推挽输出开漏输出

article/2025/9/22 12:33:43

33df06521b6a4ecbaf398571eb7b6c05.png

在学习STM32的时候,我发现了一个很值得研究学习的问题,下面,用我的理解来阐述一遍,这其中的原理。


首先请看电路图

97bc1dfe956a40fc9d057e6a88842251.png

在给GPIO配置输出的时候,其有两种工作模式可选,分别是推挽输出和开漏输出。

e437e2f2129a4c5baf47665a7d501644.png


在此之前先得了解mos管的工作原理,为了方便大家理解,我用通俗的语言来阐述

07ad29fdb0be467d998ccc2b9f1ab9d7.png

这是一个PMOS,他可以理解成一个低电平(逻辑0)开启的开关,图中的小圆点是非门的意思,也就给我们提示需要用一个低电平来导通这个pmos管

3fca844c5bc1442998892fcb3309c2ac.png

这是一个NMOS,他可以理解成一个高电平(逻辑1)开启的开关


在有了上面的认知,我们再来理解下面的问题

1、推挽输出

推挽输出的时候,是不需要上拉电阻的,其本身就有足够的驱动能力,但是其缺点是无法进行“线与”,一但进行了高低电平的“线与”, 就会发生短路的现象。

1.1分析其输出(用逻辑0和1来分析)

输入PMOSNMOS输出
0导通不导通1
1不导通导通0

推挽输出时,不管是输入0,还是1,都会有一个mos管是工作在导通状态。 

当输入0时,PMOS导通,那就把上面想成一个导线,NMOS不导通,那就想成电阻无穷大,根据节点电压,或者说分压原理,输出的那一段电压值,其实就是分在下面NMOS两端的电压,由于其阻止很大,因此分的也大,几乎是全部,也就是逻辑1了,

输入1时的情况也可以用我上面说的那种方法来理解,此处就不过多赘述了

1.2分析其不可“线与”

03ad675887464773a45c42abd6943e3a.png

这就是所谓的“线与”,就是把前一个的输出,直接接到后一个作为后一个的输入。而我上面画出的这种情况,也就是在最开始的时候输入一个0,其线与后就会反生如上图所示的短路(图中的叉叉表示不导通),所以我们说推挽输出,不可以“线与”。

2、开漏输出

所谓的开漏就是,没有VDD,也就是如下图所示的状态

6cf5361df2284873bbd282fb8635fb5d.png

由于上面不接VDD了,上面的PMOS也就不工作了,真正工作的只有下面的NMOS,原来的电路也就可以等效成下面这样,其与单个NMOS工作没什么差别。

48b38db6301240cd95ef52a6fffc02e0.png

输入NMOS状态输出
0不导通高阻态
1导通0

在其不导通的时候,nmos管相当于一个很大的电阻,也就是我们所说的高阻态;而在其导通的时候,就相当于直接接地了,所以就是逻辑0。

由于其不导通和导通的时候是高阻和0,所以其可以进行“线与”,就相当于多个电阻进行连接,并没有什么电源,也就不存在什么短路。

因此,为了提高其驱动能力,STM32的线路设计上在后面又给它加了个上拉电阻,也就是下面这个图,这也是为什么开漏输出需要上拉电阻的原因。

 ac57ffbceb0e4900823b9e3bd5754335.png

另外,使用开漏输出,还可以根据上拉电阻的阻值大小不同,控制输出电平的大小,其中原理就是一个很简单的分压原理, 也就是说其可以进行电压转换。

总结

推挽输出:不需要上拉电阻,不可“线与”,不可电平转换

开漏输出:需要上拉电阻,可以进行“线与”,可以电平转换

 

 

 

 

 

 

 


http://chatgpt.dhexx.cn/article/1rwwFxxB.shtml

相关文章

开漏输出与推挽

1.推挽输出:可以输出高,低电平,连接数字器件。 输出 0 时,N-MOS 导通,P-MOS 高阻,输出0。 输出 1 时,N-MOS 高阻,P-MOS 导通,输出1(不需要外部上拉电路)。 开漏输出:输出端相当…

基础——STM32F4的GPIO模式

stm32的GPIO的配置模式包括: 1. 模拟输入; 2. 浮空输入; 3. 上拉输入; 4. 下拉输入; 5. 开漏输出; 6. 推挽输出; 7. 复用开漏输出; 8. 复用推挽输出 1.模拟输入 从上图我们可以看到&…

GPIO输入输出各种模式(推挽、开漏、准双向端口)详解

技术交流是便宜的博客地址:http://blog.csdn.net/techexchangeischeap 概述 能将处理器的GPIO(General Purpose Input and Output)内部结构和各种模式彻底弄清楚的人并不多,最近在百度上搜索了大量关于这部分的资料,对于其中很多问题的说法并不统一。本文尽可能的将IO涉…

卡尔曼滤波器(哔哩哔哩徐亦达)

1、尖帽子,表示是估计量而不是真实量。 2、从下面公式可以大概得出高斯噪声的方差和d级别差不多。 TDOA文献中的公式 3、卡尔曼滤波器主要记住五个公式: 4、卡尔曼滤波器的应用:包括机器人导航,控制,传感器数据融合甚至在军事方…

李航/徐亦达 统计学习方法第九章EM算法及其推广总结和习题答案

强烈推荐徐亦达老师关于EM算法的讲解视频,本文根据徐老师和李航老师统计学习方法整理,由于公式推导太多,笔记为手写。其中包含混合高斯模型的理解,形象化解释,以及习题链接。 习题 习题9.1和9.3 习题9.4

徐亦达老师-机器学习教学视频共76集(下载自优酷)

链接:http://pan.baidu.com/s/1bpNzqSB 密码:naqe 徐老师主页:http://www-staff.it.uts.edu.au/~ydxu/ 转载于:https://www.cnblogs.com/zhangliustc/p/5998836.html

刷新校史!985副研究员,以独立作者身份,研究成果被数学顶级期刊录用!

