多核学习综述
特征融合，多核学习，核方法是机器学习的一种重要思想8期汪洪桥等:多核学习方法10391.2容许核的构造数据的基因功能分类问题,其中就讨论了前期、中期利用核函数可以大大简化计算,但如何针对具和后期三种集成方式.早期集成是指数据的集成,后体的问题设计出最适当的核函数却是一个难点实期集成是指分类器结果的集成,而中期集成就是核际上,经常采用的方法是直接定义核函数,从而隐矩库的组合,它通过对多个基本核矩阵进行合成得含地定义了特征空间. Mercer条件是检验核函数到,基于这种多核矩阵直接求和方式,可以实现异构是否定义了一个特征空间的充分条件,我们称满足数据源的融合,用来训练分类器此后,在蛋白质功能预测56与定位,蛋白质容许楼满是一些闭包性质或条件6,这使得我分子间的交互预测2,蛋白质折叠识别和远端同源们可以从些简单的核函数设计出复杂的核函数性检测2等方向,由于涉及到多特征空间或有效属性质1.容许核的正系数线性组合是容许核性的集合( roups of attributes available)问题,来性质2.容许核的乘积是容许核自异构源的数据具有不同特性,如全局特性、局部特性质3.函数乘积的积分是容许核.性等,这就需要核矩阵在集成时可以评佔这些潜在设s(x,)是一个定义在X×X上的函数,使的异构目标描述子各自的贡献.因此出现了一些加得k(x,x)=/5x,x)(2,x)dx存在则ka,2)板图多核合成方法,这类多核方法都无追过多个核是一个容许核数的线性组合得到的,图1所示的就是其构成的性质4.平移不变核是容许核的充要条件示意图个平移不变核k(x,2)=k(-x)是容许核,类别标号或预测值结果输出)且仅当其傅里叶变换F(u)-(2x)-号xk(x)i(ur)dx是非负的分类或回归(分类器或回归R效性质5.内积型核是容诈核的必要条件.合成核空闫合成核若一个内积型核k(x,2)=k(x·z)是容许核,则它必满足v≥0.k(5)≥0.0k()≥0且k(5)Kernel sKernel h5k()>0核空间(kemC性质6.内积型核是容许核的充要条件.一个内积型核k(x,z)=k(x·z)是容许核,当征空间(C且仅当其幂级数展开式k(t)=∑0ant中所有系数an≥0.对于有限维的空间,条件可以稍微减弱输入数据图1多核函数线性组合合成示意图当前已经仔在较多的满足 Mercer条件的核函rig. 1 Sketch map of composition using multiple kernel数,常见核函数通常可分为两类:局部核和全局核6ar而局部核选择不同的核参数,又可分为大尺度核与小尺度核.在一些复杂情形下.同时考虑核机器分下面呆用公式的形式对上述线性组合合成核进类、回归性能和泛化能力,将不同核组合使用,将是行描述.假定k(x,2)是已知核函数,k(x,2)是它的更合理的选择归一化形式,例如核函数k(x,z)可以采用如下方法进行归一化:√k(x,x)k(z,x).采用以引入的符2基本多核学习:合成核方法号,可以定义以下几种合成核:将不同特性的核函数进行组合,获得多类核函a)直接求和核( Direct summation kernel)数的优点,可以得到更优的映射性能.并且,典型的学习问题经常涉及到多种或者异构的数据,多核方k(,2)=∑k(x,2)法可以提供更佳的灵活性.此外,它可以作为一种巧妙的方法来解释学习结果、使得应用问题可以得到b)加求和核( Weighted summation kernel)更深入的理解.这就是多核学习的一类基本方法,即合成核方法k(x,2)=∑(,2,≥0,∑月=1(6)2.1合成核的构造1)多核线性组合合成方法c)加权多项式扩展核( Weighted polynomial多核学习最早从生物信息学领域得到应用和认extended kernel同.如 Pavlidis等20在2001年就研究了基于异构k(x,z)=ak1(x,2)+(1-a)k2(x,2)(7)1010自动化学报36卷其中.k(x,2)是k(x,x)的多项式扩展是,该合成核矩阵的大小为(s×n)×(s×n),而原近来,这类合成核法又得到一些改进,在图始核矩阵的大小都是n×n,由于合成核矩阵是原始像目标的识别领域得到广泛应用.如在金字塔框架核矩阵规模的§倍,因此样本特征必须被复制,使运对日标形状进行多核表示阿,或釆用多核方法,算量成倍增加自动获得基」决策的一种相应目标类别的稀疏依赖3)其他改进合成核方法图,实现了多类目标联合检测③2].提高了目标的识近年来,针对多核学习中核函数的选取以及杖别率.通过同时考虑多核线性组合的稀疏性和分类值系数的改进,又出现了一些新的多核合成方法,器的强判别力,将多核学习问题转化为不同的优化如:问题58.63,或通过多对象描述子、多特征空间的整a)非平稳多核学习合,并进行快速求解64.此外,合成核方法在特征提前述的多核线性组合方法都是对核函数的平稳取、处理及应用7、分类972-4、图像分割、组合,即对所有输入样本,不同的核对应的权值是系统辨识等方面又得到了一些成功应用不变的.无形中对样本进行了一种平均处理. Lewis2)多核扩展合成方法等吲提出了一种多核的非平稳组合方法,对每个输述合成核方法都是试图通过一种求和“平均入样本配以不同的权值系数.如常规SVM判别函化”的思想42来实现不同核矩阵融合.然而,这里数为存在个丢失原始核矩阵信息的风险.比如,如果数据集的局部分布是多变的.不同的核处理不同的区f(c)=∑0r,m)+b(1域会得到更好的结果,对不同核函数采用平均的方法将丢失刻画这些局部分布的性能.为了实现核矩引入不同的加权系数,典型的合成核SVM的阵的组合而不丢失任何原始信息,可以考虑将多核判别函数可以改写为矩阵进行扩展合成42],新的核矩阵由原核矩阵和其他不同的核矩阵共同构成.在这个更大的核矩阵中原核矩阵仍然存在.因此,原始核函数的性质得以保∫(x)-∑m∑k(x,x)+b(1留.该合成核矩阵的形式为而对于非平稳的合成核SVM,其判别函数改进11K1,2K为2.2K∑a:∑()k(c;,m)(12)K1 K可以看出,原始核矩阵位于新矩阵的对角线上在最大熵判别( Maximum entropy discrimination,其他所有元素是定义为(Kn)3=Fn(m,)的MED)框架下,通过使用一种大间隔隐变量生成两个不同核矩阵的混合,可由如下公式求得(以两个模型,使得隐参数估计问题可以通过变化边界和高斯核为例)一个内点优化过程来表示,并且相应的参数估计可以通过快速的序列最小优化( Sequential minimaloptimization,SMO)算法实现.通过多种数据集的4:4+(9)实验验证,非平稳的多核学习方法具有更好的通用性.