找回密码
 注册
搜索
查看: 7225|回复: 16

[讨论] 请教:insertion loss与Noise Figure的关系。

[复制链接]
发表于 2015-4-2 22:56:49 | 显示全部楼层 |阅读模式
Noise Figure的关系不是 NF=SNRout/SNRin的么?怎么会跟Insersion Loss有关呢?

然后级联的 NF=F1+(F1-1)/G1+(F2-1)/G1G2+....,这也只能说明整体的NF跟前级的NF关系会很大,但看好多资料都说跟前几级的Insersion Loss关系特别大,越想越糊涂。还望各位帮小弟解惑,感谢感谢。
发表于 2015-11-25 14:08:28 来自手机 | 显示全部楼层
373003728 发表于 2015-10-16 16:25
gain越大不是噪声和GPS接受信号都放大了吗    为什么还说GAIN越大的话
越能将Noise Figure压低

GAIN越大,越能把后级的噪声系数对整个链路的噪声系数的影响压低,因为增益在分母上。
点评回复 1 0

使用道具 举报

 楼主| 发表于 2015-4-3 13:37:19 来自手机 | 显示全部楼层
不要沉啦,请大家帮帮忙.
点评回复

使用道具 举报

 楼主| 发表于 2015-4-3 21:00:01 | 显示全部楼层
再来顶一下,不要沉啦,请大家帮帮忙.
点评回复

使用道具 举报

发表于 2015-4-5 00:01:51 | 显示全部楼层
如果insertion loss是正的,那就是损耗,如果是负的,那是不是就是增益啦?
还有,插损大了,是不是增益就小了啊~
我是这么理解的~
点评回复

使用道具 举报

 楼主| 发表于 2015-4-5 14:43:22 | 显示全部楼层
angelming 发表于 2015-4-5 00:01
如果insertion loss是正的,那就是损耗,如果是负的,那是不是就是增益啦?
还有,插损大了,是不是增益就 ...

这么理解是没有问题的,
那是是不是说明,如果系统的前级Insertion Loss增加了NdB,那么整个系统的NF也相应增加了NdB,
灵敏度就相应变差,不知道这样理解对么?
点评回复

使用道具 举报

发表于 2015-4-6 20:05:13 | 显示全部楼层
luke1986416 发表于 2015-4-5 14:43
这么理解是没有问题的,
那是是不是说明,如果系统的前级Insertion Loss增加了NdB,那么整个系统的NF也相 ...


应该是你所理解的这样的~

噪声系数就是把输出噪声折算到输入端,再与输入噪声的比值。


第一级的差损变大,增益变小,整体的NF变大。、

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?注册

×
点评回复

使用道具 举报

发表于 2015-4-10 10:00:45 | 显示全部楼层
你把前级插损换算成数字,带入级联公式自己算一遍就知道了。
点评回复

使用道具 举报

52RD网友  发表于 2015-4-10 15:20:18
1、F=输入信噪比/输出信噪比;
2、NF=10logF;
3、F=F1+(F2-1)/G1+(F3-1)/G1G2+....
4、输入端的噪声由信号源的内阻产生,其额定功率为kTB,输出端的噪声功率也为kTB,F=(Pi/Ni)/(Po/No)=IL;
发表于 2015-4-10 15:27:44 | 显示全部楼层
1、F=输入信噪比/输出信噪比;
2、级联公司F=F1+(F2-1)/G1+(F3-1)/G1*G2+....
3、NF=10logF;
4、插损解释参照6#
搞清楚这些可能你就明白了
点评回复

使用道具 举报

发表于 2015-4-10 15:52:40 来自手机 | 显示全部楼层
学习了来自: Android客户端
点评回复

使用道具 举报

发表于 2015-4-15 23:10:47 来自手机 | 显示全部楼层
对于无源器件,插损的倒数就是噪声系数……
点评回复

使用道具 举报

发表于 2015-8-11 13:16:16 | 显示全部楼层
本帖最后由 criterion 于 2015-8-11 20:59 编辑
luke1986416 发表于 2015-4-5 14:43
这么理解是没有问题的,
那是是不是说明,如果系统的前级Insertion Loss增加了NdB,那么整个系统的NF也相 ...