来源:华中科技大学&青塔等,信息仅作分享之用 据华中科技大学数学中心10月8日消息,郇真副研究员的文章“Representations of Lie 2-groups and 2-Vector Bundles”被顶刊Acta Mathematica接收。 据悉,郇真副研究员是新中国成立…

机器学习笔记之狄利克雷过程(二)基于标量参数作用的推导过程

机器学习笔记之狄利克雷过程——基于标量参数作用的推导过程 引言回顾:狄利克雷过程——基本介绍狄利克雷过程——定义小插曲:狄利克雷分布的简单性质 关于标量参数作用的推导过程 引言 上一节以高斯混合模型为引,简单介绍了狄利克雷过程( D…

首发:徐亦达团队新论文推荐(ECCV2020):端到端多人多视角3d动态匹配网络

徐亦达团队在ECCV2020上发表了一篇机器学习论文 End-to-end Dynamic Matching Network for Multi-view Multi-person 3d Pose Estimation(端到端多人多视角3d动态匹配网络) 论文第一作者:黄聪臻韬,本科就读于中国科学技术大学-计算…

独作论文登数学顶刊,浙大女神校友再被提起:32岁在贵州深山投稿,一家出两位院士...

明敏 詹士 发自 凹非寺量子位 | 公众号 QbitAI 最近,华科副研究员以独作身份投中数学顶刊的消息,震惊国内数学圈。 毕竟Acta Mathematica号称是世界上最难投中的数学期刊之一,能拿下此成就的动辄都是院士级人物…… 不过,纵览中国…

【华人学者风采】陈积明 浙江大学

【华人学者风采】陈积明,浙江大学控制科学与工程学院教授,博士生导师。研究领域包括网络优化与控制,数据智能与工业互联网,控制系统安全等。2000和2005年在浙江大学分别获学士和博士学位。2008-2010在加拿大滑铁卢大学访问。历任浙…

学习笔记:徐亦达机器学习:Kalman Filter 卡尔曼滤波——后续推导及代码分析

在开始这个博客之前,首先要感谢一下徐老师。该博客是在观看视频https://www.bilibili.com/video/av24225243/?p1之后,自己的读书笔记。 言归正传,该博文里面的所有符号体系都是徐老师所用的符号,在此记录一下徐老师最后留下的作…

徐亦达 概率模型学习 : hmm

引出: 条件概率 理解为 一对应无限 的函数 上的一个自变量点的情况 p ( x ∣ y ) p(x|y) p(x∣y)是有多种解释的 或者 是隐含了具体应用情况的, 以下内容大概在说: 条件概率 p ( x ∣ y ) p(x|y) p(x∣y) 是 一对应无限映射x(y) 的 一种数学定量描述办法…

【算法】狄利克雷过程 (Dirichlet过程)

本小节是层次狄利克雷过程的笔记。 狄利克雷混合模型DPMM是一种可以自动确定聚类类别数量的聚类方法。 狄利克雷过程DP是“分布的分布”,由2个参数和确定,即。其中是分布参数,值越大,分布越接近于均匀分布,值越小&am…

吴恩达机器学习讲义_悉尼科大徐亦达教授:1000+页机器学习讲义,32 份主题推介...

新智元推荐 来源:专知(ID:Quan_Zhuanzhi) 【新智元导读】悉尼科大徐亦达教授机器学习讲义,总共涵盖 32 个主题,1000页讲义,包括Softmax算法、传统GAN,W-GAN数学,贝叶斯GAN, 蒙托卡罗树搜索,alphaGo学习算…

首发:徐亦达老师的机器学习课件及下载(中文目录)

徐亦达教授在github公布了他的历年机器学习相关课件、视频,黄海广博士协助徐亦达老师对课件目录进行翻译和整理,并提供下载。 徐亦达老师简介 徐亦达,现任悉尼科技大学教授,UTS全球数据技术中心机器学习和数据分析实验室主任。主要…

【资源】首发:徐亦达老师的机器学习课件及下载(中文目录)

徐亦达教授在github公布了他的历年机器学习相关课件、视频,黄海广博士协助徐亦达老师对课件目录进行翻译和整理,并提供下载。 徐亦达老师简介 徐亦达,现任悉尼科技大学教授,UTS全球数据技术中心机器学习和数据分析实验室主任。主要…

徐亦达 概率模型学习 : gmm

单高斯分布 MLE posterior 正比例于 likelihood * prior p ( θ ∣ x ) ∝ p ( x ∣ θ ) ∗ p ( θ ) p(\theta | x) \propto p(x|\theta) * p(\theta) p(θ∣x)∝p(x∣θ)∗p(θ) 参数 θ 的后验分布 ∝ 参数 θ 表示的 x 分布上已知样本有多大概率 ∗ 参数 θ 的先验分布…

首发:徐亦达教授团队最新发表的两篇机器学习论文

徐亦达团队在 Asian Conference on Machine Learning 的发表了两篇机器学习论文,本人得到徐老师授权在本站发布论文。 论文 1:Realistic Image Generation using Region-phrase Attention论文 2:Efficient Diversified Mini-Batch Selection …