天线基础参数:增益与方向性系数、方向性函数的区别与联系

2023-10-29 08:50

本文主要是介绍天线基础参数:增益与方向性系数、方向性函数的区别与联系,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

天线是作为一种可以将导行电磁波和自由空间电磁波之间的转换器件,广泛用于接收或发射电磁波。为了评价天线的性能,也相应的定义了一些有关天线的基础参数如:方向性函数、方向性系数、增益等。下面来简要介绍一下这几个参数之间的区别与联系

1、方向性函数 F ( θ , φ ) F(\theta,\varphi) F(θ,φ)

方向性函数描述了在距离天线r处的远区场电场强度幅值 ∣ E = ( θ , φ ) ∣ \lvert E=(\theta,\varphi) \rvert E=(θ,φ)∣与辐射最强方向上距离天线r处的电场强度幅值 ∣ E m a x ∣ \lvert E_{max} \rvert Emax之比,描述了天线辐射的电场强度在空间中的相对分布情况,表达式如下:
F ( θ , φ ) = ∣ E = ( θ , φ ) ∣ ∣ E m a x ∣ F(\theta,\varphi)=\frac{\lvert E=(\theta,\varphi) \rvert}{\lvert E_{max} \rvert} F(θ,φ)=EmaxE=(θ,φ)∣

2、方向性系数 D ( θ , φ ) D(\theta,\varphi) D(θ,φ)

方向性系数描述了在距离天线r处的远区场功率密度 S ( θ , φ ) S(\theta,\varphi) S(θ,φ)辐射功率 P r P_r Pr相同的理想无方向性天线在相同位置的功率密度 S 0 S_0 S0之比。方向性系数定量描述了天线方向性的强弱。表达式如下:
D ( θ , φ ) = S ( θ , φ ) S 0 D(\theta,\varphi)=\frac{S(\theta,\varphi) }{S_0} D(θ,φ)=S0S(θ,φ)
D ( θ , φ ) = ∣ E = ( θ , φ ) ∣ 2 ∣ E 0 ∣ 2 D(\theta,\varphi)=\frac{\lvert{ E=(\theta,\varphi) \rvert}^2}{{\lvert {E_0} \rvert}^2} D(θ,φ)=E02E=(θ,φ)∣2

3、方向性函数 F ( θ , φ ) F(\theta,\varphi) F(θ,φ)与方向性系数 D ( θ , φ ) D(\theta,\varphi) D(θ,φ)关系

假设天线任意方向辐射功率密度为:
S ( θ , φ ) = ∣ E = ( θ , φ ) ∣ 2 2 η 0 S(\theta,\varphi)=\frac{\lvert{ E=(\theta,\varphi) \rvert}^2}{2\eta_0} S(θ,φ)=2η0E=(θ,φ)∣2
η 0 \eta_0 η0为真空中波阻抗:
η 0 = 20 π μ 0 ε 0 = 120 π \eta_0=20\pi\sqrt{\frac{\mu_0}{\varepsilon_0}}=120\pi η0=20πε0μ0 =120π
求得半径为 的球面上的功率为:

P r = ∮ s S ( θ , φ ) d S = r 2 ∣ E m a x ∣ 2 2 η 0 ∫ 0 2 π π ∫ 0 F ( θ , φ ) 2 s i n θ d θ d φ \begin{aligned} P_r&=\oint_sS(\theta,\varphi)dS \\ &=\frac{ r^2{{\lvert E_{max}} \rvert}^2}{2\eta_0}\int_0^{2\pi\pi}\int_0{F(\theta,\varphi)}^2sin{\theta}d{\theta}d{\varphi} \end{aligned} Pr=sS(θ,φ)dS=2η0r2Emax202ππ0F(θ,φ)2sinθdθdφ
S 0 = P r 4 π r 2 S_0={\frac{P_r}{4\pi r^2}} S0=4πr2Pr
D ( θ , φ ) = 4 π F 2 ( θ , φ ) ∫ 0 2 π π ∫ 0 F ( α , β ) 2 s i n α d α d β D(\theta,\varphi)=\frac{4\pi F^2(\theta,\varphi)}{\int_0^{2\pi\pi}\int_0{F(\alpha,\beta)}^2sin{\alpha}d{\alpha}d{\beta}} D(θ,φ)=02ππ0F(α,β)2sinαdαdβ4πF2(θ,φ)

4、增益 G ( θ , φ ) G(\theta,\varphi) G(θ,φ)