很明显,当p=p时,Kp=knb)局部多核学习实验结果显示,当数据集具有变化的局部数据此后,仍旧是针对多核学习在整个输入空间中分布时,这种合成核方法将是更好的选择此外,通对某个核都是分配相同权值的问题,G6nen等0常核组合方法在很大程度上依靠训练数据,并且必利用一种选通模型( Galing nodel)部地选择合须道过学习获取一些权系数,以标识每个核的重要适核函数,提出了一种局部多核学习算法在SVM性.而在护展合成核方法中,这些核函数的重要性可框架下,其判别函数形如以直接从支持向量机的训练过程中导出.由此,分别对应不同核的权系数可以通过一个单独的分类尜优化过程整体得到.并且该优化过程不会像其他加权∑q∑(x)k1(x;xm/r)+b(13)核方法那样,由于在优化权系数和训练分类器过程中两次仗用训练数据而产生训练数据的过拟合.但其中,7z(x)是选通函数,其定义形式为8期汪洪桥等:多核学习方法10117(c)exp((vm, )+Umo)(14)详细阐述了应用于合成核的列生成 Boosting方法并成功推广到分类和回归问题∑ep(,x)+"l2)二次约束型二次规划从数学形式上看,二次约束型二次规划是一类这里的tm和tm是选通模型参数,可以在多核学习目标函数和约束同为二次函数的优化问题过程中通过梯度下降法获得.将局部选通模型和基于核的分类器相结合,优化问题可以用一种联合的方式加以解决.局部多核学习方法获得了与多核学习近似的精度,但只需要存储更少的支持向量.基于st.Px+qx+r;≤0,i=1,2,…,m此, Christoudias等又提出了一种基于 BayesianAr=b的局部权值求取方法,以使学习过稈能适应人规模(1的数据集这里,P,B1,…,Pn是n×n矩阵,优化变量x∈c)非稀疏多核学习R;如果P1,…,Pmn均为0矩阵,则约束变为线性大部分合成核方法都有式(6)的形式,即对多核的,该问题实际变为一个二次规划问题系数的约束是一种1范数的形式,以提高核组合的Bach等针对多核矩阵和分类器系数锥组合稀疏性.稀疏性的提高在一些情况下可以减少冗余,问题的联合优化,提出了Q(QP的-种新对偶肜提高运算效率.但当某个问题多个特征编码间具有式,把它作为一个二阶锥规划,可以利用 Moreau-正交性,稀性可能导致有用信息的丢失和泛化性 Yosida正则化来生成SMO方法的适用形式.实能变弱.Klof等通过对系数引入一种l2范数约验结果显示这种基于SMO的算法比常用工具箱中束,即‖2=1,提出了非稀疏的多核学习方法.虽应用的内点法更有效,广泛应用于支持向量回归问然在此约束下,名核组合形式是非凸的,但通过使用题1二范数‖|2=1边界上的值,可以得到一个紧致的3)半定规划凸近似,这就保证了核矩阵的严格正定性.通过在大通过在一个核矩阵中综合考虑训练数据和测试规模数据集下与C1范数和常用多核学习( Multiple数据, Lanckrict等田通过半定规划技术实现了核kernel learning,MKT)方法进行对比实验,仿真实矩阵的学习问题,也为合成核模型提供了一种功能验结果显示2-MKL在抗噪声和特征集冗余方面具强大的渐进直推式算法,该算法被成功应用并推广有较强的鲁棒性.此后,Klo等刚又将O2范数约到蛋白质功能预测0.其考虑的核矩阵具有如下形束推广到任意C范数,p>1,进步增强了核机器式的通用性和鲁棒性Ktr Ktrt2,2合成核机器的学习方法Kr Kt为了求取合成核的参数,通常是将合戊核与支其中,K一(x)重(x;),1-1,…,mu,m+持向量机方法相结合,然后将目标函数转化成不同1,…,m1+nt:这里nt和m是有标号的训练样的优化问题,如不同的正则化形式或对训练样本本个数和无标号的测试样本个数.我们的目标是的一些约束,通过不同的优化方法进行求解.基于通过优化关于训练数据块Kt的损失函数,学习得此,出现了多种合成核机器的学方法到最优的混合数据块矩阵Kr和测试数据块矩阵1) Boosting方法K1即利用有标号的训练样本米预测测试样本的类早期受集成思想和 Boosting方法的启发,别,也就是说,作者认为在训练的过程中同时考虑训Bennett提出了一种多自适应国归核( Multiple练样本和测试样本,可以找出最佳的核矩阵.但这additive regression kernels,MARK)算法.MARK样产生的问题是,求解核矩阵的搜索空间也相对变定义了一种异构核模型,并考虑一个大规模核知阵大,为了避免过学丬( Overfilling), Lanckriet利用库( Library),这个库由不同的核函数和其参数构成.限制核矩阵的迹为一常数米控制,于是有了约束式通过使用一种梯度 Boosting列生成方法, MARK tr(K)=C构建出异构核矩阵的每一列,然后将其添加到合成半定规划是一种凸优化问题( Convex opti-核中.算法的目标就是在这个核矩阵库的基础上,找 mization problem)∞o,它有一个线性的目标函数到一种构建推广模型的方法.这种方法推广性强,不( Alline objectives lunction)、有限个线性矩阵不等需要存储大量的数据米应对后续的预测,提高了预式约束( Linear matrix inequality constraints)以及测的效率在此基础上,通过与SVM结合,Bi等17有限个线性矩阵等式约束( Affine matrix equality1042自动化学报36卷constraints),其标准形式如下如回归问题、一类分类(奇异检测)问题等.实验结果显示该算法可以有效增强模型的自动选择能力min c u并能提高学习结果的解释性.同时能有效应用于数S.t.Fy()-Fd+uFi+,.+ugFg20十万个样本和数百个核的大规模组合优化问题.这7=1,…,种半无限线性规划相比其他方法明显提高了学习速度,适宜于解决大规模问题.特别是当SVMs与·些Au= b已出现的字符串核( String kernel)相结合, String(17)kernel也是一种有效的核方法,它根据两个字符串其中向量t是最优化目标,FF是n×n的的所有公共子串计算它们的相似度,利用这些核对对称矩阵.F(a)是一个半正定阵,上标j表示特征的稀疏映射,使得我们可以训练一种字符串核可能有1全1个约束式:满足此约束式的所构成sVM,并应用于计算生物学中的千万级样本的数据的集合是一个凸集合.A是一个行数与长度相同,片段24在此基础上,7iem等提出了一种应用于列数与b长度相同的矩阵表示有限个等式约束式联含特征映射的多核学习方法,为多兴分类问题的因此,半定规划是在对称且半正定矩阵的凸子集合多核学习提供了一种史方便和原理化的途径.