.2e} A")

输出结果：

散粒噪声电流均方根值为：5.66e-10 A

分析说明：

散粒噪声与电流成正比，适用于任何具有电流流动的器件；
在高精度低电流测量系统中（如光电探测器）应特别关注；
可通过限制带宽或使用低噪声晶体管进行优化。

1.3 1/f 噪声（闪烁噪声）

1/f 噪声是一种低频噪声，其功率谱密度与频率成反比，主要来源于材料缺陷或界面态变化，常见于MOSFET、双极型晶体管等器件中。

特点：

频率越低，噪声越大；
不同材料和工艺下噪声强度差异较大；
通常在10Hz~1kHz频段显著。

1/f 噪声电压模型：

\overline{V_n^2} = K \cdot \frac{\Delta f}{f}

$ K $：工艺相关常数；
$ f $：频率；
$ \Delta f $：带宽。

应用建议：

对于低频测量系统（如称重、温度检测），应优先选择低闪烁噪声的器件；
使用斩波稳定（Chopper Stabilization）技术可有效抑制1/f噪声；
合理设计系统带宽，避开低频噪声主导区域。

1.4 外部电磁干扰（EMI）

除了传感器内部噪声外，外部电磁干扰（Electromagnetic Interference, EMI）也是信号采集系统中不可忽视的噪声来源。

常见干扰源：

干扰源类型	来源示例	频率范围
工频干扰	电源线、电机	50Hz/60Hz及其谐波
无线通信	蓝牙、Wi-Fi、蜂窝信号	MHz~GHz
开关电源	DC-DC转换器	几十kHz~几MHz
静电放电	ESD事件	瞬态高频脉冲

抑制策略：

使用屏蔽电缆和金属外壳；
设计合理的接地系统；
引入差分信号传输结构；
在前端加入低通滤波器或陷波滤波器消除特定频率干扰。

通过上述分析，我们可以看到传感器噪声来源多样且具有复杂性。在实际应用中，必须综合考虑物理机制与环境因素，才能有效识别并抑制噪声，为后续信号调理设计奠定基础。

2. 信号调理的目的与基本流程

信号调理作为连接传感器与后续测量或控制系统的桥梁，承担着将原始信号进行预处理以满足系统需求的关键作用。传感器输出的信号通常微弱、非线性，甚至夹杂大量噪声，直接用于测量或控制会导致精度下降、系统不稳定甚至误判。因此，通过合理的信号调理流程，可以有效提升信号质量、增强抗干扰能力，并为模数转换（ADC）和后续处理提供更稳定、可靠的输入信号。

2.1 信号调理的基本概念

信号调理的核心在于“加工”原始信号，使其具备更高的信噪比、更宽的动态范围以及更好的线性度，从而满足后续电路或系统对信号质量的要求。

2.1.1 信号调理的定义与作用

信号调理是指对传感器输出的原始模拟信号进行放大、滤波、隔离、线性化等处理，以提高其可用性和精度的过程。其主要作用包括：

信号放大 ：将传感器输出的微弱信号放大至适合后续电路处理的电压范围。
滤波处理 ：去除不需要的频率成分，如噪声、干扰信号等。
阻抗匹配 ：调整信号源与后级电路之间的阻抗关系，以减少信号失真和损耗。
线性化处理 ：修正传感器输出信号的非线性误差，使其更接近理想输出。
隔离与保护 ：防止高电压或大电流对后续电路造成损害，提高系统安全性。

例如，一个压力传感器可能输出0~10mV的电压信号，而ADC模块通常需要0~3.3V或0~5V的输入范围，因此必须通过放大器将信号提升至该范围，才能保证ADC的精度。

2.1.2 信号调理在传感系统中的地位

在传感系统中，信号调理位于传感器与数据采集或控制系统之间，其性能直接影响系统的整体精度与稳定性。若信号调理设计不合理，即使传感器本身具有很高的精度，也会因信号处理不当而造成误差。

信号调理模块通常包括以下几个关键环节：

环节	功能说明
前置放大器	放大微弱信号，提升信噪比
滤波器	抑制噪声，提取目标频率信号
阻抗匹配电路	优化信号源与后级电路之间的连接匹配
线性化电路	校正传感器的非线性输出
隔离电路	提供电气隔离，保护后级设备

信号调理的合理设计能够显著提升系统的信噪比（SNR）、线性度和稳定性，是构建高精度传感系统不可或缺的一环。

2.2 信号调理的典型流程

信号调理的具体流程因应用场景不同而有所差异，但一般包括前置放大、滤波、线性化等基本环节。以下是对这些环节的详细解析。

2.2.1 前置放大与阻抗匹配

前置放大器的主要任务是将传感器输出的微弱信号放大至合适的电压范围，同时尽量减少噪声引入。由于传感器输出信号通常具有高阻抗特性，前置放大器还需具备高输入阻抗以实现良好的阻抗匹配。

例如，一个典型的电压跟随器电路可实现阻抗匹配：

// 使用运算放大器构成电压跟随器
Vout = Vin;

逻辑分析 ：

电压跟随器的增益为1，但输入阻抗极高，输出阻抗极低。
可有效防止因后级电路输入阻抗较低而导致的信号衰减。
适用于传感器输出信号微弱、高阻抗的场合。

参数说明 ：

参数	说明
输入阻抗	应远大于传感器输出阻抗
输出阻抗	应远小于后级电路输入阻抗
带宽	需覆盖传感器信号的主要频段

2.2.2 滤波与噪声抑制

滤波器是信号调理中抑制噪声、提取有效信号的重要工具。根据频率特性，常用的滤波器包括低通滤波器、高通滤波器、带通滤波器和带阻滤波器。

以下是一个一阶RC低通滤波器的实现：

// 一阶RC低通滤波器
Vout = (1/(1 + s*RC)) * Vin;

逻辑分析 ：

RC低通滤波器允许低频信号通过，抑制高频噪声。
截止频率 $ f_c = \frac{1}{2\pi RC} $，用于控制滤波器的频率响应。
适用于去除高频干扰，如电源噪声、电磁干扰等。

