新闻详情

新闻详情

首页 / 资讯中心 / 详情

028_封装寄生参数对高频增益的衰减

发布时间:2026/11/16 19:12:55来源:尧图网络
028_封装寄生参数对高频增益的衰减
028、封装寄生参数对高频增益的衰减一个让我连续加班两周的“幽灵衰减”几年前做一个便携式射频收发模块,频段在几百兆赫兹。原理图仿真、板级仿真都过了,增益预算留了3dB余量,按说稳得很。结果第一版样机回来,小信号增益在目标频段高端直接掉了6dB,低端倒还正常。更诡异的是,同一批PCB,换了某几颗物料上去,增益又回来了;再换另一批,又塌下去。一开始怀疑是匹配网络。用网络分析仪扫S11,输入回波损耗看着还行,输出端也调了半天,增益纹丝不动。又怀疑是偏置网络谐振,换了电感、改了电容,没用。最后实在没辙,把一颗“好”的器件和一颗“坏”的器件分别焊到同一块板上,用探针台测芯片焊盘处的电压波形——发现“坏”的那颗,在焊盘处的高频摆幅本身就比“好”的小一截。问题不在板子,在器件本身。更准确地说,在器件的封装上。那批“坏”的物料,封装内部键合线的长度、直径、弧高,跟“好”的那批有肉眼几乎看不出的差异。但就是这点差异,在几百兆赫兹下,寄生电感带来的感抗已经不可忽略,和器件输出电容形成分压,把高频增益吃掉了。那次之后,我养成了一个习惯:选器件先看封装,再看参数。数据手册上写的增益,是在特定测试夹具下标定的,那个夹具的寄生参数,跟你板子上的寄生参数,完全是两码事。封装寄生到底藏在哪一个塑封或者陶瓷封装的器件,从芯片焊盘到外部引脚,中间要经过:芯片焊盘→键合线→引线框架→塑封料→引脚。每一段都有寄生。键合线是最主要的寄生电感来源。一根直径25微米、长度1毫米的金线,自感大概在0.8到1纳亨。听起来很小,但在1GHz下,感抗是2
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