通过( Convex subsct)卜:求解凸函数的最优化问题针对多核支持向量分类问题,通过定义一种对一种凸Q(QP以及两种 SILPs在数据集上进行比较,实验结果显示 SILPS比QCQP在速度上更能指标( Performance iudex)u(K),基于原始一对有优势终可以转化为一个标准的半定规划形式5)超核( Hypcrkcrncls)对基于核方法的支持向量机而言、如何选择一个合适的核函数实现自动的机器学习是一个很大的min t,t,入,υ,6挑战Ong等3通过定义一种核空间上的再生核t.tr|∑FHilbert空间,即超再生核 Hilbert空间,并引入超核的概念及构造方法,在更广义的层面上实现了这,K;≥0目标定义1(超再生核 Hilbert空间, Hyper reproducing kernel Hilbert space).改Ⅹ为非3.tre-tU8+ xy空集合,Ⅹ:ⅩxX是复合指标集,H为函数f:X→R的 Hilbert空间,该函数可表示为该空间中两(e+-6+入y)1t-26Ce个向量的内积,且其范数f=√f,f,则被0>0称为超雨生 Hilbert空间,如果存在一个超核k:x6>0X→R具有如下性质:(18再生性:对所有∫∈丑,有(k,),/)其中,t是引入的一个替代变量( Auxiliary vari-f(x),特殊地,(k(x),k(,x2)-k(xxablc),v,6,A是引入的 Lagrangian乘子,至此,可b)k张成整个空间H,即H以通过标准的半定规划求解方法得到B及相应的span()(XLagrangian乘子,半定规划具有很高的泛化能力c)对仟一固定的(X,超核k是关于其第线性规划( Linear programming,LP)以及QCQP二个输入的核函数,即对任一固定的x∈X,函数问题都可以转换推广成半定规划门题然后可以很k(x,x)-kx,(x,x),x,x′∈是一个核函数容易地使用内点法( Interior-point method)加以解在超再生核 Hilbert空间上,可以用类似于止则决化品质函数的方法.得到一个从训练数据对核进行4)半无限线性规划学习的推理框架.对超核的学习,可以通过定义Sonnenburg等B7在多核矩阵锥组合的基础上,个被称为品质函数( Quality functional)的量(类似提出了一种通用而更有效的多核学习算法.该方法于风险函数)来实现,这个量可以衡量核函数“非良将Bach等的QCQP对偶形式改写为一种半无限( Badness”的程度线性规划(Semi- infinitite linear program,SILP)形定义2(正则化品质函数, Regularized qual-式,新的规划形式可以在标准的SVM应用问题中, ity functionality).设X,Y分别是训练测试样本利用成熟的线性规划方法进行求解.并且,通过将组合和样本标签,对X的一个半正定核矩阵K,此形式进行推广,算法能有效解决更多类型的问题,其正则化的质函数定义为如下形式:8期汪洪桥等:多核学习方法1013g(,x,Y)=9mp(k,X,Y)+2‖(17)分组LasoLasso回归是目前处理多重共线性的主要方法这里,≥0是一个正则化常数,h表示空间之一,相刘于其他方法,更容易产生稀疏解:在参H中的范数,Qm(k,X,Y)是一种经验品质函数,数估计的同时实现变量选择,因而可以用来解决检它表示核函数k与某一特定数据集X,Y的匹配程验中的多重共线性问题,以提高检验的效率.Laso度,该函数的值常用来调整k以使得gm最优(如:可以推广为分组Laso( Group lasso),从而使得最优核目标度量)模型的解可以保持组稀疏性和层次性.Bach26·关引理1(再生核 Hilbert空间的表示定理,注于分块1范数正则化的最小二乘回归,即分组Representer theorem for hyper-RKHS).设Las0o题,研究了其渐进模型一致性,推导出了分X为非空集合,Qmp是任意经验品质函数,X,Y组Laso-致性在一些实际假设下的充要条件,如分别是训练测试样木组合和样木标签,则每一个最模型误定.当线性预测器和欧氏范数(2范数)用函小化正则化品质函数g(k,X,Y)的k∈Ⅱ具有数和再生核 Hilbert,范数代替,这就是常说的多核学以下的一种表示形式习问题.通过使用函数分析工具和特定的协方差算,将上述一致性结果推广到无限维情形,同时提出k(x)=∑月12(m,m),(m,m1),,x∈x种自适应方法来获得一致性模型的估计,即使2,7在非适应方法必要性条件不满足的情况下也能适用(20)为多核学习间题提供了一条新的途径对每一个1≤i,≤M,这里B;∈R2.3其他合成核参数学习方法根据超再牛核 Hilbert空间的表示理论可知,由超核构造的决策函数不仅由某一个单核构成,而且从最简单的多个核直接求和到上述的各种改进还由多核之间的一个线性组合构成,因此具有更优合成核构造方法,多核学习经历了从经验性选择的性能在分类、回归以及奇异检测等方面的实验证运用多和优化方法求解的过程但针对一些具体间实了该方法的有效性B.8,拓展了多核模型选择与题,对核参数的选取,多核权系数的设定,目前还没合成的研究途径有形成一个合理统一的模式.常用的方法只能是凭6)简单MKL借经验、实验对比、大范围的搜索或通过交叉验证从Bach等的多核学习框架36出发, Sonnen-等进行寻优.在这种情况下,也出现了其他的些方bug等提出了种通用而更有效的多核学习算法,实现了多核学习问题,典型的有法37,该方法通过迭代使用现有的支持向量机代1)基于智能优化方法的多核学习码,从一个新的角度解决了人规模问题的多核学习这类方法主要通过一些比较成熟的智能优化然而,这种迭代算法在收敛到一个合理解之前,需要方法,建立目标函数,寻找该函数极值的过程就是过多的迭代运算. Rakotomanonyy等27用一种自合成核参数寻优的过程如采用多项式核与径向适应的C2范数正则化方法米考虑多核学习问题,每基核的合成核2作为支持向量机的核函数k个核矩阵的权系数被包含在标准SVM的经验风险2-(1-p)km,将其用SVM进行预测过程中最小化问题中,并采用(2约束以提高解的稀疏,的参数向量(d,o,,p)作为粒子,其中d为多项式然后采用了一种基于分块1范数正则化的算法来解核参数,为径向基核尺度参数,y为SVM调整参决这一问题,为多核问题提供了一个新的视角,并且数,p为合成核的权重参数,利用粒了群算法对该合证明了该方法与Bach等的方法是等效的.从上运成核的参数进行优化,最终找到最优的预测结果描述可以看出,除了学习合成核外,该与法解决的是2)基于核目标度量的多核学习个标准的SVM优化问题,这里核的定义形式为核度量434是两个核函数之间或核函数与目多个核的线性组合. Rakotomamonjyl称之为简标函数间的一个相似性度量,在多核矩阵信息融合单多核学习( Simple MKL)在加权的2范数正则方面得到了应用,其概念最早由 Cristianini等提出化形式下,同时对多核权系数进行一个额外的1范考虑一个两类分类数据集S={(x,1)}=1,其中非数约束,为多核学习提供了一种基于混合范数正则∈{+1,-1},则在数据集S下,两个核矩阵之间的化的新思路.