收音机统调电路的设计与试验

李 昌

(南昌大学 信息工程学院 江西 南昌 330031)

摘 要： 收音机统调是指高放电路，本振电路，中放电路在接收频率上都能处以谐振状态。统调电路的性能对收音机的整体性能有很大的影响。根据超外差收音机的原理，提出两种统调电路的设计方法，并进行试验，分析试验结果。

关键词： 统调电路；超外差接收

中图分类号：TN8 文献标识码：A 文章编号：1671－7597（2010）1110187－01

超外差式放大必须有变频过程，需要本振电路和变频电路。变频的频率关系是：式中： 是放大过程的中频信号的频率， 是收音机接收的电台发出的信号的频率， 是本机振荡电路输出信号的频率。如果收音机在接收波段内都符合式①，则收音机在这个波段内实现了精确的统调。

在收音机中一般通过改变电容量，来改变电路的谐振频率，使得收音机能收到不同的电台，并且需要多个电容量同时改变。当收音机的多个可变电容不管如何变化，它们相互相等是最简单，最容易实现的一种情况。

根据：列方程组：

上式中 是波段内最大接收频率。 是波段内最小接收频率。 是波段内接收中点频率。 是接收波段内中点频率时，对应的本振频率。 是工作在波段中点时本振的谐振电容。 为高放谐振回路电容。整理式⑶可得：式中： 为中频谐振线圈电感量， 为本振谐振线圈电感量， 为高放谐振线圈电感量。用检波二极管鉴幅时，对被鉴幅的信号并不要求是固定频率。改固定中频为可变中频，可得，当统调电路的谐振电感符合④式就可以实现统调。同时调试方便，只要一个频点调试好，其余频点就得到良好的调试。

据该理论当磁棒线圈，在插入磁棒状态天线初级线圈电感量现取本振线圈电感量 ，可求的中频选频回路线圈电感量这些数值可以用安捷伦科技有限公司（Agilent）设计开发的一款EDA软件Advanced Design System（先进设计系统），简称ADS，来设计。改变Lr或Lo可自动得到Lm和画出不同频率的变化曲线，可以看出曲线Fm1和曲线Fm2是一样的，验证了这种参数设定方法能够达到统调。

按这些数值在LA1260芯片设计统调回路并制作试验，可变电容用变容二极管V149。收音机AM波段的统调电路是按上述方法设计的，在焊接完成，调试时候，找到一个电台，调中周使收音最大最清晰的位置，然后换另一电台，发现调整已经合适，不需要再次调整。收音机收到电台后，慢慢移动调谐电位器，电台声音缓慢减弱。收音机与德劲DE1123，DSP数码收音机在AM波段做对比试验，实验结果有：1）DE1123能自动搜索到的台，收音机也能收到，并且音质更好。2）DE1123手动搜索到的台中，除去能自动搜索到剩下的，收音机几乎收不到。

试验现象分析：1）上述的AM波段统调设计方法是正确的。2）因为中频是可变的LC谐振回路，其品质因数Q值不高，通频带比固定中频的陶瓷滤波器或LC谐振回路的通频带大[2]，所以音质更好，但选择性更差。Q值不高也会造成放大倍数变小，加上选择性差，所以无法接收弱信号。

固定中频的收音机一般无法在整个波段实现精确统调只能采取近似统调的方式。设谐振网络的可变电容相差 ，相当于，有电容分别与可变电容C并联，不同谐振回路总电容的差值是 。由于：设高放谐振回路电容为（C+ ）可知 是可变电容C的函数，当C变化时 不可能是定值，所以在设计固定中频的统调电路时只能以设计的中频频率为 ，并使得 在接收频段内变化尽可能小。当收音机在收音波段中点处实现准确统调，并且在该点处 对可变电容C的导数为零，可实现 在接收频段内变化较小。可 因为 =18.76pF，是由可变电容和2.7pF并联接入本振谐振回路的电容组成，所以接收波段中点频率时可变电容应该为 等于16.06pF。因为当前在中点调谐电压时可变电容为20pF，所以要在可变电容上串联一电容，使得串联后减小到16.06pF，经计算串联电容为82pF左右。这些数据也可以用ADS软件来协助确定。

按上述固定中频的设计方法在芯片TA7358和LA1260上设计统调电路。焊接完成后收一电台，调整中频变压器和鉴频谐振中周，使得声音最大最清晰。因为和是固定值，在焊接前经过准确测量，所以不需要调整。同样把试验中收音机与德劲DE1123，DSP数码收音机在FM波段做对比试验，实验结果有：1）收音机能收到更宽的频率范围。2）DE1123能收到的台，收音机也能收到，有时音质好一点，有时差一点。3）收音机能收到一个电台DE1123没有收到，这个电台在两者的频率覆盖范围内。4）收音机收到电台并且清晰时，没有点亮电台指示灯。5）收音机能收到的电台的最小信号强度，DE1123大约指示为15。

试验现象分析：1）上述的FM波段统调设计理论是正确的。2）因为电路中应用的两片集成电路性能不错还有试验中收音机天线更好，所以在FM波段和DE1123性能相当。3）因为设计的电路参数不很准确，所以覆盖范围超出DE1123覆盖范围。4）试验中中收音机能多收到的一个电台，这个电台在另一个频率上两收音机都能收到，并且两电台信号有时差，原因可能是收音机天线更好。或者该电台发射频率不准，而数码收音机DE1123只在规定的频点上接收。5）声音指示灯不亮很可能是因为用了二手元件，芯片内部有问题。