在距离天线r处的远区场功率密度 S ( θ , φ ) S(\theta,\varphi) S(θ,φ)与输入功率 P i n P_{in} Pin相同的理想无方向性天线在相同位置的功率密度 S 0 S_0 S0之比。可以看出,增益的定义与方向性系数的定义类似,与方向性系数一样,增益也可以用于表征天线方向性强弱。
G ( θ , φ ) = S ( θ , φ ) S 0 G(\theta,\varphi)=\frac{S(\theta,\varphi) }{S_0} G(θ,φ)=S0S(θ,φ)
G ( θ , φ ) = ∣ E = ( θ , φ ) ∣ 2 ∣ E 0 ∣ 2 G(\theta,\varphi)=\frac{\lvert{ E=(\theta,\varphi) \rvert}^2}{{\lvert {E_0} \rvert}^2} G(θ,φ)=E02E=(θ,φ)∣2

5、增益 G ( θ , φ ) G(\theta,\varphi) G(θ,φ)与方向性系数 D ( θ , φ ) D(\theta,\varphi) D(θ,φ)关系

需要明确的是,增益计算的前提条件为输入功率 P i n P_{in} Pin相同,而方向性系数的前提条件是辐射功率 P r P_{r} Pr相同这一点是需要注意的。
在这里插入图片描述

这篇关于天线基础参数:增益与方向性系数、方向性函数的区别与联系的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/299571

相关文章

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

hdu1171(母函数或多重背包)

题意:把物品分成两份,使得价值最接近 可以用背包,或者是母函数来解,母函数(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v) 其中指数为价值,每一项的数目为(该物品数+1)个 代码如下: #include<iostream>#include<algorithm>

C++11第三弹:lambda表达式 | 新的类功能 | 模板的可变参数

🌈个人主页: 南桥几晴秋 🌈C++专栏: 南桥谈C++ 🌈C语言专栏: C语言学习系列 🌈Linux学习专栏: 南桥谈Linux 🌈数据结构学习专栏: 数据结构杂谈 🌈数据库学习专栏: 南桥谈MySQL 🌈Qt学习专栏: 南桥谈Qt 🌈菜鸡代码练习: 练习随想记录 🌈git学习: 南桥谈Git 🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈�

如何在页面调用utility bar并传递参数至lwc组件

1.在app的utility item中添加lwc组件: 2.调用utility bar api的方式有两种: 方法一,通过lwc调用: import {LightningElement,api ,wire } from 'lwc';import { publish, MessageContext } from 'lightning/messageService';import Ca

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

4B参数秒杀GPT-3.5:MiniCPM 3.0惊艳登场!

​ 面壁智能 在 AI 的世界里,总有那么几个时刻让人惊叹不已。面壁智能推出的 MiniCPM 3.0,这个仅有4B参数的"小钢炮",正在以惊人的实力挑战着 GPT-3.5 这个曾经的AI巨人。 MiniCPM 3.0 MiniCPM 3.0 MiniCPM 3.0 目前的主要功能有: 长上下文功能:原生支持 32k 上下文长度,性能完美。我们引入了

native和static native区别

本文基于Hello JNI  如有疑惑,请看之前几篇文章。 native 与 static native java中 public native String helloJni();public native static String helloJniStatic();1212 JNI中 JNIEXPORT jstring JNICALL Java_com_test_g

【Linux 从基础到进阶】Ansible自动化运维工具使用

Ansible自动化运维工具使用 Ansible 是一款开源的自动化运维工具,采用无代理架构(agentless),基于 SSH 连接进行管理,具有简单易用、灵活强大、可扩展性高等特点。它广泛用于服务器管理、应用部署、配置管理等任务。本文将介绍 Ansible 的安装、基本使用方法及一些实际运维场景中的应用,旨在帮助运维人员快速上手并熟练运用 Ansible。 1. Ansible的核心概念

AI基础 L9 Local Search II 局部搜索

Local Beam search 对于当前的所有k个状态,生成它们的所有可能后继状态。 检查生成的后继状态中是否有任何状态是解决方案。 如果所有后继状态都不是解决方案,则从所有后继状态中选择k个最佳状态。 当达到预设的迭代次数或满足某个终止条件时,算法停止。 — Choose k successors randomly, biased towards good ones — Close

C++操作符重载实例(独立函数)

C++操作符重载实例,我们把坐标值CVector的加法进行重载,计算c3=c1+c2时,也就是计算x3=x1+x2,y3=y1+y2,今天我们以独立函数的方式重载操作符+(加号),以下是C++代码: c1802.cpp源代码: D:\YcjWork\CppTour>vim c1802.cpp #include <iostream>using namespace std;/*** 以独立函数