Insertion Loss & Return Loss

本文详细解析了高速信号连接器中Insertion Loss和Return Loss的概念及其计算方法,阐述了它们与工作频率的关系,强调了在信号传输过程中的重要性。
部署运行你感兴趣的模型镜像

转载自https://blog.youkuaiyun.com/xianrudu/article/details/17176511

Insertion Loss 和 Return Loss 用来描述高速信号经过一个连接器(connector, component, device, or transmission line...)时的behavior,具体地说就是signal power的loss,都与工作频率有关系。

Insertion Loss :指信号在线路中 insert 了一个 connector  后传输到下一级时的 loss,他们最好对信号不要产生影响,所以Insertion Loss应该越小越好。

Return Loss:signal 经过connector时会有一部分reflect回来,这个参数指的是return的loss。我们希望他反射回来的越小越好,也就是回来的损耗越大越好,所以Return Loss 也就越大越好。可以用于衡量impedance match程度。

一般这两个参数都以decibel (dB)形式 表示,Insertion Loss (dB) = 10*log(Pi/Po), Return Loss (dB) =10*log(Pi/Pr), 这里 Pi 指incident or input 信号的power, Po 指connector接收到或其能output 的信号Power, Pr 指reflect 回来的信号power. 如果用电压(Voltage)来计算的话,前面的系数从10 变为 20. 由于一般Po<Pi, Pr<Pi, 所以两个参数的结果都是positive。Insertion Loss 越小越好,如果为0dB, 说明信号没有损耗地全部通过了。Return Loss越大越好,如果为0dB说明信号没有损耗地全部反射回来了。

但也有些地方会把这些参数的分子分母互换,这样结果就会变成negative。然而从loss 的角度来说,分子还是应该用来描述 inter-connect 之前的信号,也就是incident signal。如果不管positive或者negative的结果,我们看absolute value就可以了,也就是Insertion Loss 绝对值越小越好,Return Loss 绝对值越大越好。

RF中还会看到另一个重要参数 Isolation, 它衡量对无关信号的隔离程度,或者对其的 attention 的程度,这里就不好说是loss了。比如有用信号或感兴趣的信号功率为 10 dBm, 不感兴趣的信号功率为 -40dBm,那么Isolation就是为50dB。所以这个参数也是越大越好,越大信号隔离度越好,这在高频时很重要。
--------------------- 
作者:xianrudu 
来源:优快云 
原文:https://blog.youkuaiyun.com/xianrudu/article/details/17176511 
版权声明:本文为博主原创文章,转载请附上博文链接!

您可能感兴趣的与本文相关的镜像

GPT-oss:20b

GPT-oss:20b

图文对话
Gpt-oss

GPT OSS 是OpenAI 推出的重量级开放模型,面向强推理、智能体任务以及多样化开发场景

import numpy as np import json def calculate_b_uncertainty(parsed_data): &quot;&quot;&quot;计算B类不确定度&quot;&quot;&quot; results = {} # 处理回波损耗数据 return_loss_uncertainties = [] for wavelength, data_list in parsed_data[&#39;return_loss&#39;].items(): for data in data_list: # 扩展不确定度除以k值得到标准不确定度 standard_uncertainty = data[&#39;uncertainty&#39;] / 2.0 return_loss_uncertainties.append(standard_uncertainty) # 处理插入损耗数据 insertion_loss_uncertainties = [] for wavelength, data_list in parsed_data[&#39;insertion_loss&#39;].items(): for data in data_list: # 扩展不确定度除以k值得到标准不确定度 standard_uncertainty = data[&#39;uncertainty&#39;] / 2.0 insertion_loss_uncertainties.append(standard_uncertainty) # 计算统计量 results[&#39;return_loss&#39;] = { &#39;max_standard_uncertainty&#39;: np.max(return_loss_uncertainties), &#39;min_standard_uncertainty&#39;: np.min(return_loss_uncertainties), &#39;mean_standard_uncertainty&#39;: np.mean(return_loss_uncertainties), &#39;std_standard_uncertainty&#39;: np.std(return_loss_uncertainties), &#39;expanded_uncertainty&#39;: np.max( [data[&#39;uncertainty&#39;] for data_list in parsed_data[&#39;return_loss&#39;].values() for data in data_list]) } results[&#39;insertion_loss&#39;] = { &#39;max_standard_uncertainty&#39;: np.max(insertion_loss_uncertainties), &#39;min_standard_uncertainty&#39;: np.min(insertion_loss_uncertainties), &#39;mean_standard_uncertainty&#39;: np.mean(insertion_loss_uncertainties), &#39;std_standard_uncertainty&#39;: np.std(insertion_loss_uncertainties), &#39;expanded_uncertainty&#39;: np.max( [data[&#39;uncertainty&#39;] for data_list in parsed_data[&#39;insertion_loss&#39;].values() for data in data_list]) } return results # 使用示例 if __name__ == &quot;__main__&quot;: # 加载解析后的数据 json_file = &quot;AMS000069601_25J02X002951_多路插回损测试仪_MAP-380A-B_校准证书1_results.json&quot; with open(json_file, &#39;r&#39;, encoding=&#39;utf-8&#39;) as f: parsed_data = json.load(f) # 计算B类不确定度 b_uncertainty = calculate_b_uncertainty(parsed_data) print(&quot;\nB类不确定度评定结果:&quot;) print(&quot;=&quot; * 50) print(&quot;光回波损耗不确定度:&quot;) print(f&quot; 最大标准不确定度: {b_uncertainty[&#39;return_loss&#39;][&#39;max_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 最小标准不确定度: {b_uncertainty[&#39;return_loss&#39;][&#39;min_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 平均标准不确定度: {b_uncertainty[&#39;return_loss&#39;][&#39;mean_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 标准不确定度的标准差: {b_uncertainty[&#39;return_loss&#39;][&#39;std_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 最大扩展不确定度: {b_uncertainty[&#39;return_loss&#39;][&#39;expanded_uncertainty&#39;]:.4f} dB (k=2)&quot;) print(&quot;\n光插入损耗不确定度:&quot;) print(f&quot; 最大标准不确定度: {b_uncertainty[&#39;insertion_loss&#39;][&#39;max_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 最小标准不确定度: {b_uncertainty[&#39;insertion_loss&#39;][&#39;min_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 平均标准不确定度: {b_uncertainty[&#39;insertion_loss&#39;][&#39;mean_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 标准不确定度的标准差: {b_uncertainty[&#39;insertion_loss&#39;][&#39;std_standard_uncertainty&#39;]:.4f} dB&quot;) print(f&quot; 最大扩展不确定度: {b_uncertainty[&#39;insertion_loss&#39;][&#39;expanded_uncertainty&#39;]:.4f} dB (k=2)&quot;) print(&quot;=&quot; * 50)
08-02
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值