参数说明 ：

参数	说明
R	电阻值，决定滤波器的截止频率
C	电容值，与R共同决定截止频率
fc	截止频率，应略高于目标信号频率

2.2.3 线性化与标定处理

许多传感器的输出信号与被测量物理量之间并非线性关系，需通过线性化处理来修正这种非线性。常见的线性化方法包括硬件线性化和软件线性化。

以下是一个简单的软件线性化示例：

# Python实现传感器信号线性化
def linearize_signal(raw_value):
    # 假设传感器输出为非线性函数，通过查找表或拟合函数进行线性化
    calibrated_value = a * raw_value**2 + b * raw_value + c
    return calibrated_value

逻辑分析 ：

使用多项式拟合或查找表方式对非线性信号进行修正。
需要预先进行标定实验，获取非线性曲线数据。
适用于压力、温度、湿度等非线性输出传感器。

参数说明 ：

参数	说明
a, b, c	拟合多项式系数，需通过实验标定
raw_value	传感器原始输出值
calibrated_value	校正后的线性输出值

2.3 低噪声信号调理的基本要求

在高精度测量系统中，信号调理不仅要完成信号放大和滤波，还必须满足低噪声的设计要求。噪声是影响系统精度的主要因素之一，尤其在微弱信号检测中更为关键。

2.3.1 信噪比提升的工程目标

信噪比（SNR）是衡量信号质量的重要指标，定义为信号功率与噪声功率的比值：

\text{SNR} = \frac{P_{signal}}{P_{noise}} \quad (\text{dB})

提升信噪比的工程目标包括：

降低系统总噪声 ：选择低噪声器件，如低噪声运算放大器、低噪声电阻等。
提高信号幅度 ：通过前置放大器将信号提升到足够高的电平，以掩盖噪声。
限制噪声带宽 ：通过滤波器限制信号带宽，减少噪声能量。

例如，在生物电信号采集系统中，EEG信号幅度仅几微伏，需使用超低噪声放大器（如AD620、INA118）进行前置放大。

2.3.2 噪声带宽与系统带宽的匹配

噪声带宽（Noise Bandwidth）是指系统中允许通过噪声的频率范围。为避免噪声污染信号，噪声带宽应与系统带宽匹配。

以低通滤波器为例，其噪声带宽与截止频率的关系如下：

\text{Noise Bandwidth} = \frac{\pi}{2} \cdot f_c

设计建议 ：

噪声带宽应略大于信号带宽，以避免信号失真。
使用高阶滤波器可更有效地抑制带外噪声。

流程图展示系统带宽与噪声带宽关系 ：

graph TD
A[传感器输出信号] --> B(前置放大器)
B --> C[低通滤波器]
C --> D[ADC输入]
D --> E[噪声带宽分析]
E --> F[系统带宽匹配]

2.3.3 动态范围与线性度的权衡设计

动态范围是指系统能够处理的最大与最小信号幅度的比值。在信号调理中，动态范围与线性度之间存在权衡关系：

高动态范围 ：系统能处理较大范围的信号幅度，但可能牺牲线性度。
高线性度 ：确保信号不失真，但可能限制动态范围。

设计时需根据具体应用需求选择合适的折中方案。例如，在音频采集系统中，动态范围尤为重要；而在工业测量中，线性度则是关键指标。

设计策略 ：

使用自动增益控制（AGC）电路，动态调整放大倍数。
采用多级放大结构，前级放大用于提升信号，后级用于精细调节。
利用ADC的高分辨率特性，配合软件补偿算法提升动态范围。

本章系统阐述了信号调理的定义、作用、典型流程以及低噪声设计的基本要求。通过对前置放大、滤波、线性化等关键环节的详细分析，为后续章节中具体电路设计与优化提供了理论基础和技术支持。

3. 差分放大器设计与共模噪声抑制

差分放大器作为信号调理电路中的关键模块，承担着抑制共模噪声、提升信噪比的重要任务。在传感器信号采集系统中，由于外部环境干扰、电磁耦合等因素，共模噪声常常成为影响系统精度的主要问题。因此，深入理解差分放大器的工作原理、噪声特性及其优化设计，对于构建高性能信号调理系统至关重要。

3.1 差分放大器的基本结构与工作原理

差分放大器是一种能够放大两个输入信号之差的电路结构，广泛应用于模拟信号处理领域。其核心优势在于对共模信号的抑制能力，使得它在噪声抑制方面具有天然优势。

3.1.1 差模与共模信号的概念

在差分放大器中，输入信号可以分为两种类型：差模信号和共模信号。

差模信号（Differential Mode Signal） 是两个输入端信号的差值，即 $ V_{diff} = V_+ - V_- $。这是差分放大器期望放大的信号。
共模信号（Common Mode Signal） 是两个输入端信号的平均值，即 $ V_{cm} = \frac{V_+ + V_-}{2} $。通常是由外部干扰引入的噪声信号。

共模信号如果不被有效抑制，将严重影响系统输出的准确性。差分放大器通过其电路结构设计，能够在放大差模信号的同时，抑制共模信号。

3.1.2 典型差分放大器的电路拓扑

一个典型的差分放大器电路由两个晶体管（如BJT或MOSFET）组成，其基本结构如下图所示（使用Mermaid流程图展示）：

graph TD
    A[V1] --> C[差分对]
    B[V2] --> C
    C --> D[负载电阻]
    D --> E[输出端Vo]
    F[恒流源] --> C

电路结构说明：

V1、V2 ：差分输入信号源。
差分对（C） ：由两个晶体管构成，负责对差模信号进行放大。
负载电阻（D） ：将晶体管的电流变化转换为电压输出。
恒流源（F） ：为差分对提供偏置电流，确保晶体管工作在线性放大区。

该结构的关键在于差分对的设计，使得两管在差模信号下产生相反方向的电流变化，从而在输出端形成放大的差模电压。而在共模信号下，两管电流变化相同，负载电阻上的电压差为零，从而实现共模信号的抑制。