简单多核学习可以从两类分类问题向核度量定义为其他方向扩展,如回归、类、一类分类(奇异检测)A(S,K1,K2)(K1,K2)以及多类分类问题,具有很强的通用性,并且与其他(21√k1,K1)F(K2,k2)F多核学习算法相比,该算法收敛速度更快且效率更这里,(K,Ka)F=>1-1Fn(x2:)(x,T)通1044自动化学报36卷过上式,对应于S的核矩阵K的性能可以通过A;-2,t-0,1,2,值米量度,如:A(5,K,G),这里的G是基于特定任务的理想核G=y,其中y=m12…,.基另一种典型多尺度核为小波核函数( Waveletkernel function) 831于对目标核的度量原珥,通过使用不同的核函数,或定理1.令h(m)是一个小波母函数,a和c分者调节不同的参数值,可以产生一组核矩阵.然后,别表示仲缩和转移因子,a,∈R如果x,z∈R对该度量值的最大化执行半定规划或其他学习方法,则内积型小波核函数可表示为以得到一个对不同核矩阵加权组合的最优核3多个尺度的多核学习:多尺度核方法k(2)=江4(合成核方法虽然有了一些成功应用,但都是根据简单核函数的线性组合,生成满足 Mercer条件的转移不变小波核函数为新核函数;核函数参数的选择与组合没有依据可循,对样木的不平坦分布仍无法圆满解决,限制了决策k(a, z)=(函数的表示能力.在此情况下,山现了多核学习的种特殊化情形,即将多个尺度的核进行融合.这种定理2.考虑具有一般性的小波函数方法更具灵活性,并且能比合成核方法提供更完备的尺度选择.此外,随着小波理论、多尺度分析理论h(x)=cos(1.75x)252间使其其有了很好的且论录这类方法目箭也如果x2(R",则小波核函数为得到了很好的利用,烘型的如 Kingsbury等③2将多个尺度大小的核进行分光heng等B到、 Yang k(a,2)=h(x二等834提出了多尺度支持向量回归.分别用于非平坦i=1数的估计和时序列预测.此外,通过进一步将多∏1c015(n-2)C一之尺度核与支持向量机结合.多尺度核方法在基于回归的热点检测48和图像压缩49等方面均得到了应(26用.近来,结合多尺度分析方法,基于 Hilbert空间通过仲缩因子a的变化,即可得到不同尺度的小波中的再生核进行函数重构得到了重视并进行了相关的应用研究;此外,多尺度核方法又逐步推广到核函数了高斯过程的健模与处里-27,这对基于核方法3.2多尺度核的学习方法的机器学习又是一次大的扩展1)多尺度核序列学习方法3.1具有多尺度表示能力的核函数对多尺度核的学习,很直观的思路就是进行多尺度核的序列学习.多尺度核序列合成方法32简单度表示能力的核函数.在被广泛使用的核函数中,高理解就是先用大尺度核拟合对应决策函数平滑区域的样木,然后用小尺度核拟合决策函数变化相对剧斯径向基核烈区域的样本,后面的步骤利用前面步骤的结果,进k(a, a )=cxp(22行逐级优化,最终得到更优的分类结果考虑一个两尺度核k1和k2合成的分类问题是最受欢迎的,因为它们具有通用普遍的近似能力,我们要得到合成的决策函数同时它也是一种典型的可多尺度化核.以此核为例f(x)=f1(x)+f2(x)将其多尺度化(假设其只有半移不变性):k(-22这里22af()=∑ak1(xn,)b2其中.σ1
- 2020-12-07下载
- 积分：1
5G助力智能电网应用白皮书-移动 华为 南电201806.pdf.PDF
“4G 改变生活，5G 改变社会”。作为新一轮移动通信技术发展方向，5G 把人与人的连接拓展到万物互联，为智能电网发展提供了一种更优的无线解决方案。5G 时代不仅能给我们带来超高带宽、超低时延以及超大规模连接的用户体验，其丰富的垂直行业应用将为移动网络带来更多样化的业务需求，尤其是网络切片、能力开放两大创新功能的应用，将改变传统业务运营方式和作业模式，为电力行业用户打造定制化的“行业专网”服务，可更好地满足电网业务差异化需求，进一步提升了电网企业对自身业务的自主可控能力和运营效率。目录目录5G助力智能电网应用白皮书5G助力智能电网应用白支书1智能电网发展、趋势及新挑战02→>45G智能电网端到端网络切片解决方案271.1智能电网定义4.1总体体系智能电网发展现状42终端部分13智能电网发展趋势4.2.1业务类型与网络切片间映射关系1.4智能电网对电力通信网的新挑战4225G电力通信终端形态展望4.3网络部分43.1电力业务测络切片杯运25G+智能电网典型业务场景43.2电力业务络切片隔离方案08433电力业务络切片可靠性保障方案2.15G+智能电网应用述434电力业务网络切片能力开放方案22共型业务场景分析094.4电力业务通信管理支撑平台22.1控制类业务441申力业务通信管理支擤平台总体架构22.2采集类业务442电力业务遥信管理支撑平台功能模块23业务指标小结45安全体系3645.1智能电网安全体系整体要求452管側安全方案3|5G概述及其对智能电网的价值2145.3端侧安全方案3.15G的概念与特征325G网络切片关键技术335G对智能电网的价值25>5|总结与展望1.智能电网发展、趋势及新挑战1)国外智能电网发展概况美国、欧洲、日本、韩囯等国家和地区开展了大量智能电网的硏究工作。欧美智能电网主要关注点在用电側电能分析与管理:配网主要着重点在于分布式能源接入、微网1.1智能电网定义运行管理,根据各自的国情,确定了不同的发展愿景和计划方案,启动一系列的研究O助力国家发展改革委、国家能源局联合印发《关于促进智能电网发展的指导意见》(发示范和平台项目。日韩等亚洲发达国家主要关注新能源的研究及使用,加大对光伏、风改运行〔2015〕1518号),眀确指出“智能电网是在传统电力系统基础上,通过集成新能和可燃冰、储能、电动汽车方面的硏发应用,通过政府釣顶层设计及立法保障,保障力智能电网应用白皮书能派、新材料、新设和先进传感技术、信恳技术、控制技术、储能技术等新技术,形智能电网基础设施的有序建设的新一代电力系统,具有高度信忘化、自动化、互动化等特征,可以更好地实现电网安仝、可靠、经济、高效运行。”智能电网的概念涵盖了提高电网科技含量,提高能源综合利用效率,提高电网供电(2)国内智能电网发展概况用日皮书可靠性,促进节能减排,促进新能源利用,促进资源优化配置等内容,是一项社会联动南方电网公司:公司以促进电网向更加智能、高效、可靠、绿色的方向转变为标的系统工程,最终实现电网效益和社会效益的大化,代表着未来发展方向。