博客
关于我
理解ThinkRF实时频谱分析仪的频域电平触发
阅读量:329 次
发布时间:2019-03-04

本文共 1253 字,大约阅读时间需要 4 分钟。

ThinkRF 实时频谱分析仪 频域电平触发机制

ThinkRF 实时频谱分析仪 (RTSA) 拥有嵌入式实时硬件触发机制,可让用户在频域中定义频率范围和功率电平阈值。若信号超出定义的频域范围或功率水平,触发机制将立即开始捕获时域数据。


频域电平触发机制

RTSA 的数字化仪硬件部分支持实时触发功能。用户可通过应用程序或 SCPI 命令定义捕获数据量和触发条件。触发后,FFT 引擎会提取 1024 个时域波形数据的顺序帧,并将其转换为频域波形数据。FFT 引擎采用 125 MHz 的采样时钟(8ns 周期),并通过固定等待时间 F(17.312μs)流水线化处理。

在示例中,若分析的频域信号满足触发阈值和范围,触发捕获逻辑会激活捕获标志。捕获引擎随后检测到下一个有效的 VRT 帧,并开始将数据保存到板载内存中以返回给用户。


触发 SCPI 命令

频域电平触发器可与跟踪块捕获或扫描捕获结合使用。

  • 跟踪捕获结合使用:发出以下命令:

    :TRIGger:LEVel fstart, fstop, level TRIGger:TYPE LEVEL level

    其中,fstartfstop 为频率范围(单位可为 GHz、MHz 或 Hz),level 为 dBm 单位的触发阈值。

  • 扫描捕获结合使用:发出以下命令:

    :SWEep:ENTRy:TRIGger:LEVel fstart, fstop, level SWEep:ENTRy:TRIGger:TYPE LEVEL level

  • 触发响应

    触发机制的响应范围为指定阈值的 ±3 dBm。例如,若设定触发电平为 -40 dBm,则响应范围为 -43 至 -37 dBm。

    注意:建议使用固件版本为 1.6.0 或更高的 R55x0,以及 1.1.0 或更高的 R57x0。早期版本请更新固件。


    触发数据捕获设置建议

    为减少捕获间隔,建议合理设置 VRT 帧大小。例如,若需捕获 32k 样本,可将 SPP 设置为 512,每个 PPBlock 为 64。


    触发约束

  • 性能优化:建议使用 SH/SHN 模式,因其具有最佳性能且无 IQ失衡。
  • 频域分辨率:在 1024 点 FFT 模式下,触发频率范围的分辨率可能与捕获 RBW 不完全匹配。
  • 误触发控制:若输入信号的功率电平接近触发阈值,建议使用 0 dB 突变衰减以减少误触发。

  • 参考资料

    有关详细信息,请参考相关文件。


    缩略词

    • ADC:模数转换器
    • DC:直流电
    • DD:直接数字转换器(基带)
    • FFT:快速傅立叶变换
    • FPGA:现场可编程门阵列
    • HDR:高动态范围(100 kHz IBW)
    • IQ:同相和正交
    • IBW:瞬时带宽
    • RF:无线电频率
    • RFE:接收器前端
    • RTSA:实时频谱分析仪
    • SCPI:可编程仪器的标准命令
    • SH:超级外差(40 MHz IBW)
    • SHN:具有更窄带宽的超外差(10 MHz IBW)
    • ZIF:零中频(100 MHz IBW)

    图片来源:ThinkRF 5X50

    转载地址:http://ybph.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>