3.2 差分放大器的噪声特性分析

在实际应用中，差分放大器本身也会引入噪声。理解其噪声模型和噪声传递机制，是优化系统信噪比的前提。

3.2.1 输入噪声电压与电流模型

差分放大器的噪声通常可以建模为两个输入端的噪声电压源和噪声电流源：

输入电压噪声（$ e_n $） ：通常以 $ \text{nV}/\sqrt{\text{Hz}} $ 表示，来源于晶体管的热噪声和闪烁噪声。
输入电流噪声（$ i_n $） ：通常以 $ \text{pA}/\sqrt{\text{Hz}} $ 表示，主要由晶体管的基极或栅极电流波动引起。

这些噪声源在电路中会通过放大器的增益和外部电路结构传递到输出端。为了分析其影响，通常采用等效输入噪声模型进行计算。

噪声模型分析示例代码（Python）

以下代码用于计算等效输入噪声电压和输出噪声电压：

import numpy as np

def calculate_output_noise(e_n, i_n, R1, R2, gain):
    """
    计算差分放大器的输出噪声电压
    参数：
    e_n: 输入电压噪声密度 (nV/sqrt(Hz))
    i_n: 输入电流噪声密度 (pA/sqrt(Hz))
    R1: 输入电阻1 (Ω)
    R2: 输入电阻2 (Ω)
    gain: 放大器增益
    返回：
    输出噪声电压密度 (nV/sqrt(Hz))
    """
    # 输入等效噪声电压
    e_eq = np.sqrt(e_n**2 + (i_n * R1)**2 + (i_n * R2)**2)
    # 输出噪声电压
    output_noise = e_eq * gain
    return output_noise

# 示例参数
e_n = 10      # 输入电压噪声 10 nV/sqrt(Hz)
i_n = 0.1     # 输入电流噪声 0.1 pA/sqrt(Hz)
R1 = 10e3     # 输入电阻 10kΩ
R2 = 10e3
gain = 100    # 放大倍数

output_noise = calculate_output_noise(e_n, i_n, R1, R2, gain)
print(f"输出噪声电压密度: {output_noise:.2f} nV/sqrt(Hz)")

代码逐行解读：

第1-2行 ：导入NumPy库，用于数学计算。
第4-11行 ：定义函数 calculate_output_noise ，参数为输入噪声、电阻和增益。
第14行 ：计算等效输入噪声电压，考虑电压噪声和电流噪声在电阻上的压降。
第16行 ：将等效输入噪声乘以增益，得到输出噪声。
第19-24行 ：设定示例参数并调用函数，输出结果。

输出结果：

输出噪声电压密度: 1000.05 nV/sqrt(Hz)

该计算说明，在100倍增益下，输入噪声被放大，因此必须在设计中对输入噪声进行严格控制。

3.2.2 噪声源的传递路径与叠加效应

差分放大器中的噪声源会通过不同的路径传递到输出端：

电压噪声 直接加在输入端，经增益放大后输出。
电流噪声 在输入电阻上形成电压噪声，再被放大。

总噪声为各噪声源的平方和开根号（RSS）：

e_{out} = \sqrt{(e_n)^2 + (i_n R_1)^2 + (i_n R_2)^2} \times G

噪声叠加示例表格：

噪声源类型	噪声值（nV/√Hz）	传递路径	对输出影响
输入电压噪声	10	直接传输	主要噪声来源
输入电流噪声（R1）	0.1×10k=1000μV	电阻压降	不可忽视
输入电流噪声（R2）	0.1×10k=1000μV	电阻压降	不可忽视

由此可见，即使输入电流噪声较小，若输入电阻较大，也会引入显著的噪声。因此，在设计中应尽量选择输入电流噪声低的放大器，或减小输入电阻。

3.3 差分放大器的优化设计方法

为了提高差分放大器的性能，特别是在噪声抑制和稳定性方面，需要从多个维度进行优化设计。

3.3.1 匹配电阻与噪声性能的权衡

匹配输入电阻是提升共模抑制比（CMRR）和降低噪声的重要手段。理想情况下，两个输入电阻应完全一致：

匹配电阻 可以提高CMRR，从而增强对共模噪声的抑制能力。
不匹配电阻 会引入共模误差，降低系统精度。

电阻匹配对噪声的影响示例

假设两个输入电阻分别为 $ R_1 = 10k\Omega $ 和 $ R_2 = 10.1k\Omega $，则：

差模增益：$ A_d = \frac{R_2}{R_1} $
共模增益：$ A_{cm} \approx \frac{\Delta R}{2R} $
CMRR = $ 20 \log \left( \frac{A_d}{A_{cm}} \right) $

通过匹配电阻，可以显著提升CMRR，从而提升噪声抑制能力。

3.3.2 共模抑制比（CMRR）的提升策略

共模抑制比（CMRR）是衡量差分放大器对共模信号抑制能力的重要指标，定义为：

\text{CMRR} = 20 \log \left( \frac{A_d}{A_{cm}} \right)

提升CMRR的方法包括：

使用高精度匹配电阻 ：采用1%或更高精度的金属膜电阻。
采用高CMRR的集成运放 ：如AD8421、INA128等专用差分放大器。
对称布线设计 ：减少PCB布局中的不对称性，避免引入额外的共模干扰。

3.3.3 实际电路布局与PCB设计技巧

在实际PCB设计中，差分放大器的布局对噪声性能有显著影响：

差分对走线应保持等长对称 ，以避免相位差异引入噪声。
输入端远离数字电路 ，减少高频噪声耦合。
使用地平面 ，降低接地阻抗，提高抗干扰能力。
电源去耦电容靠近芯片电源引脚 ，滤除高频噪声。

PCB布局建议总结：

设计要点	作用	推荐做法
等长差分布线	减少相位差	使用蛇形走线对齐
地平面	降低噪声	单点接地，避免环路
去耦电容	滤除电源噪声	0.1μF陶瓷电容 + 10μF电解电容
输入远离数字电路	避免串扰	保持3倍线宽间距

通过这些PCB设计技巧，可以有效提升差分放大器在实际应用中的噪声抑制能力和稳定性。

本章系统介绍了差分放大器的基本结构、噪声特性以及优化设计方法。通过理解差模与共模信号的定义、掌握噪声建模与分析方法，并结合电路设计与PCB布局优化策略，可以显著提升信号调理系统的抗噪声能力。下一章将深入探讨仪表放大器在微弱信号处理中的应用，进一步拓展噪声抑制的工程实践路径。