智能电网以应用先进计算机、通信和控制技术升级改造电网为发展主线,在大电网安全稳定还行以包括发电、输电、配电、储能和用电的电力系统为对象,应用数字信息技术和自动控分布式能源耦合系统、新能源并网、输变电眢能化、配电智能化、智能用电等领域开展制技术,实现从发电到用电所有环节信息的双向交流,系统地优化电力的玍产、输送和了广泛技术研究和诸多示范工程建设,建成了世界首个±800千伏特高压直流输电示范使用。总体来看,未来的智能电网应该是一个自煎、安全、经济、清洁的并且能够提供工程,建成了世界上容量大、电压等级最高的±20万千瓦 STATCOM工程,建设了适应数字时代的优质电力网络世界笫一糸多端柔性直流输电工程,通过永富直流、鲁西背靠背实现云南电网与南方主异步互联等;在广东佛山、贵州贵阳等地区开展集成分布式可再生能涼釣主动配电网智能电网示范,试点应用智能配电网自愈控制技术,实现了智能配电网约“自我感知、自我诊断自我决策、自我恢复”:在广西南宁开展了灵活互动的智能用电关键技术研究示范,实现电力用户与供电系统的信息交互、智能家庭能效评测、客户用电优化调度、节能澘力优清洁友好化分析、充放电与储能接入管理以及分布式电派接入管埋等功能建设;建成匾内首个兆发电多样互动用电瓦级电池储能电站,开展大规模间歐式新能涼消纲示范安全高效灵活可靠国内电网公司:公司于2009年5月提出了立足自主创新,加快建设特高压电网为骨干网架,各级电网协调发展,具有信息化、自动化、互动化特征的统一的堅弨智能电的发展口标,力图打造“坚强可靠、经济高效、清洁环保、遷明开放、友好互动的现代电网”,2009-2010年为规划试点阶段,2011-2015年为全面建设阶段,2016-2020图1-1智能电网基本环节年为引领提升阶段。公司在特高压电网、输电设备运行监测、智能变电站准广、配电自动化、信息化平台、电动汽车充换电网络、大规模可再生能泺接纳等方面开展了相关建设1.2智能电网发展现状已建成充换站超过1500座,充电桩3万个,建立了风电研究检测中心和太阳能发电研智能电网楒念自2001年较为明确地提出以来,得到世界范围的广泛认同。十几年来,究检测中心,延成了世昦上规模最大的弘北风光储翰联合示范工程,完成了大规模风电世界各国政府、电力全业、科研机构结合各自经济社会发辰水平、能涼资源禀赋特点和功率预测及运行控制系统的全面推广建设电力工业发展阶段,进行了深入研究和实践探索,智能电网的概念和特征、内涵与外延不断得到丰富发展。特别是随着全球新一轮科技革命和产业变革的兴起,先进信息技术1.3智能电网发展趋势互联网理念与能源产业深度巸合,推动着能源新技术、新模式和新业态的兴起:发展智根据国家《能源发展“十三五”规划》、《电力发展“十三五"规划》、《关于促进智能电网成为保障能源安全、应对气候变化、保护自然环境、实现可持续发展的重耍共识能申网发展的指导意见》、《关于推进“互联网+”智慧能源发展的指导意見》等指导文件02为实现“安全、可靠、绿色、高效”的总体目祘,围绕智能电网发翰用全环节,未来发柔性化建设,实现配电网可观可控,澌足多元负荷“即即用"的接入耑求,提升电网供展趋势包括五大重点领域,分别为清洁友好的发电、安全高效的输变电、灵活可靠的配电电可葦性、电能质量和服务水平。城市内申动汽车、充电桩等新能源业务及农村更多的多样互动的用电、智慧能源与能游互联网。光伏扶贯、农光互补、渔光互等新能涼需保降接入和消纳将逐步普及,配电网需适配吏多元负荷的“泛在接入”、“即插即用”的需求。同时,匯着智能分层分布式控制体系逐步建立,配电网自动化水平将全而提升,其精准控制的能力将进一步加强。清洁友好的发电力智能电网应用白皮书(4)多样互动的用电关键特征为“多元友好、双向互动、灵活多样、节约高效";核心作用是打造全方位智惠能源与能安全、可靠安全高效的输客户服务互动平台,全方位加强客户互动,满足智慧用能的需求,提高终端能源利用效率,源互联网绿色、高效推动能涼消费草命。电动汽车、电供暖{冷)、港口岸电等终将逐步普及,电能占终用日皮书端能涼消费比重将不断上升:随着未来高级量測体系将被广泛部著,智能家居与智能小区业务将进一步丰富,随着阶梯申价、实时申价、用电负荷需求側响应等业务将浮步渗透多样互动的用灵活可靠的配用户将可更多地参与到自身的用电管理中。(5)智慧能源与能源互联网图1-2智能电观发展写标及重点方向关键特征为“多能互补、高效协同、开放共享、价值创新":核心作用是打造具有独特竞争力的新型综合能源服努商,创新企业价值,促进互联网技术与能源系统深度融(1)清洁友好的发电促进能源耦合系统基础设施建设,推动能源市场开放和产业升级,支撑低碳、清洁、高关键特征为“清洁低碳、网源协同、灵活高效”。核心作用是增强系统灵活性,提升效的社会发展。随着传感、信息、逦信、控制抆术与能源系统的深入融合,传统单一能非化石能源消费比重,推动能源结构转型升级。以风能、太阳能为主的可再生能泺开发络向多能互补、能源与信息通信技术深度融合的智能化方向发展,电、热(冷令)利用技术日益成熱,成本不断降低,逐渐成为芢代传统化石能源的重要选择,末来可再等各领虓的能源需求将逐步统筹,从而实现多能协同供应和能源缐合梯级利用。同时,生能源逐步晳代化石能源。另一方酉,随着储能、分布式能源、微网等技术发展,能源随着综合能源服务业务、智能源的发展、及互联网技术的深入应用,能源耦合系统基供给形态将从集中式、一体化的能源供给向集中与分布协同、供需双向互动的能源供给础设施将逐步完莤,能源市场将逐步开放,能瀛产业将进一步转型升级,转变1.4智能电网对电力通信网的新挑战(2)安全高效的输变电电力通信网作为支撑智能电网发展的重要基础设池,保证了各类电力业务的安全性、关键特征为“安全高效、态势感知、柔性可控、协调优化”。核心作用是提升翰变电实时性、准确性和可靠性要求。构建大容量、安全可的光纤骨干通信网,以及泛在多设傜的智能化水平,构建全生命周期管理体系,提升电安全防御能力、资源配置能力业务灵活可信接入的配电遲信网,这是通信网络建设的两个重要组成部分。在骨干通信和瓷产利用效率。随着电力一次设各与在线监测传感器及过程层智能设备的有机整合,网侧,经过多年建设,35k∨以上的主网通信网已具备完善的全光骨干网络和可靠高效数翰变电环节将趋于測垦数宇化、控制网络化、状态可视化、功能一体化和信崽互动化等据网络,光纤瓷源已实现35k∨及以上厂站、目有物业办公场所/宮业所全盖。在配进而输电智能化水平、智能变电站智能运维水平将全面提升。同时,为保障城市在台风、电通信网侧,由于点多面广,海量设备需要实时监测或控制,信息双向交互频案,且现低温、雨雪、凝冻等严重自然灾情下的基本运转,,需枃建纵深防街、安全可靠的城市有光纤覆盖建设成本高、运维难庹大,公网承载能力有限,难以有效支撑配电网各类终保底电网为保隴建设城市防灾保底电网端可观可测可控。