（下转第175页）

1871基于FP-树的关联规则挖掘算法浅谈

胡 俊

（同济大学 软件学院 上海 201804）

摘 要： 随着数据库技术的发展，高效的数据挖掘算法有助于人们重新认识数据、理解数据。基于FP-树的关联规则挖掘算法FP-growth是当前应用最广的一种挖掘频繁项目集的算法。本文简要描述了该算法的几种主要发展方向。

关键词： FP-growth算法；关联规则

中图分类号：TP3 文献标识码：A 文章编号：1671－7597（2010）1110175－01

0 引言

数据挖据是从大量的、不完全的、随机的实际数据中，提取隐含其中的有用的信息和知识的过程。其中关联规则的挖掘，是数据挖掘的一个重要领域。关联规则挖掘来源于购物篮问题的分析，关联规则形式如下：购买尿布的顾客中，80%会同时购买啤酒。

R.Agrawal和R.Strikant提出的Apriori算法是最经典的关联规则挖掘算法。先产生频繁模式的候选集，再找出其中的关联规则。由于该算法多次扫描数据库和大量产生的频繁候选集造成时间，空间上的浪费，J.Han[1]提出了FP-growth算法。

1 FP-growth算法简介

FP-growth算法的基本思想是构造一个高度压缩的数据结构FP-树，压缩原来的事物数据库，避免产生候选项集。FP-growth算法的基础步骤是构造FP-树，整个过程扫描两次数据库，得到一个压缩的频繁模式树（FP-树）。具体流程如下：

1.1 创建初始FP树

1）扫描事物数据库T,计算各项的支持度技术，根据预设的最小支持度，找出支持度满足最小支持度的项，并根据支持度技术将这些项降序排列，得到频繁1-项集L。

2）构造初始FP树，并以”null”节点作为根节点。

3）创建项头表HT。为了方便遍历初始FP树，根据频繁1-项集L构建项头表，表中的每一行表示一个频繁项，有对应指针指向该项FP中对应的节点。

4）再次遍历事物数据库T，将T中所有事物的项次序根据L表进行调整，为每个调整项次序后的事物在FP树种创建一个分支。如果某事物的项次序前缀与已扫描的事物的项次序的前缀相同，则共享该路径，共享的节点的支持度计数是共享该前缀的事物的支持度计数之和。

1.2 挖掘FP树

1）从FP树建立条件模式库

从FP树的项头表HT开始，根据支持度计数由小到大遍历FP树，列出能够到达此项的所有前缀路径，得到条件模式库。

2）根据条件模式库建立条件FP树

对每一个条件模式库，计算库中每个项的支持度，找出所有满足最小支持度的项建立条件FP树，建立方式与建立初始FP树相同。

3）递归挖掘条件FP树

根据条件讨论如何挖掘条件FP树来得到频繁模式，如下：

① 单FP树路径生成。如果条件FP树CT只包含一条路径P,根据Apriori规则，P的子路径的所有组合都是CT包含的所有频繁集。

② 条件FP树种含有唯一前缀路径。如果一个条件FP树CT有一个唯一的共享的前缀路径P，那么挖掘可以分解为如下步骤：（1）用一个节点代替此前缀路径P；（2）分别计算着两个部分的结果。算法如下：

Procedure call FP-growth(Tree, α)

（1）if Tree contains a single prefix path

（2）for each combination (denoted as β) of the nodes in the path P do

（3）generate pattern β ∪ α with support = min_support of nodes in β;

（4）else for each item ai inα do

（5）generate pattern β = ai ∪ α with support = ai .support;

（6）construct β's conditional pattern-base and then β's conditional FP-tree Treeβ;

（7）if Treeβ= ∅

（8）then call FP-growth(Treeβ, β);（9）end

FP算法根据已有的有关频繁模式的信息，将挖掘人物和事物数据库分解成更小的模块，能够进行更为集中的搜索，提高了效率。FP-growth算法将整个数据库压缩成精简的FP树，完全不产生候选项目集，节省了开销。

2 当前发展方向

为了让FP-growth算法能更好的满足各种实际应用，该算法仍在不停的优化中，一共有如下3个优化方向：

1）挖掘最长频繁项集。为了尽量节省空间消耗，由于Apriori规则频繁项集的每个子项都必然是频繁项，找到每项的最长频繁项集。

2）挖掘频繁项集的闭包。最长频繁项集忽略了具体的支持度，而挖掘频繁项集的闭包既能减少空间消耗，又保留了各项的支持度，Close+是其中一种非常高效的算法[2]

3）挖掘长度满足最小长度的频繁闭项集。确定最小支持度是一项复杂的工作，在实际应用中，确定某个频繁项集的项个数往往更直观，也能尽快的减少项集个数，因此挖掘满足最小长度的频繁闭项集是非常有前景的一种方法，j.wang在05年提出了TFP算法。[3]

参考文献：

[1]J．Han，J．Pei，and Y．Yin．Mining Frequent Patterns without Candidate Generation．In Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data，Dallas，May 2000，1--12．

[2]J．Pei，J．Han．CLOSET：An Efficient Algorithm for Mining Frequent Closed Itemsets．In Proceedings of the 2000 ACM SIGMOD International Workshop on Data Mining and Knowledge Discovery，2000.

[3]J. Wang, J. Han. TFP：An Efficient Algorithm for mining Top-K Frequent Closed Itemsets. IEEE Transactions on knowledge and data engineering, 2005.

（上接第187页）

参考文献：

[1]陈艳华、李朝晖、夏玮编，《ADS应用详解：射频电路设计与仿真》，

人民邮电出版社，2008，9.

[2]白惠珍、王宝珠、张惠娟，《电路理论基础》，中国科学技术出版社，2004，8.

1751