4. 仪表放大器在微弱信号处理中的应用

仪表放大器（Instrumentation Amplifier，简称 INA）是专为高精度、低噪声、高共模抑制比（CMRR）设计的差分放大器结构，广泛应用于传感器信号采集、生物电信号处理、工业测量等领域。与普通差分放大器相比，仪表放大器在输入阻抗、噪声性能和稳定性方面具有显著优势，是处理微弱信号的关键模块。

4.1 仪表放大器的结构与优势

仪表放大器的核心结构通常采用三运放架构，其独特的设计使其在放大差模信号的同时，能够有效抑制共模干扰。本节将深入分析其工作原理，并与普通差分放大器进行对比，以突出其优势。

4.1.1 三运放结构的原理分析

三运放仪表放大器由两个输入缓冲级和一个差分输出级构成。其典型结构如下图所示（使用 Mermaid 格式绘制）：

graph TD
A[Input+] --> C1[Buffer1]
B[Input-] --> C2[Buffer2]
C1 --> D1[Gain Resistor Rg]
C2 --> D2[Gain Resistor Rg]
D1 --> E[Difference Amplifier]
D2 --> E
E --> F[Output]

电路结构说明：

第一级（Buffer Stage） ：两个运算放大器组成电压跟随器结构，具有高输入阻抗，可以有效隔离传感器与后续电路之间的阻抗匹配问题。
第二级（Gain Stage） ：通过一个外接电阻 $ R_g $ 控制整个仪表放大器的增益，其公式为：
$$
G = 1 + \frac{2R}{R_g}
$$
其中 $ R $ 是内部固定电阻，$ R_g $ 是外部增益调节电阻。
第三级（Difference Amplifier） ：将两个缓冲输出的差值进行放大，最终输出为：
$$
V_{out} = G(V_+ - V_-)
$$

优势分析：

高输入阻抗 ：由于前级为电压跟随器结构，输入阻抗可高达 $ 10^{12} \Omega $，适用于高阻抗传感器信号。
共模抑制能力强 ：整体结构对共模信号具有极强的抑制能力，CMRR 通常可达 100 dB 以上。
增益调节灵活 ：仅通过一个外部电阻 $ R_g $ 即可实现增益调整，无需更换运放或改变电路拓扑。

4.1.2 仪表放大器与普通差分放大器的对比

为了更直观地理解仪表放大器的优势，我们将其与传统差分放大器进行对比分析：

特性	仪表放大器	差分放大器
输入阻抗	高（$ \sim 10^{12} \Omega $）	中等（$ \sim 10^6 \Omega $）
增益调节方式	单个外部电阻 $ R_g $	需要调整多个反馈电阻
共模抑制比（CMRR）	高（>100 dB）	中等（60~80 dB）
温漂影响	小	大（电阻匹配要求高）
抗干扰能力	强	一般
应用场景	微弱信号放大（如生物电、传感器）	通用信号差分处理

电路对比分析示例：

假设我们有一个传感器输出信号为 1 mV，共模干扰为 1 V，使用 INA118（典型仪表放大器）和 LM358（普通运放搭建的差分放大器）进行比较：

# 假设增益为1000倍
V_diff = 0.001  # 差模信号 1mV
V_cm = 1.0      # 共模干扰 1V

# INA118 CMRR = 110dB -> 抑制比为 10^(110/20) = 316227
V_cm_rejected_INA = V_cm / 316227

# LM358 CMRR = 65dB -> 抑制比为 10^(65/20) = 1778
V_cm_rejected_LM358 = V_cm / 1778

print(f"INA118 共模干扰输出残留: {V_cm_rejected_INA:.6f} V")
print(f"LM358 共模干扰输出残留: {V_cm_rejected_LM358:.6f} V")

执行结果：

INA118 共模干扰输出残留: 0.000003 V
LM358 共模干扰输出残留: 0.000562 V

分析：

在相同共模干扰下，INA118 的残留干扰仅为 3 μV，而 LM358 达到了 562 μV，远高于信号本身（1 mV），极易造成信号失真。
这表明在处理微弱信号时，仪表放大器的共模抑制能力远胜于普通差分放大器。

4.2 仪表放大器的选型与参数配置

仪表放大器种类繁多，选型需综合考虑噪声、带宽、温漂、功耗等多个参数。本节将介绍选型的关键参数及其配置方法。

4.2.1 噪声密度与增益带宽积的匹配

仪表放大器的噪声性能直接影响信号的信噪比（SNR），尤其在处理微弱信号时更为关键。

典型参数对比表：

型号	输入噪声密度 (nV/√Hz)	增益带宽积 (MHz)	CMRR (dB)	供电电压 (V)
INA118	7 nV/√Hz	1 MHz	110	±2.25~±18
AD620	9 nV/√Hz	1 MHz	100	±2.3~±18
INA333	50 nV/√Hz	0.035 MHz	100	2.7~5.5
AD8421	1.3 nV/√Hz	10 MHz	115	±4~±18

选型逻辑分析：

噪声密度 ：越低越好，尤其在信号小于 10 mV 的场合。
增益带宽积 ：需满足信号带宽需求。例如，若信号频率为 10 kHz，增益为 100，则所需带宽应大于 1 MHz（100×10 kHz）。
CMRR ：越高越好，尤其在存在强共模干扰的环境中（如工业现场）。

配置示例：

以 INA118 为例，若需设置增益为 100，则根据公式：

G = 1 + \frac{2R}{R_g}

假设内部电阻 $ R = 25k\Omega $，则：

R_g = \frac{2R}{G - 1} = \frac{2 \times 25k}{99} \approx 505 \Omega

因此，外接 $ R_g = 505 \Omega $ 即可实现 100 倍增益。

4.2.2 温漂与长期稳定性要求

仪表放大器在高精度测量中，温漂（TC）和长期稳定性是不可忽视的参数。

温漂影响示例：

假设使用 AD620，其温漂为 5 μV/°C，若系统工作温差为 ±10°C，则输出漂移为：

\Delta V_{out} = G \times \Delta V_{offset} = 100 \times 5\mu V/°C \times 10°C = 5 mV