陡着大规模配电网自动化、高级计量、分布式能源接入、用户双向互动等业务快速发展,各电网设音、电方终端、用电客户的通信需求爆发式增长,迫切(3)灵活可靠的配电需要构建安全可信、接入灵活、双向实时互动的"泛在化、全覆盖”配电通信接入网,并采用先进、可靠、稳定、高效的新兴通信技术及系统予以支撑,这是智能电网发展对配关键特征为灵活可靠、可观可控、开放兼容、经济适用核心作用是加强配电刘自动化、电网通信提出的新需求0405因此,从发展趋势看,未来智能电网的大量应用将集中在配电网侧,应采用先进、可靠、能源间协调、泺网荷储互动、双向互动充电桩等稳定、高效的新兴通信技术及系统,丰富配电网侧的通信接入方式,从简单的业务需求被动满足转变为业务需求主动引领,提供雯泛在的终接入能力、面向多样化业务的强(3)通信网络需具备更强大的承载能力,差异化的安全隔离能力及更高大承载能力、差异化安全隔离能力及更高效灵活的运营管理能力。,lll效灵活的运营管理能力(1)电力通信网络是支撑智能电网发展的基础平台为满足智能电网的五大发展重点,通信网络需具备更强大的承载能力(如百万智能电网的发展强调多种能源、信息的互连,通信网终将作为网络信息总线,承担干万级的连按能力、单站具备n10Mps的带宽承载能力,具备毫秒级的时延能力)电网应用白皮书着智能电网源、网、荷、储各个环节的信息釆集、网络控制的承载,为智能电网基础对电刀不同生产区业豸能提供差异化的安全隴离能刀,同时能针对不同终端:提供终端、施与各类能源脹务平台捉供,安全、可靠、高效的信息传送通道,实现电力生产、输送、连接甚至网络资源的灵活开放的运营管理能力。消费各环节的信息流、能量流及业务流的贯迸,促进电力系统整体高效协调运用日皮书能楼宇洁友好的安全就的多互动的智能与输变G能源互联网笔电智能变电站污能家居更多的连接数量更大的信宽带更可霏及更低的网络时延百万、干万级n10bps级时廷ms级)更高效的网鲳运营终连接管②能电表网络运行台理资源管理等更安全的隔承载电力通信网支安伞保护及冯分在式光伏冬1-4面向智能电网的逆信网經体功能需求俗》白电动汽充电4)通信网作为统一的通信平台,实现业务的集约化承载,进一步促进智能电网的数据共享及业务发展通信网络需尽可能多地解决各类业务的接入需求,最大限度地利用电网自身资源图1-3电力通信络在智能电网中的定位遥过统一的通信平台,提供可雪、安全的遥信通道,提高网络效率。同时,通过通信网(2)通信网络需要从被动的需求满足,转变为主动的需求引领提供的灵活便捷的接入方式,进一步促进能源互动、数据共享或有假服务等能源互联网目前业务系统通信耑求均基于设备的生产控制为主,未兼顾人、车、物等综合的管业务的发展提供帮助。理场景需求。随着智能电网的发展,通信的需求及业务类型具有多样性、复杂性及未知性等特点,通信网络需适度超前,提前储备,提前满足未来多元化的业务承载需求,如智能化移动作业、巡检机器人、数字化仓储物流、綜合用能优化服务、电能质量在线监测062.5G+智能电网典型业务场景2.2典型业务场景分析2.2.1控制类业务2.15G+智能电网应用概述22.1.1智能分布式配电自动化助力智能电网应用白皮书智能电网无线通信应用场景总体上可分为控制、采集两大类。其中,控制类包含智智能分布式配申自动化终端,主实现对配电网的保护控制,通过继电保护自动装能分布式配电自动化、用电负荷需求侧昫应、分冇式能源调控等:采集类主要包括高级置检测配电网线路或设备状忞信息,快实现配网线路区段或配网设各的故障判斷及准计呈、智能电网大视频应用确定位,快速嗝离配网线路詨暲区段彧炇障设备,后恢复正常区淢供电。该终鲔后绠」控制类业务场景:当前整体通信特点为釆用子站/主站的连接模式,星型连接拓扑,集成三選、配网差动保护等功能。主站扫对集中,一般控制的时延要求为秒级。天来匯着昝能分布式配网终端的广泛应用,(1)业务现状及发展趋势用日皮书连接模式将出现更多的分布式点到点连接,匯着用电负荷需求恻昫应、分布式能源调控①当前现状及未来的发辰趋势等应用,主站系统将逐步下沉,出现更多的本地就近控制,且与主网控制联动的需求早期的配网保护多采用简荜的过流、过压逻辑,不依赖通信,其不足之处在于不能时延需求将达到亳秒采集类业务场景:未来采集频次、內容、双向互动方面将有较大变化。实现分段隔离,停电影响范围扩大。为实现故障的精准隔离,需要获取扫邻元件的运行采集频次:当前基本按照月、天、小时为单位采集,未来为满足负荷精确控制,用信息,可采用集中式或分布式原理户实时定价等应用的发展,采集频次将趋于分钟级,达到准实时能力集中控制型,中心逻辑单元负责主要保护逻辑运算及发出保护跳闸指令。就地逻辑采集内容:当前主要以基础数据、图像为主,码率为100kps級。随岧智能电网、单元负责就地的信息采集并处理、执行就地保护珧阑指令,将处理后的就地信息传送给物联网的迅速发展,采集对象将展至电力二次设备及各类环境、温湿度、物联劂、多中心逻辑单元媒体场景,连接数量预计至少翻一倍;中远期若在产业驱动下,集抄方式下沉至用户采集内容将深入到户内用电设备的信息,连接数预计50-100倍;另外,采集内容亦从原有的简单数据化趋于视频化、高清化,尤其在无人巡检、视频监控、应急现场自组网综合应用等场景将出现大量高清视频的回传耑求,局部带宽需求在4-100Mbos级就地逻捐元保护遥信关联鸟网就地湿单双向互动:随着家庭能源管理应用的推广,通过智能电表实现家电用电信息采集;通过智能交互终端,以APP的方式,给用户提供实时电价和用申信息,实现对用户室内用电装置的负荷控制等冬类互动服务与电力谱值服务功能,达到需求侧管理的三的。(就把逻单(就地送仁单元)表2-1智能电网应用场景及整仁发展趋势业务架型典型场景当前通信特点末来道信趋势网深(就逻板单兀就地逻仁甲元)1、迕接模式:子如/±1、迕接模式:分布式点对点迕接智能分有式配也目动化、篮模式,主篮控制类用电负荷需求侧[应站式,主集中,星型号子站主站棵式并存,主站下沉连为主本地就近控制图?-1集中控制型保护典型拓扑2、时要求:秒级延要求:毫秒级1、采集次:月、天、1、采集烦次:分钟级,准实时视频化、高清化分布式控制型,根据网架结构划分设各组,分组内的每台终端都可以起到中心逻輯高级计最、暂能电网大视小时级烦应用(包括变电站巡检2、采集内容:基础数揖带机影入、输电线路无人机图像为主,单终端码塞为在4-100Ms不等单元的作用,就地执行跳闸操作。各终端处埋后的就圯信息传送给运维中心。采集类巡检、配电房视频综合监10kb0s级采集范围:近期扩展到电力控、移动式现场施工作业采集范彐:电力一次次设备及各类环控、物联网,多体场景,迕接效致计至少劃在配网领域推广应用差动儇护,可以进一步缩短故障持续时间,提高供电可靠性管控、应急现场自组网综设备,配观计一般用合应用等集抄方式,迕接数量百个倍;中远斯若产业驱动将下沉至用户,并深入到户内,连接数00倍08市电力需求侧管理平台配网保护数据交互助力智能电网应用白皮书护通信关联保护通信关O供电局需求响应管理系统配网保护配网保护配网保护配网保护咳定负荷产品生成块负荷产品交易模块核定用日皮书需求响应集成服务公司2企业或负荷控制服务平台企业n回配网保护圉2-2分冇式控制型保护典型拓扑图2-3用电久荷求侧响应示意图(2)来的通信需求(1)业务现状及发展趋势带宽:差动保护带览要求2Mps。①当前现状②2)时延:差动保护要求延时小于10ms,时间同步精度为10us,电流差动保护装置传统需求侧响应对负荷的控制指令在终端与主之间交互,终端樻向之间无数据交所在变电站距离
