同相麦克风前置放大器电路设计

1 简介

         此电路使用同相放大器电路配置来放大麦克风输出信号。此电路的幅度稳定性非常好,在整个音频范围内仅具有微小的频率响应偏差。此电路旨在使用 5V 单电源来运行。

2 设计目标

2.1 输入电压最大值

  • 100dB SPL(2 Pa)

2.2 输出电压最大值

  • ​​​1.228V_{rms}

2.3 电源

  • V_{cc}=5V
  • V_{ee}=0V

2.4 频率响应偏差

  • -0.5dB@20Hz
  • -0.1dB@20kHz

3 电路设计 

        根据设计目标,最终设计的电路结构和参数如下图:

        

注意事项:

  • 使用膝点电压低的电容器(钽、C0G,等等)和薄膜电阻器来帮助降低失真度
  • 使用电池为此电路供电,以消除因切换电源而导致的失真
  • 使用低电阻值电阻器和低噪声运算放大器实现低噪声的设计
  • 共模电压等于使用电阻分压器设置的直流偏置电压加上麦克风输出电压导致产生的全部差异。对于具有互补对输入级的运算放大器,建议使共模电压保持远离交叉区域,以消除交叉失真的可能性
  • 电阻器 R 1 用于偏置麦克风内置 JFET 晶体管,以实现麦克风指定的偏置电流
  • 等效输入电阻由 R 1 、R 2 、R 3 确定。为 R 2 和 R 3 使用高电阻值电阻器,以增大输入电阻
  • 为了偏置麦克风而连接到 R 1 的电压不必与运算放大器的电源电压相同。通过为实现麦克风偏置而使用电压较高的电源,将可以使用较低的偏置电阻器值

4 麦克风规格

麦克风参数
灵敏度 -94dB SPL(1Pa)-35±4dBV
电流消耗最大值0.5mA
阻抗2.2kΩ
标准工作电压2Vdc

5 设计计算

  • 将灵敏度转换为每帕斯卡的电压

       10^{\frac{-35dB}{20}}=17.78\frac{mv}{Pa}

  •  将每帕斯卡的电压转换为每帕斯卡的电流

       \frac{17.78\frac{mv}{Pa}}{2.2k\Omega }=8.083\frac{uA}{Pa}

  • 压力达到 2Pa 这一最大值时会出现最大输出电流

      I_{Max}=8.083\frac{uA}{Pa}*2Pa=16.166uA

  • 计算偏置电阻器。在以下公式中,Vmic 是麦克风标准工作电压

       R_{1}=\frac{V_{cc}-V_{mic}}{I_{s}}=\frac{5V-2V}{0.5mA}=6k\Omega \approx 5.9k\Omega

  • 将放大器的输入共模电压设置为中位电压。与 R3 并联的 R2 的等效电阻应该比 R1大10倍,以麦克风电流的绝大部分流经 R1 

      R_{eq}=R_{2}||R_{3}>10*R_{1}=100k\Omega

      R_{2}=R_{3}=200k\Omega

  • 计算最大输入电压

       R_{in}=R_{1}||R_{eq}=5.9k\Omega||100k\Omega=5.571k\Omega

        V_{in}=I_{max}||R_{in}=16.166uA*5.571k\Omega =90.067mV

  • 计算生成最大输出电压摆幅所需的增益

        Gain=\frac{V_{outmax}}{V_{in}}=\frac{1.228V}{90.067mv}=13.634\frac{V}{V}

  • 计算 R 4 以设置步骤 7 中计算的增益。选择 10kΩ 作为反馈电阻器 R 5 的值

        R_{4}=\frac{R_{5}}{Gain -1}=\frac{10k}{13.634 -1}=791\Omega \approx 787\Omega

        Gain=20*\log_{10}\frac{Vout}{Vin}

  •  根据 20Hz 时的允许偏差计算低频转角频率。在以下公式中,G_pole1 是由所有频率为“f”的极点生成的增益。请注意,一共有三个极点,所以需要除以三

        f_{c}=f*\sqrt{(\frac{1}{G_{pole1}})^{2}-1}=20Hz*\sqrt{(\frac{1}{10^{\frac{-0.5/3}{20}}})^{2}-1}=3.956Hz

  • 计算的截止频率计算 C1 

        C_{1}=\frac{1}{2*\pi *Req*fc}=\frac{1}{2*\pi *100k*3.956Hz}=0.402uF\approx 0.33uF

  • 计算的截止频率计算 C2

        C_{2}=\frac{1}{2*\pi *R4*fc}=\frac{1}{2*\pi *787*3.956Hz}=51.121uF\approx 47uF

  • 根据 20kHz 时的允许偏差计算高频极点。在以下公式中,G_pole2 是由所有频率为“f”的极点生成的增益

        f_{p}=f/\sqrt{(\frac{1}{G_{pole2}})^{2}-1}=20kHz/\sqrt{(\frac{1}{10^{\frac{-0.1}{20}}})^{2}-1}=131.044kHz

  •  计算 C3 

        C_{3}=\frac{1}{2*\pi *R5*fp}=\frac{1}{2*\pi *10k*131.044kHz}=121.451pF\approx 120pF

  • 计算输出电容器 C4 。假设输出负载 R6 为 10kΩ

        C_{4}=\frac{1}{2*\pi *R6*fc}=\frac{1}{2*\pi *10k*3.956Hz}=4.023uF\approx 3.3uF

6 电路仿真

时域仿真:

频率仿真:

噪声仿真:

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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

微弱世界

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