结论：

若原始信号为 10 mV，则温漂引起的误差可达 50%，严重影响测量精度。
因此，在高精度场合（如医疗设备、精密称重）中，应选择温漂低于 1 μV/°C 的仪表放大器，如 AD8421。

4.3 仪表放大器在实际系统中的应用案例

仪表放大器广泛应用于生物电信号采集、工业压力传感器等场景。以下将通过两个典型应用案例，说明其在实际工程中的使用方法与优化技巧。

4.3.1 生物电信号采集系统中的应用

生物电信号如心电图（ECG）、脑电图（EEG）等信号幅度极小（微伏级），且存在强烈的共模干扰（如工频50Hz噪声）。

应用电路结构：

graph TD
A[ECG电极] --> B[前置 INA]
B --> C[低通滤波]
C --> D[ADC]

关键参数配置：

使用 INA118 或 AD8421，增益设置为 1000。
输入端加 RC 高通滤波（截止频率 0.05 Hz），滤除直流偏移。
输出端加 RC 低通滤波（截止频率 150 Hz），抑制高频噪声。

代码示例：ADC 采集与滤波处理（Python）

import numpy as np
from scipy import signal

# 模拟ECG信号（1 mV + 50Hz干扰）
fs = 1000
t = np.arange(0, 1, 1/fs)
ecg = 0.001 * np.sin(2*np.pi*1*t) + 0.5*np.sin(2*np.pi*50*t)

# 低通滤波
sos = signal.butter(4, 150, btype='low', fs=fs, output='sos')
filtered = signal.sosfilt(sos, ecg)

# 显示结果
import matplotlib.pyplot as plt
plt.plot(t, filtered)
plt.title("Filtered ECG Signal")
plt.xlabel("Time (s)")
plt.ylabel("Voltage (V)")
plt.grid()
plt.show()

分析：

经过低通滤波后，50Hz工频干扰被有效抑制。
滤波后的信号清晰保留了原始ECG特征，可用于后续分析。

4.3.2 工业压力传感器信号调理实例

工业压力传感器（如应变桥）输出为毫伏级差分信号，需经过放大、滤波后送入ADC进行数字化处理。

典型应用电路：

传感器：全桥式应变片（输出 0~2 mV/V）
仪表放大器：INA118，增益设置为 500
滤波器：一阶RC低通（截止频率 1 kHz）
ADC：ADS1115（16位）

增益计算示例：

若桥式传感器供电为 5V，输出 2 mV/V，则满量程输出为：

V_{in} = 2mV/V \times 5V = 10mV

设定 INA118 增益为 500，则输出为：

V_{out} = 10mV \times 500 = 5V

优点：

满足 ADC 输入范围（0~5V）
无需额外增益级，简化电路结构
噪声低，稳定性高

PCB设计建议：

INA118 输入端应远离数字电路，避免串扰。
$ R_g $ 电阻应使用金属膜电阻，精度 ±0.1%。
电源需加去耦电容（0.1μF + 10μF）以降低电源噪声。

本章系统介绍了仪表放大器的结构原理、选型方法及在实际系统中的应用。通过对比分析与参数配置，展示了其在处理微弱信号中的关键作用。在后续章节中，我们将进一步探讨滤波器设计与噪声抑制技术，完善信号调理系统的整体架构。

5. 滤波器设计与噪声过滤技术

滤波器是信号调理系统中不可或缺的关键组件，其核心作用是通过选择性地通过或抑制特定频率范围的信号，从而实现对传感器输出信号中噪声的有效过滤。本章将从滤波器的基本分类与功能入手，系统性地解析带通、低通、高通以及多级级联滤波器在噪声抑制中的设计与应用方法。同时，结合具体电路实现与参数配置，帮助读者掌握从理论到实践的完整滤波器设计流程。

5.1 带通放大器的频率选择功能

带通放大器是一种能够同时实现信号放大和频率选择的电路结构，特别适用于目标信号位于某一特定频段、而其他频段噪声需要被抑制的场景。

5.1.1 带通放大器的幅频特性分析

带通放大器的幅频特性决定了其在不同频率下的增益响应。理想情况下，带通放大器应只对目标频段内的信号进行放大，而在该频段外的信号则被有效衰减。

以一个典型的二阶带通放大器为例，其传递函数可以表示为：

H(s) = (s * Q / ω0) / (s^2 + s * Q / ω0 + 1)

其中：

$ \omega_0 $：中心角频率（rad/s）
$ Q $：品质因数，决定通带的宽度

幅频特性曲线分析：

频率段	增益特性	说明
低于下限频率	快速衰减	高通特性起作用
中心频率附近	最大增益	信号通过并被放大
高于上限频率	快速衰减	低通特性起作用

如图所示，该放大器具有明显的频率选择性，适用于传感器信号中目标频段与噪声频段分离较明显的场合。

graph TD
    A[输入信号] --> B(高通滤波)
    B --> C[放大]
    C --> D(低通滤波)
    D --> E[输出信号]

上述流程图表示了带通放大器的典型结构：先通过高通滤波器滤除低频噪声，再经过放大电路增强目标信号，最后通过低通滤波器滤除高频干扰。

5.1.2 中心频率与带宽的设定方法

在设计带通放大器时，合理设定中心频率 $ f_0 $ 与带宽 $ B $ 是关键参数配置。

中心频率设定公式：

f_0 = \frac{1}{2\pi\sqrt{R_1R_2C_1C_2}}

带宽计算公式：

B = \frac{f_0}{Q}

设计步骤：

确定目标信号的频率范围 ：例如，某生物电信号主要能量集中在 10Hz～100Hz。
设定中心频率 $ f_0 $ ：通常取目标频段的几何中心，如 $ f_0 = \sqrt{10 \times 100} = 31.6\text{Hz} $。
选择合适的品质因数 $ Q $ ：若希望带宽较窄（如 10Hz），则 $ Q = f_0 / B = 31.6 / 10 = 3.16 $。
根据电路拓扑选择元件值 ：依据上述公式计算出 R 和 C 的取值，确保实际元件可得且稳定。