是这样理解没错,同时你由下面这个Cascade的公式得知两件事





1.        LNA输入端的Insertion Loss最为关键  几乎主宰了接收机整体的Noise Figure
        如你讲的   这边的Insertion Loss  只要多增加1 dB  
        那你灵敏度   就是硬生生劣化 1dB   
        所以有些接收机   其SAW Filter会放在LNA之后
        就是怕SAW Filter的Insertion Loss   会让接收机整体的Noise Figure升高
        进而劣化灵敏度





而在手机应用中,有可能为了避免GPS讯号被其他RF讯号干扰,
会将GPS天线位置,远离2G/3G/4G的主天线,如下图 :




亦即其GPS天线位置会离收发器很远,由于LNA是内建在收发器中
这意味着LNA前端过长的走线   会大大提升接收机整体的Noise Figure  
进而劣化灵敏度





因此多半会再加一颗额外的LNA   来提升灵敏度
但是   前面说过  
LNA输入端的Insertion Loss最为关键  几乎主宰了接收机整体的Noise Figure  
换言之  eLNA的摆放位置很重要  
应离GPS天线越近越好,
否则其过长走线,会使其C/N值非常非常差,失去了eLNA改善灵敏度的作用,如下图




而GPS的eLNA   多半会有Pre-SAW跟Post-SAW
而Pre-SAW的重点  在于Insertion Loss要小   也是基于Noise Figure考虑




而虽然LNA前端的Insertion Loss  最为重要
但不代表LNA后端   就完全没影响   
只是影响程度   会被LNA的Gain所稀释   所以影响程度轻微许多
但倘若LNA后端的Noise Figure过大
例如eLNA后方完全开路  






那么依据Cascade NF的公式  其F3是无限大
这样一算   接收机整体的Noise Figure为无限大
亦即完全收不到讯号   




2.        LNA的Gain   也跟接收机整体的Noise Figure有关   越大的话
越能将Noise Figure压低  进而提升灵敏度
所以在接收微弱讯号时   会启动High Gain Mode
来将Noise Figure压到最低   藉以提升灵敏度




但是LNA的Gain越大的话    其后端电路就越容易饱和
接收机整体的线性度会越差   这会影响手机Co-existence的性能
同时由下图也可看到
当eLNA的Gain  对于接收机整体Noise Figure的改善  
其实是有极限的   
不是Gain一昧加大   接收机整体Noise Figure就能一直压低




否则假设Gain无限大
eLNA后方  就算串联组件有所空焊或虚焊   Loss很大 (但还没到Open的地步)
对灵敏度完全没影响
这当然不合逻辑   



所以挑选eLNA时   其Gain不是越大越好  也不是越小越好  而是刚刚好最好



本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?注册

×
点评回复

使用道具 举报

 楼主| 发表于 2015-8-12 21:10:07 | 显示全部楼层
有幸得到大神回复,
点评回复

使用道具 举报

发表于 2015-10-16 16:25:53 | 显示全部楼层
criterion 发表于 2015-8-11 13:16
是这样理解没错,同时你由下面这个Cascade的公式得知两件事

gain越大不是噪声和GPS接受信号都放大了吗    为什么还说GAIN越大的话
越能将Noise Figure压低
点评回复

使用道具 举报

发表于 2015-10-16 16:36:12 | 显示全部楼层
angelming 发表于 2015-4-6 20:05
应该是你所理解的这样的~

噪声系数就是把输出噪声折算到输入端,再与输入噪声的比值。

增益为什么会变小
点评回复

使用道具 举报

 楼主| 发表于 2016-12-20 11:43:52 来自手机 | 显示全部楼层
游客 171.88.58.x 发表于 2015-4-10 15:20
1、F=输入信噪比/输出信噪比;
2、NF=10logF;
3、F=F1+(F2-1)/G1+(F3-1)/G1G2+....

输出端的noise不是还是要加上器件本身的noise么?为什么还是热噪声KTB呢?
点评回复

使用道具 举报

高级模式
B Color Image Link Quote Code Smilies

本版积分规则

Archiver|手机版|小黑屋|52RD我爱研发网 ( 沪ICP备2022007804号-2 )

GMT+8, 2024-6-4 05:14 , Processed in 0.063295 second(s), 19 queries , Gzip On.

Powered by Discuz! X3.5

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表