前面在文章“数字调制系列：如何理解IQ？” 和“数字调制系列：IQ 基本理论”中介绍了IQ的概念、常用数字调制方式及映射星座图等内容，当完成数字比特流到IQ 坐标系的映射后，便可以得到数字I 和Q 信号，然后分别经过DAC 变换为模拟I 和Q 信号，最后经过IQ 调制器完成上变频，图1给出了数字调制的简要架构示意图。作为整个数字调制发射系统的关键部件，IQ 调制器完成了基带信号的频谱搬移，从而达到空口传输的条件。
文中将重点解释使用频谱仪时VBW的设置对频谱测试的影响。相信大家在使用频谱仪时曾经遇到过这样的现象：测试一个微弱的CW信号，当逐步降低VBW时，测试迹线越来越平滑，但是显示的底噪水平（RMS值） 却没有降低。这是为什么呢？
对于噪声系数测试，多数情况下会选择Y因子方法测试，但是当待测件包含自动增益控制电路（AGC）时，Y因子方法受到一定的限制。因为当噪声源在打开、关闭两种状态时，AGC电路会自动调整可变增益放大器（VGA）的增益，从而保证输出的电平恒定，此时使用Y因子方法测得的结果已经无法反映待测件真实的噪声系数。那么如何进行有效的测试呢？这就是本文将要详细介绍的内容。
对于相位噪声的测试，目前业界常用的方法包括：基于频谱仪的测试方法和基于鉴相器的测试方法。使用频谱仪测试相噪又可分为，直接标定法和使用专门的相噪选件进行自动化测试。直接标定法即手动测试，经济实惠，但是操作相对繁琐；使用相噪选件自动化测试操作方便，可以直接给出相噪曲线，但是需要购买！至于基于鉴相器方法的设备，属于更加专业的相噪测试设备，测试能力更强，当然也是价格不菲的。
每当介绍相位噪声测试方案时，都会提到时间抖动，经常提到二者都是表征信号短期频率稳定度的参数，而且是频域和时域相对应的参数。正如题目所示，相位噪声与时间抖动有着一定的关系，那么相噪是与哪种类型的抖动相对应，彼此之间又有着怎样的数学关系，这些疑问都将在文中找到答案。
矢网的误差模型确实不太好理解，一般只有研发矢网或者专攻测试技术的人员才会深入探究。使用矢网测试之前，都是需要作系统误差校准的，目的就是将测试装置本身引入的误差项修正掉，得到DUT真实的S参数。
射频接收系统通常使用数字信号处理算法进行信号解调和分析，因此需要使用ADC对信号进行采样。根据采样频率的不同，可以分为射频直接采样、中频采样、IQ采样。射频采样和中频采样只需要一路ADC，采样结果为一组数字序列，而IQ采样需要两路ADC，采样结果为两组数字序列。中频采样比射频采样对ADC的带宽和采样率要求更低，同时宽带接收机的中频频率一般为固定频率，故中频采样应用非常广泛。
S参数的定义需要约定一个系统阻抗。同一个微波电路，在不同系统阻抗下的S参数是不同的。例如，50欧电阻在50欧系统阻抗下的S11为零，是没有反射的匹配状态；但50欧电阻在75欧系统阻抗下的S11不为零，是有反射的不匹配状态。对于单端口待测件，反射系数 Γ 可由负载阻抗 Zl 、系统阻抗 Z0 进行计算
没有账户，需要注册
2025年，全球人工智能市场规模达到3909亿美元，中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张，制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初，中国日均词元(Token)调用量为1000亿;至2025年底，跃升至100万亿;2026年3月，已突破140万亿，两年增长超千倍。这些数字背后，是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造，聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据，实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量，助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送，有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型，筑牢安全生产与节能减排双重发展防线。
中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。 融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。 通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。 有效降低设备故障率、减少停机损失，简化线下运维管理流程。 助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。
OpenClaw:不仅是对话窗口，更是行动助手一人工智能代理(AI Agent)正深刻重塑科学研究基本范式，OpenClaw成为2026年开源AI代理平台代表。
本次调研覆盖欧洲、中东与非洲、亚太、美洲四大区域，收集了来自171家酒店集团的189份有效反馈。数据显示，78%的酒店集团已启用人工智能，89%计划新增应用场景，但多数项目仍停留在试点阶段，或仅依赖通用型公共工具。人工智能平均依赖度得分(4.7分)持续低于信任度得分6.6分)，凸显巨大的未开发潜力。释放这一价值，需要更充分的可靠性验证、更完善的投资回报率(RO)测算，以及全企业级的系统整合。
无论是在自然科学、工程技术，还是经济与社会科学领域，高质量的科研分析均依赖经过验证且结构化的数据。一个管理得当的数据库，如果同时具备全面的元数据，能够与其他数据源实现互操作，其用途将更加广泛。科研本身如此，科研信息与分析亦然。本报告聚焦科睿唯安及其科学信息研究所(ISI)所采用的一系列方法与流程，旨在确保数据、分类结构及相关元数据等关键要素，始终处于Webof Science文献计量数据库及其相关产品的核心位置。
本文旨在系统性调研并构建一套面向 AI 智能体的全生命周期安全体系，全面识别其在技术演进与规模化 落地过程中面临的各类安全威胁与风险点，并提出覆盖制度、流程与技术的多层次综合防护方案。该体系 不仅支撑企业级 AI 产品在设计、研发与运营阶段的安全能力建设与合规落地，同时为行业标准制定、整 体安全解决方案构建以及模块化安全产品研发提供可复用的理论基础与实践路径。
北京大学能源研究院是北京大学下属独立科研实体机构。研究院 以国家能源发展战略需求为导向，立足能源领域全局及国际前沿， 利用北京大学学科门类齐全的优势，聚焦制约我国能源行业发展 的重大战略和科技问题，按照“需求导向、学科引领、软硬结合、 交叉创新、突出重点、形成特色”的宗旨，推动能源科技进展， 促进能源清洁转型，开展专业及公众教育，致力于打造国际水平 的能源智库和能源科技研发推广平台。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南