代码示例（Python计算中心频率和带宽）：

import math

def calculate_bandpass_params(f_low, f_high):
    f0 = math.sqrt(f_low * f_high)
    bandwidth = f_high - f_low
    q = f0 / bandwidth
    return f0, bandwidth, q

f_low = 10
f_high = 100
f0, bw, q = calculate_bandpass_params(f_low, f_high)
print(f"中心频率: {f0:.2f} Hz")
print(f"带宽: {bw} Hz")
print(f"品质因数: {q:.2f}")

代码分析：

该函数接收目标信号的频率范围 f_low 和 f_high ；
计算中心频率 $ f_0 $、带宽 $ B $ 和品质因数 $ Q $；
输出结果可用于后续电路设计中的元件参数选择。

5.2 低通滤波器的设计与高频噪声抑制

低通滤波器用于抑制高于截止频率 $ f_c $ 的高频噪声，广泛应用于信号调理系统中，以防止高频干扰信号进入后续电路。

5.2.1 一阶与二阶低通滤波器的实现

一阶低通滤波器结构简单，但衰减速度较慢（-20dB/十倍频程）；二阶滤波器则具有更快的衰减速度（-40dB/十倍频程），适用于对高频噪声要求较高的系统。

一阶低通滤波器传递函数：

H(s) = \frac{1}{1 + sRC}

截止频率计算：

f_c = \frac{1}{2\pi RC}

二阶低通滤波器（Sallen-Key结构）传递函数：

H(s) = \frac{1}{1 + s(R_1C_1 + R_2C_2) + s^2R_1R_2C_1C_2}

设计示例：

设计一个截止频率为 1kHz 的一阶低通滤波器：

// 一阶低通滤波器示例代码（C语言实现）

float RC = 1.0 / (2 * M_PI * 1000); // 截止频率1kHz
float dt = 0.001;                    // 采样间隔1ms
float alpha = dt / (RC + dt);

float low_pass_filter(float input, float prev_output) {
    return prev_output + alpha * (input - prev_output);
}

代码分析：

RC 是根据截止频率计算出的 RC 时间常数；
alpha 表示滤波器的权重因子；
每次调用函数时，使用当前输入和前一次输出进行加权平均，实现滤波效果。

5.2.2 截止频率的选择与噪声带宽控制

在实际应用中，截止频率的选取需兼顾信号完整性与噪声抑制能力。

设计原则：

截止频率应略高于目标信号的最高频率成分；
若目标信号带宽为 $ B_s $，建议 $ f_c = 1.2 \times B_s $；
噪声带宽应尽量小，以减少高频噪声能量的通过。

表格：不同截止频率对噪声抑制的影响

截止频率（Hz）	通带增益	噪声抑制效果	信号失真风险
500	0dB	一般	无
1000	0dB	良好	较小
2000	0dB	差	明显

5.3 高通滤波器的设计与低频噪声去除

高通滤波器用于去除直流偏移和低频噪声（如1/f噪声），在传感器信号处理中尤为关键。

5.3.1 直流偏移与1/f噪声的处理

直流偏移通常来源于传感器的非理想输出或放大器偏置电流；1/f噪声则在低频区域具有较高能量。

高通滤波器传递函数（一阶）：

H(s) = \frac{sRC}{1 + sRC}

截止频率公式：

f_c = \frac{1}{2\pi RC}

设计示例：

设计一个截止频率为 0.1Hz 的高通滤波器，用于去除生物信号中的直流偏移：

def high_pass_filter(signal, alpha):
    filtered = [0] * len(signal)
    for i in range(1, len(signal)):
        filtered[i] = alpha * (signal[i] - signal[i-1]) + (1 - alpha) * filtered[i-1]
    return filtered

# 示例信号
import numpy as np
t = np.linspace(0, 10, 1000)
signal = np.sin(2 * np.pi * 1 * t) + 2  # 含直流偏移的1Hz信号
filtered = high_pass_filter(signal, alpha=0.01)

代码分析：

alpha 为滤波系数，与截止频率相关；
利用递推公式实现一阶高通滤波；
有效去除信号中的直流成分。

5.3.2 高通滤波器在传感器信号中的应用

高通滤波器广泛应用于以下场景：

生物电信号（如ECG、EEG）中去除直流漂移；
压力传感器信号中去除缓慢变化的温漂；
麦克风信号中去除低频环境噪声。

设计要点：

截止频率应略低于目标信号的最低频率；
避免引入相位失真，影响信号完整性；
对于极低频信号（如 < 0.1Hz），建议采用数字高通滤波器。

5.4 带通滤波器在目标频段提取中的实践

在许多传感器应用中，目标信号仅存在于某一特定频段，带通滤波器可有效提取该频段信号，同时抑制其他频段的噪声。

5.4.1 多级滤波器级联的设计方法

多级滤波器级联可以实现更陡峭的过渡带和更高的选择性。常见组合方式包括：

一级高通 + 一级低通（模拟带通）
两个带通滤波器串联（增强选择性）

设计步骤：

确定目标频段 ：如 10Hz～100Hz；
设计一级高通滤波器 ：截止频率 10Hz；
设计一级低通滤波器 ：截止频率 100Hz；
级联使用，形成带通滤波器 。

电路实现示例（Sallen-Key结构）：

滤波器类型	截止频率	品质因数
高通	10Hz	1
低通	100Hz	1

代码实现（Python数字带通滤波）：

from scipy.signal import butter, filtfilt

def butter_bandpass(lowcut, highcut, fs, order=4):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = butter(order, [low, high], btype='band')
    return b, a

def bandpass_filter(data, lowcut, highcut, fs, order=4):
    b, a = butter_bandpass(lowcut, highcut, fs, order=order)
    y = filtfilt(b, a, data)
    return y

# 示例数据
fs = 1000.0
t = np.linspace(0, 1, int(fs))
data = np.sin(2*np.pi*50*t) + 0.5*np.random.randn(len(t))  # 含噪声的50Hz信号
filtered = bandpass_filter(data, 20, 80, fs)