- 2020-12-02下载
- 积分：1
电子噪声与低噪声设计
本书致力于利用随机噪声理论分析和解释电子系统中噪声的产生和传播问题，介绍各种噪声源相关的机制和模型，说明不同噪声的特性和传播方式，以及线性电路中的噪声分析方法和噪声特性测量方法，并详细介。。。内容简介电子噪声包括内部固有噪声和外部干扰噪声。电子噪声是影响检测系统性能的主要因素之一。在通信系统中,噪声可能导致信息传输错误本书致力于利用随机噪声理论分析和解释电子系统中噪声的产生和传播冋题,介绍各种噪声源相关的机制和模型,说明不同噪声的特性和传播方式,以及线性电路中的噪声分析方法和噪声特性测量方法,并详细介绍各种不同噪声的抑制方法,给出大量实例,总结出低噪声设计的规则和要点。木书可用作电子工程、自动化、测试技术与仪器等专业的本科生或研究生教材,也可供涉及电子噪声和电磁兼容性的工程技术人员参考。本书封面贴有清华大学出版社防伪标签,无标签者不得销售版权所有,侵权必究。侵权举报电话:010-6278298913701121933图书在版编目(CIP)数据电子噪声与低噪声设计/高晋占编著.一北京:清华大学出版社,2016ISBN978-7302-43559-4I.①电…Ⅱ.①高…Ⅲ.①电子系统一噪声②电子系统一低噪声一设计ⅣN.①TN911.4②TN722.3中国版本图书馆CIP数据核字(2016)第081960号责任编辑:王一玲封面设计:常雪影责任校对:梁毅责任印制:沈露出版发行:清华大学出版社pogtlt:http://www.tup.com.cn,http://www.wqbook.com地址:北京清华大学学研大厦A座邮编:100084社总机:010-62770175邮购:010-62786544投稿与读者服务:010-62776969,c-service(@tup.tsinghua.edu.cn质量反馈:010-62772015, zhiliang tup. tsinghua.edu.cn印装者:清华大学印刷厂经销:全国新华书店开本:185mm×260mm印张:21字数:522千字版次:2016年6月第1版印次:2016年6月第1次印刷印数:1~1500定价:59.00元产品编号:06269401在电子电路和系统中,噪声是个重要问题。噪声污染有用信号,并使信号包含的信息增加了不确定性。电子噪声是影响检测系统性能的主要因素之一。在通信系统中,噪声可能导致信息传输错误。即使在噪声阈值较高的数字电路和计算机系统中,严重的噪声可能造成存储位的变化和程序运行混乱噪声包括内部固有噪声和外部干扰噪声。内部固有噪声是由载流子的随机运动引起的,有些固有噪声源可以通过在制造过程中提高加工质量加以控制,但其中大多数是基础噪声,不取决于技术。而外部干扰噪声是由外部噪声源发岀,经过某种耦合渠道对电路污染的结果。这两种噪声具有不同原因,它们需要不同的处理方法,在多数书籍和文献中,这两种噪声都是分别对待的,外部干扰噪声通常是电磁兼容性(EMC)相关书籍的主题。但是,这两种噪声引起的问题是类似的,应该综合在一起考虑。在处理其中的一种噪声时,有理由必须把另一种噪声也考虑在内。例如,当处理弱信号的电路无法正常工作时,污染了有用信号的噪声是源自于该电路本身还是从外部拾取的,从用户的角度来看都是无关紧要的。在这两种情况下噪声都会掩盖信号,在最坏的情况下则不能恢复信息内容。因此,只努力抑制电路的固有噪声,但缺乏抵御干扰噪声的保护手段,电路的噪声特性就会大打折扣。另外,在设计屏蔽措施时,努力把干扰噪声降低到固有噪声幅度之下,往往没有多大意义。本书涵盖上述两种噪声,致力于分析和解释电子系统中各种噪声的来源和性质,介绍各种噪声源的机制和模型,说明不同噪声的特性和耦合方式,以及线性电路中的噪声分析方法和噪声特性测量方法,介绍各种噪声的抑制措施,给出低噪声设计的规则和方法。许多种噪声具有随机性,其描述方式和分析方法不同于确定性信号,不太容易理解,本书第1章首先介绍随机噪声的基本原理和特性,这是后续各章及延续阅读的理论基础。第2~5章致力于固有噪声,这种噪声取决于电子器件和电路设计。第2章介绍各种固有噪声源的特性和描述方法;第3章介绍各种噪声参数和噪声分析方法;第4章介绍电子系统中常见的电子器件的噪声源、噪声模型和噪声特性;第5章介绍常用的噪声性能测量方法。前言第6~8章致力于外部干扰噪声,这种噪声受设备的物理结构和电路布局的影响很大。第6章介绍各种干扰噪声源和干扰耦合途径,除电磁噪声外,还特别介绍机械原因或温度扰动引起的噪声;第7章介绍干扰噪声抑制方法,重点是屏蔽和接地;第8章介绍常见干扰噪声源的噪声产生机制和预防措施。第9章介绍低噪声电路设计的方法和技术,包括选择低噪声有源器件,确定电路组态和工作点,噪声匹配的实现等,特别分析了反馈对噪声性能的影响。本书可用作电子、通信、自动化、测试技术与仪器等专业的高年级本科生或研究生教材,也可供涉及电子噪声和电磁兼容性的工程技术人员参考。由于作者水平所限,书中难免存在缺点和错误,恳请广大读者批评指正高晋占2015年10月于清华园符号說明1.基本符号X电抗的通用符号,单位为Ω频率通用符号,单位为Hz导纳的通用符号,单位为Sfo中心频率,单位为Hz阻抗的通用符号,单位为Ω截止频率,单位为Hz角频率通用符号,单位为rad/s电流通用符号,单位为A2.线性系统符号距离或长度,单位为mA(t)幅度函数电压通用符号,单位为V)相位函数器件内部的等效电阻,单位为9G(a)幅频特性函数B系统频带宽度,单位为Hz相频特性函数B电纳的通用符号,单位为Sh(t)冲激响应函数C电容的通用符号,单位为FH(j)频率响应函数E数学期望运算子H()传递函数电导的通用符号,单位为SH(x1)离散传递函数电流的有效值,单位为A3.随机噪声符号平均直流电流,单位为A噪声电压L电感的通用符号,单位为H噪声电流互感的通用符号,单位为H噪声电压的均方值P功率的通用符号,单位为W噪声电流的均方值R电阻或等效电阻,单位为ΩE电路的输入电阻,单位为Ω噪声电压的有效值,En=√eR电路的输出电阻,单位为噪声电流的有效值,n=√R负载电阻,单位为Ω噪声电压的平方根谱密度,单位R信号源内阻,单位为Ω为V/√Hz电压的有效值,单位为V噪声电流的平方根谱密度,单位热力学温度(旧称绝对温度),单为A/√Hz位为K热噪声电压符号说明热噪声电流共射接法下集射极之间的微变电散弹噪声电压阻散弹噪声电流场效应管漏源之间的等效电阻1/f噪声电压导通电阻1/f噪声电流二极管,场效应管的漏极F噪声系数( noise factor)场效应管的栅极噪声因数( noise figure),单位为dBS场效应管的源极S信噪比二极管电流,漏极电流B等效噪声带宽共射接法下的基极电流△f窄带宽度共射接法下的集电极电流p(x)x的概率密度函数共射接法下的发射极电流x的均值共基接法下的电流放大倍数,a=x的方差△Ic/△Ix的标准差共射接法下的电流放大倍数,B=x的均方值△Ic/△IBC2(x)x的自协方差函数共射接法下的直流电流放大倍Cx(x)x的归一化自协方差函数数,B=Ic/IBCx(z)x和y的互协方差函数5.