传感器模电学习
总体学习路线图（快 + 不绕路）
下面我逐块给你精确到“学什么、不学什么”。
模块 1️⃣：声音 & 信号基础（最少 1 天）
你需要搞懂的（只这些）
-
声音 = 时域信号 + 频率成分
-
玻璃破碎 → 高频成分多
-
说话 / 敲门 → 低频为主
-
-
时域 vs 频域
-
FFT 是“看频谱”
-
高通滤波 + 能量 ≈ 看“有没有很多高频”
-
-
幅度 / 能量 / 积分
-
TI 的
integ_total、integ_HPF本质是“能量近似”
-
❌ 你不需要学
-
连续时间傅里叶变换推导
-
拉普拉斯变换
-
Z 变换
✔ 推荐学习方式（快）
-
搜索关键词：
-
“time domain vs frequency domain audio”
-
“why glass break sound has high frequency”
-
-
用你现在的 Python：
-
把 wav 画波形
-
再画 FFT
-
你会瞬间理解 TI 的思路
-
模块 2️⃣：运算放大器（这是你最不懂、但最关键的部分）
你只需要懂这 4 件事
1️⃣ 运放不是“神秘黑盒”
-
本质：
Vout=A(V+−V−)V_{out} = A (V^+ - V^-)Vout=A(V+−V−)
2️⃣ 麦克风为什么要放大？
-
麦克风输出：毫伏级
-
ADC 需要：0~Vref 级
👉 所以要放大
3️⃣ 反相 / 同相放大（只学一个就行）
你只需要看懂 反相放大器：
增益=−RfRin\text{增益} = -\frac{R_f}{R_{in}}增益=−RinRfTI 里：
-
用 OA0
-
增益 = 7
4️⃣ 单电源运放 & 偏置（非常重要）
MSP430：
-
供电：3.3V
-
不能测负电压
所以要：
-
把交流信号“抬到中点”（≈1.65V）
👉 这就是你看到的：
❌ 不需要学
-
运放频率补偿
-
共模抑制比推导
-
Slew rate 公式推导
✔ 快速学习资源
-
关键词：
-
“single supply op amp audio microphone”
-
“op amp biasing for ADC”
-
模块 3️⃣：滤波器（只学两个）
你只需要理解这两个滤波器
① 抗混叠低通滤波（AAF）
问题：为什么一定要低通？
采样定理：
fs>2fmaxf_s > 2 f_{max}fs>2fmax如果不低通：
-
超过 Nyquist 的频率 → 折叠到低频
-
ADC 数据“看起来像噪声”
👉 所以：
-
在 ADC 前：低通
TI：
-
截止 ≈ 19.2 kHz
-
采样 ≈ 39 kHz
② 高频高通滤波（HPF）
为什么还要高通？
不是为了“干净”，而是为了：
-
提取玻璃破碎特征
玻璃破碎：
-
8~20 kHz 能量多
TI：
-
HPF 截止 ≈ fs/4 ≈ 9.7 kHz
❌ 不需要学
-
巴特沃斯 / 切比雪夫推导
-
模拟滤波器极点计算
✔ 你只要会一句话解释
高通滤波用于突出玻璃破碎特有的高频成分。
模块 4️⃣：ADC & 采样（半天）
你只需要搞懂 5 件事
-
ADC 是“电压 → 数字”
-
采样率决定你能看到的最高频率
-
ADC 输出是 单极性
-
中点偏置 → 软件减 512
-
连续采样 vs 单次采样
👉 这直接对应 TI 的：
-
2 ms 扫描（单次）
-
事件后 39 ksps 连续采样
❌ 不需要学
-
SAR ADC 内部电路
-
逐次逼近推导
模块 5️⃣：为什么 TI 不用 FFT（这是“工程意识”）
你必须能回答这个问题，老师/面试官一定会问。
标准答案结构：
-
FFT 能提取频谱 → 没问题
-
但：
-
算力高
-
RAM 占用大
-
功耗高
-
-
MSP430 是：
-
超低功耗
-
资源极小
-
-
所以用：
-
高通 + 能量统计
-
时域统计
-
rule-based 判决
-
👉 这是“工程优化”，不是“技术落后”
最快学习时间安排（现实可执行）
| 天数 | 学什么 |
|---|---|
| 第 1 天 | 声音信号 + FFT vs HPF |
| 第 2 天 | 运放 + 麦克风 + 偏置 |
| 第 3 天 | 低通 / 高通 + 混叠 |
| 第 4 天 | ADC + TI 算法整体串起来 |
| 第 5 天 | Python → C 思维映射 |
你现在最该做的一件事（非常重要）
👉 不要去翻《模电》教材从第一页看
👉 用“反推法”学习：
每看不懂 TI 文档一处，就问自己：
“这一步是在解决什么工程问题？”
浙公网安备 33010602011771号