代码分析：

使用 butter 设计巴特沃斯带通滤波器；
filtfilt 实现零相位延迟滤波；
有效保留目标频段信号，抑制带外噪声。

5.4.2 实际应用中滤波器的非理想特性处理

实际滤波器存在非理想特性，如：

相位延迟与群延迟不一致；
阻带衰减不够陡峭；
温度漂移导致截止频率偏移。

应对策略：

使用线性相位滤波器（如FIR）；
增加滤波器阶数以提高选择性；
引入温度补偿电路或软件补偿算法。

本章从带通、低通、高通滤波器的基本原理出发，结合具体电路与数字滤波器的实现方法，系统地讲解了滤波器在噪声抑制中的设计与应用。通过参数配置、代码实现与实际应用场景的结合，帮助读者构建起完整的滤波器设计知识体系。

6. 抗混叠滤波与模数转换预处理

在现代信号采集系统中，模数转换（Analog-to-Digital Conversion, ADC）是实现信号数字化处理的关键步骤。然而，在进行模数转换之前，若不对输入信号进行合理的预处理，特别是抗混叠滤波（Anti-Aliasing Filtering）处理，将导致高频噪声或无用信号混叠进目标频段，严重影响系统的测量精度与数据质量。本章将从模数转换的基本原理出发，深入探讨抗混叠滤波的设计与应用，帮助读者理解其在信号调理中的核心作用。

6.1 模数转换的基本原理与限制

模数转换过程包括采样（Sampling）、量化（Quantization）和编码（Encoding）三个主要步骤。其中，采样是最关键的环节，它决定了信号是否能被正确地表示为数字信号。

6.1.1 采样定理与奈奎斯特频率

根据奈奎斯特采样定理（Nyquist Sampling Theorem），为了无失真地重建原始模拟信号，采样频率 $ f_s $ 必须至少是信号最高频率成分 $ f_{max} $ 的两倍，即：

f_s \geq 2 \cdot f_{max}

其中，$ f_{s}/2 $ 被称为奈奎斯特频率（Nyquist Frequency）。如果采样率低于该值，将导致高频信号“折叠”到低频段，产生混叠（Aliasing）现象。

示例代码：采样过程的模拟

% 模拟一个100Hz正弦信号，并以1000Hz采样
fs = 1000;                % 采样率
t = 0:1/fs:1;             % 时间向量
x = sin(2*pi*100*t);      % 原始信号

% 以500Hz采样率进行采样，此时满足Nyquist条件
fs_down = 500;
t_down = 0:1/fs_down:1;
x_down = sin(2*pi*100*t_down);

% 绘制原始信号与降采样后的信号
figure;
subplot(2,1,1);
plot(t, x);
title('原始信号 (100Hz)');
xlabel('时间 (s)');
ylabel('幅度');

subplot(2,1,2);
stem(t_down, x_down, 'filled');
title('降采样信号 (500Hz)');
xlabel('时间 (s)');
ylabel('幅度');

代码分析：

第1~3行：定义采样频率和时间轴。
第4行：生成100Hz的正弦波。
第7~9行：使用500Hz采样率重新采样。
第12~20行：绘制原始信号与降采样信号，用于对比。

该代码展示了当采样率满足Nyquist定理时，信号能被准确表示。

6.1.2 混叠现象的产生与危害

当输入信号中存在高于奈奎斯特频率的成分时，这些成分在采样过程中会被“镜像”到有效频段内，造成混叠。例如，一个频率为 $ f $ 的信号，若 $ f > f_s/2 $，则其混叠频率为：

f_{alias} = f_s - f

示例代码：混叠现象的模拟

% 生成一个频率为600Hz的信号，采样率为500Hz
fs = 500;
t = 0:1/fs:1;
x = sin(2*pi*600*t);

% 显示信号
figure;
stem(t, x, 'filled');
title('混叠信号 (600Hz @ 500Hz采样)');
xlabel('时间 (s)');
ylabel('幅度');

代码分析：

第3~5行：生成600Hz信号，采样率为500Hz。
第7~9行：绘制采样点，可见信号表现为低频振荡，说明混叠发生。

结论： 当采样率不足时，高频信号被错误地表示为低频信号，导致信息失真。

6.2 抗混叠滤波器的设计要点

为了避免混叠，必须在ADC之前加入抗混叠滤波器，对输入信号进行低通滤波，仅保留目标频段内的信号，抑制高于奈奎斯特频率的成分。

6.2.1 截止频率与过渡带的设定

抗混叠滤波器通常采用低通滤波器结构，其关键设计参数包括：

截止频率（Cutoff Frequency） ：一般设定为略低于奈奎斯特频率（如0.45×$ f_s $）。
过渡带（Transition Band） ：滤波器从通带到阻带的过渡区域，应尽可能陡峭。
衰减要求 ：在阻带内需对高频成分进行足够抑制（如>40dB）。

示例表格：抗混叠滤波器参数对比

参数	描述	建议值
截止频率 $ f_c $	滤波器通带的上限频率	$ f_s \times 0.45 $
过渡带宽 $ \Delta f $	从通带到阻带的频率跨度	$ f_s \times 0.1 $
阻带衰减	高于截止频率信号的抑制能力	≥ 40 dB
阶数（Order）	决定滤波器陡峭程度	≥ 4阶（Butterworth）

6.2.2 滤波器阶数与相位失真的平衡

滤波器的阶数越高，其频率响应越陡峭，但也会引入更大的相位失真。在实际应用中，应根据系统对线性相位的要求进行权衡。

示例流程图：抗混叠滤波器设计流程

graph TD
    A[确定系统采样率 f_s] --> B[计算奈奎斯特频率 f_nyq = f_s/2]
    B --> C[设定截止频率 f_c = 0.45*f_s]
    C --> D[选择滤波器类型：Butterworth/Chebyshev/Elliptic]
    D --> E[设定过渡带宽 Δf]
    E --> F[确定滤波器阶数]
    F --> G[仿真验证滤波器频率响应]
    G --> H[PCB实现与测试]

解释：

Butterworth ：幅频响应平滑，相位非线性。
Chebyshev ：通带波动，阻带衰减快。
Elliptic ：通带和阻带都有波动，但阶数最低。

示例代码：使用Matlab设计Butterworth抗混叠滤波器

% 设定参数
fs = 1000;             % 采样率
fc = 0.45 * fs;        % 截止频率
order = 4;             % 滤波器阶数

