硬件工程师之电子元器件—二极管(7)之肖特基二极管和快速恢复二极管

写在前面

本系列文章主要讲解二极管的相关知识,希望能帮助更多的同学认识和了解二极管。

若有相关问题,欢迎评论沟通,共同进步。(*^▽^*)


二极管

11. 肖特基二极管的正向电压 V(F)

根据所使用的金属,SBD的额定正向电压(V(F))介于0.4 V至0.7 V之间,低于pn结二极管的正向电压。然而,硅肖特基势垒二极管的耐压为20V至150 V,不高于pn结二极管的耐压。

采用宽禁带(WBG)半导体(SiC)制造的SBD,该半导体具有高击穿电场,可承受高达650V的电压。

图30比较了无偏状态下pn结二极管和SBD的能带图。pn结二极管的正向电压(V(F))取决于p型与n型半导体之间的势能差,而SBD的正向电压(V(F))取决于金属的功函数与硅等材质的n型半导体(即肖特基势垒)的电子亲和力之差。因此,可通过使用功函数接近n型半导体(例如,硅)电子亲和力的金属,构建具有低V(F)的SBD。图31显示了V(F)的差异,具体取决于所使用的金属。

图 30 pn结二极管和SBD的能带图(无偏置状态)

图 31 I-V特性(不同金属的特性)

12. SBD的反向恢复特性(trr)

与pn结二极管不同,肖特基势垒二极管仅通过多数载流子工作,因此原则上不存在反向恢复时间。然而,由于寄生电容等原因,略有反向恢复时间

当正向偏置时,pn结二极管导通,因为电子、少数载流子流入p型半导体,而空穴流入n型半导体。由于电子和空穴都有助于器件工作,因此pn结二极管称为双极器件。另一方面,如果SBD由n型半导体和金属构成,当SBD正向偏置时,多数载流子会流入金属,使其导通。由于只有多数载流子对器件工作有用,因此SBD称为单极器件

p-n结二极管等双极型二极管具有低浓度N-层,可以增大器件的击穿电压。该层在导通时可发挥电阻作用,其缺点是会增大正向电压。但实际工作期间在导通时,大量空穴会从阳极侧的P+层流入N-层。同时,从阴极侧提供大量电子以维持电中性。因此,N-层中暂时存在大量载流子,导致电阻值较低。这种现象称为电导率调制

这对于降低器件的导通电压(正向电压)而言既有益处,也有缺点,其不能立即关断(关断需要时间)。因为由于电导率调制而进入N-层的大量少数载流子(空穴)无处可去,这些多余的少数载流子通过复合消失需要时间。这段时间称为反向恢复时间,有反向电流流动。相反,在SDB情况下,n型(或p型)半导体的少数载流子对器件工作没有用。因此,SBD没有反向恢复时间。然而,由于SBD由金属与半导体之间的异质结组成,因此会发生相当大的表面泄漏。在某些SBD中,有

代码转载自:https://pan.quark.cn/s/a4b39357ea24 本文重点阐述了利用 LabVIEW 软件构建的锁相放大器的设计方案及其具体实施流程,并探讨了该设备在声波相位差定位系统中的实际运用情况。 锁相放大器作为一项基础测量技术,其核心功能在于能够精确锁定微弱信号的频率参数并完成相关测量工作。 在采用 LabVIEW 软件开发的锁相放大器系统中,通过计算测量信号与两条参考信号之间的互相关函数,实现对微弱信号的频率锁定,同时输出被测信号的幅值信息。 虚拟仪器技术是一种基于计算机硬件平台的仪器系统,其显著特征在于用户可以根据实际需求自主设计仪器功能,配备虚拟化操作界面,并将测试功能完全由专用软件程序实现。 虚拟仪器系统的基本架构主要由计算机主机、专用软件程序以及硬件接口模块等核心部件构成。 虚拟仪器最突出的优势在于其功能完全取决于软件编程,用户可以根据具体应用场景灵活调整系统功能参数。 在基于 LabVIEW 软件开发的锁相放大器系统中,主要运用 LabVIEW 软件平台完成锁相放大器功能的整体设计。 LabVIEW 作为一个形化编程环境,能够高效地完成虚拟仪器的开发工作。 借助 LabVIEW 软件,可以快速构建锁相放大器的用户操作界面,并且可以根据实际需求进行灵活调整功能扩展。 锁相放大器系统的关键构成要素包括测量信号输入通道、参考信号输入通道、频率锁定处理单元以及信号幅值输出单元。 测量信号是系统需要检测的对象,参考信号则用于引导系统完成对测量信号的频率锁定。 频率锁定处理单元负责实现测量信号的锁定功能,信号幅值输出单元则负责输出被测信号的幅值大小。 在锁相放大器的实际实现过程中,系统采用了双路参考信号输入方案来锁定测量信号。 通过分析两路参考信号之间的相...
边缘计算环境中基于启发式算法的深度神经网络卸载策略(Matlab代码实现)内容概要:本文介绍了在边缘计算环境中,利用启发式算法实现深度神经网络任务卸载的策略,并提供了相应的Matlab代码实现。文章重点探讨了如何通过合理的任务划分与调度,将深度神经网络的计算任务高效地卸载到边缘服务器,从而降低终端设备的计算负担、减少延迟并提高整体系统效率。文中涵盖了问题建模、启发式算法设计(如贪心策略、遗传算法、粒子群优化等可能的候选方法)、性能评估指标(如能耗、延迟、资源利用率)以及仿真实验结果分析等内容,旨在为边缘智能计算中的模型推理优化提供可行的技术路径。; 适合人群:具备一定编程基础,熟悉Matlab工具,从事边缘计算、人工智能、物联网或智能系统优化方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究深度神经网络在资源受限设备上的部署与优化;②探索边缘计算环境下的任务卸载机制与算法设计;③通过Matlab仿真验证不同启发式算法在实际场景中的性能表现,优化系统延迟与能耗。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注算法实现细节与仿真参数设置,同时可尝试复现并对比不同启发式算法的效果,以深入理解边缘计算中DNN卸载的核心挑战与解决方案。
评论
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

打赏作者

零零刷

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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