其他符号Cx(x)x和y的归一化互协方差函数电磁辐射速度,c=2.998×10m/sR2(r)x的自相关函数h普朗克( Planck)常数,h=6.62R2(x)x和y的互相关函数1034JsS(f)噪声的功率谱密度函数k玻耳兹曼( Boltzmann)常数,k=S2(f)噪声电压的功率谱密度函数1.38×1023J/K(f)噪声电流的功率谱密度函数电子电荷,q=1.602×10-°C2(f)x的功率谱密度函数波长,mS2(f)x和y的互功率谱密度函数介质的介电常数p(x)x的归一化自相关函数自由空间的介电常数,Eo=8.85×(x)x和y的归一化互相关函数10 pF/mmJ|雅可比( Jacobi)行列式对自由空间的相对介电常数,En=4.半导体器件参数符号基极介质的磁导率C集电极自由空间的磁导率,A0=4x发射极10Hm1=4x×10pH/mmfr晶体管的特征频率,即共射接法对自由空间的相对磁导率,=下电流放大倍数为1的频率,单/0位为Hz介质的电导g跨导铜的电导,=5.82×107S/m基区体电阻对铜的相对电导,01=a/0rb’e发射结的微变等效电阻CMRR共模抑制比第1章随机噪声基础1.1随机噪声概述…………1.1.1噪声定义与分类1111.1.2内部固有噪声和外部干扰噪声比较1.1.3噪声的影响1.2随机噪声的概率分析方法…3471.3随机噪声的统计特征…1.3.1均值、方差与均方值········,····,·,,··,,,,,,······,·······,·,,1.3.2相关函数与协方差函数…1.3.3功率谱密度函数151.4常见随机噪声171.4.1白噪声与有色噪声171.4.2窄带噪声………………………………………………………191.5随机噪声通过电路系统的响应…211.5.1随机噪声通过线性系统的响应……………………………211.5.2随机噪声通过非线性系统的响应24第2章电子系统中的固有噪声源……………………………………………………292.1热噪声302.1.1热噪声的起源…302.1.2热噪声的特性……………………302.2扩散噪声……………………………………352.3散弹噪声362.4量子噪声………………………………………………………………………………39Ⅵ目录2.5产生-复合噪声(G-R噪声)…………………………………………………………402.61/f噪声…422.7爆裂噪声……………………………………………………………………452.8雪崩噪声…第3章噪声参数与噪声分析503.1.功率和增益3.1.1功率的各种常用定义513.1.2资用功率和资用功率增益…3.1.3可交换功率和可交换功率增益553.2等效噪声带宽…563.3线性一端口的噪声参数……603.3.1等效噪声电阻…………………………………613.3.2等效噪声温度623.3.3其他噪声参数……633.4线性二端口的噪声模型与噪声参数653.4.1E-Ⅰ噪声模型及等效输入噪声电阻…………………3.4.2等效输入噪声温度………693.4.3工作噪声温度……………723.4.4噪声系数……733.4.5噪声测度………………………………………………………………813.5二端口噪声分析………833.5.1二端口的噪声模型变换…………………………………………………833.5.2等效噪声源相关时二端口的噪声分析…………84第4章电子器件噪声884.1电阻噪声………884.1.1电阻的噪声机制与噪声指标…………………………894.1.2低噪声电阻的选择4.2电容、电感和电池噪声934.3半导体二极管的噪声特性…………………………………………………………954.4双极型晶体管(BJT)的噪声特性……994.4.1BJT的结构、等效电路和噪声源………………………………………994.4.2BJT的噪声参数1024.4.3BJT噪声的频率分布……………………………………………………1044.5场效应管(FET)的噪声特性1075.1FET的结构与噪声源…………1074.5.2FET的噪声等效电路与噪声参数1104.6运算放大器的噪声特性………………………………………………………113目录4.6.1运算放大器的等效输入噪声模型………………………………1134.6.2运算放大器噪声性能计算1164.7传感器电路噪声分析………………………………………………………122第5章噪声性能测量1335.1噪声测量常用方法……1335.2噪声测量中的检波器和平均器………………………………………………………1365.3噪声功率和有效值的测量误差1404噪声功率谱密度测量………………………………………………………1425.5二端口等效输人噪声测量1465.6噪声系数测量…………………………………………………………………1475.7噪声温度测量……1545.8其他噪声性能的测量和计算………………………………………………1575.9噪声发生器160第6章干扰噪声1666.1外部噪声源………………………………………1676.1.1自然噪声源…1686.1.2电磁噪声源1706.1.3静电噪声源…1736.1.4非电起源的干扰噪声源………………………………………………1746.1.5干扰噪声的频谱分布1766.2干扰噪声耦合途径……………………………………………………………1776.2.1传导耦合…1796.2.2电场耦合………………………………………………………1836.2.3磁场耦合………1866.2.4电磁辐射耦合………1916.2.5耦合模式……………………………193第7章干扰噪声抑制方法…1967.1电磁屏蔽………………………………………………………………………1967.1.1场传播与波阻抗1977.1.2屏蔽层的吸收损耗……………………………………………………2007.1.3屏蔽层的反射损耗2027.1.4屏蔽层中的多次反射…………………………………………2067.1.5屏蔽效能分析与综合2087.1.6影响屏蔽效能的其他因素…………………………………2117.1.7屏蔽总结2147.2电缆屏蔽层接地216
- 2020-12-04下载
- 积分：1