% 归一化截止频率（0~1）
Wn = fc / (fs/2);

% 设计Butterworth低通滤波器
[b, a] = butter(order, Wn, 'low');

% 显示频率响应
fvtool(b, a);
title('Butterworth抗混叠滤波器频率响应');

代码分析：

butter(order, Wn, 'low') ：设计四阶低通Butterworth滤波器。
fvtool(b, a) ：显示滤波器的幅频响应。
输出图形展示了滤波器在截止频率前的平坦响应与快速衰减。

6.2.3 实际应用中的滤波器非理想特性

在实际系统中，滤波器会受到以下因素影响：

器件容差 ：电阻、电容的误差影响截止频率。
温度漂移 ：元件参数随温度变化导致频率偏移。
寄生效应 ：电容的寄生电感、运放的非理想特性等。

优化建议：

使用高精度、低温度系数的元件。
在PCB布局时注意滤波器模块的隔离。
可加入可调电阻进行截止频率校准。

6.3 抗混叠滤波在实际系统中的应用

6.3.1 音频采集系统的抗混叠设计

音频系统通常采样率为44.1kHz或48kHz，奈奎斯特频率为22.05kHz或24kHz。抗混叠滤波器应设计为截止频率约20kHz，过渡带为20kHz~24kHz。

典型应用：麦克风信号采集系统

输入信号：音频信号（20Hz~20kHz）。
抗混叠滤波器：8阶Butterworth低通滤波器，截止频率20kHz。
采样率：48kHz。

优点：

滤除20kHz以上噪声，避免混叠。
保留人耳听觉范围内的信号。

6.3.2 工业测量系统中的抗混叠滤波实例

在工业测量系统中，传感器输出信号通常频率较低（如压力、温度信号），但可能受到高频噪声干扰（如电磁干扰）。

案例：温度传感器信号采集系统

传感器输出信号带宽：0~10Hz。
采样率：100Hz。
抗混叠滤波器设计：
截止频率：45Hz（0.45×100Hz）。
阶数：4阶Butterworth滤波器。

电路实现示例（使用运放）：

Vin --> [RC低通1] --> [RC低通2] --> Vout

说明：

每个RC环节提供一个极点，两个RC级联构成二阶低通滤波器。
可通过运算放大器构建有源滤波器，提高滤波精度。

优势：

滤除10Hz以上的干扰信号。
降低ADC输入端的噪声能量，提升信噪比（SNR）。

总结

抗混叠滤波是模数转换前不可或缺的预处理步骤。它通过限制输入信号的频率范围，防止高频成分混叠进入目标频段，从而保证信号的准确数字化。设计抗混叠滤波器时，需综合考虑截止频率、过渡带宽、滤波器阶数以及实际电路中的非理想特性。在音频、工业测量等系统中，合理设计抗混叠滤波器能显著提升系统性能与测量精度。

在下一章中，我们将进一步从系统级角度出发，综合运用信号调理的各个环节，构建完整的低噪声信号调理系统。

7. 低噪声信号调理系统整体设计与实践

本章从系统级角度出发，综合前几章的理论与技术，构建完整的低噪声信号调理系统设计流程。

7.1 低噪声信号调理系统的总体架构

低噪声信号调理系统的构建需要从整体架构出发，合理安排各个功能模块的顺序与连接方式，同时进行系统噪声预算与级联分析，以确保信号链的信噪比达到最优。

7.1.1 各功能模块的顺序与连接关系

一个典型的低噪声信号调理系统通常包含以下几个关键模块：

模块	功能描述	设计要点
传感器	采集物理量并转化为电信号	选择低噪声、高灵敏度传感器
前置放大器	放大微弱信号，提高信噪比	使用低噪声仪表放大器
滤波器	抑制带外噪声	根据信号频段设计带通/低通滤波
线性化电路	校正传感器非线性输出	采用硬件补偿或软件算法
ADC驱动器	驱动模数转换器输入	匹配ADC输入阻抗和带宽
ADC	模拟信号数字化	选择高分辨率、低INL/DNL

系统中各模块的顺序至关重要，通常遵循以下流程：

graph TD
    A[传感器] --> B[前置放大]
    B --> C[滤波处理]
    C --> D[线性化校正]
    D --> E[ADC驱动]
    E --> F[ADC转换]

7.1.2 系统噪声预算与级联分析

噪声预算（Noise Budget）是低噪声系统设计中的核心概念。通过将各级电路的噪声贡献进行级联分析，可以评估整个系统的总噪声水平。

噪声级联公式如下：

E_{total} = \sqrt{E_1^2 + \left(\frac{E_2}{A_1}\right)^2 + \left(\frac{E_3}{A_1 A_2}\right)^2 + \cdots}

其中：
- $ E_i $：第 $ i $ 级的等效输入噪声
- $ A_i $：第 $ i $ 级的增益

以两级放大系统为例：

级别	增益	输入噪声（nV/√Hz）	输出噪声贡献（nV/√Hz）
第一级	10	10	10
第二级	10	20	20 / 10 = 2
总噪声	-	-	√(10² + 2²) ≈ 10.2 nV/√Hz

可见，第一级的噪声贡献最大，因此在低噪声系统中，应优先选择第一级为低噪声放大器。

本文还有配套的精品资源，点击获取

乐奇 Rokid 开放社区

更多推荐

FPC与机器人的双向赋能，解锁智能装备进化新势能

如果说AI算法、算力芯片是智能眼镜的“智慧大脑”，光学模组是智能眼镜的“视觉窗口”，那么FPC就是贯穿整机、连接所有功能模块的“柔性神经脉络”。方寸之间的柔性突破，破解了智能眼镜“轻薄形态”与“全能功能”的核心矛盾，是穿戴智能设备实现形态革新、体验升级的底层核心。未来，随着AR沉浸式技术、AI大模型、穿戴硬件技术的持续进化，智能眼镜将朝着更轻薄、更智能、更多场景、更高稳定性的方向持续迭代，对高端精