无论是采用模拟IF处理的传统频谱仪，还是采用数字IF处理的现代频谱仪，都是扫频式架构，通过第一级本振（LO）的调谐实现射频的扫频测试。熟悉频谱仪架构的朋友都了解，在第一级混频器之前都会存在一个预选器，如图1所示，这个预选器是个什么器件？具体有什么功能呢？
作为一种常用的频谱分析工具，快速傅里叶变换（FFT） 实现了时域到频域的转换，是数字信号分析中最常用的基本功能之一。FFT 频谱分析是否与传统的扫频式频谱仪类似，也具有分辨率带宽（RBW） 的概念？如果具有RBW ，那么FFT 的RBW 又与什么因素有关呢？这将是本文要重点给大家介绍的内容。
由于对数据速率要求不高，起初的无线通信基本都是采用模拟调制方式，比如AM/ FM/PM等。在相当长一段时间内，市场需求并没有大规模驱动通信技术的进步。但是随着卫星通信以及个人通信业务需求的激增，传统的模拟调制显然已经无法满足速率要求，必须要寻求支持更高数据速率的调制技术。
噪声温度并非是每个天线必测的指标，但是对于诸如卫星通信地面站接收天线等大尺寸天线，噪声温度尤为重要，因为这决定了整个接收机系统的等效噪声温度，继而决定了系统的接收灵敏度。对于这类天线，其噪声温度并不是一成不变的，而是随着天线的俯仰角变化的（天线姿态不同，接收的背景噪声不同），所以测试其噪声温度时，往往是在一定俯仰角时测定的。
提到增益法测试噪声系数，大家并不陌生，这是一种简洁的测试方法，精度不如Y因子法，但是在某些测试场合，比如只有频谱仪而没有噪声头时，且待测件具有非常高的增益时，就可以使用增益法测试噪声系数。
原来待测件是一个含有四个通道的接收模块，每个通道只含有一个LNA，然后经过合路器合为一路输出，如图1所示。按理说，逐一测试每一通道的噪声系数还是比较简单的，因为通道中没有变频器件。但是麻烦在于，四路LNA的供电是同一路，如果测试其中一路时，很难做到只给一路而不给其它三路供电。因此，为了方便测试，朋友问能否在四路同时供电的情况下测试每一路的噪声系数。如果这样测试，大体上会带来多大的误差？
射频接收前端包括LNA、Filter、Mixer等部件，从噪声因子级联的角度讲，希望接收链路第一级为高增益、低噪声系数放大器，以期望得到较低的系统噪声系数，提高接收灵敏度。除LNA外，接收链路还有一个关键的部件——镜频抑制滤波器，位于Mixer之前，用于滤除镜频噪声和镜频信号，以提高整个接收链路的SNR和抗镜频干扰能力。
当使用频谱仪测试射频脉冲信号的频谱时，设置不同的RBW可以得到不同的结果，有连续的包络谱和离散的线状谱之分。针对简单的射频脉冲而言，脉冲退敏效应是指，当显示线状谱时，中心载波的幅度将低于脉内平均功率，具体低多少取决于脉冲的占空比。英文称为desensitization effect，文中暂且将其翻译为脉冲的“退敏效应” 。
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
