原创 电磁感应、电磁场与电磁波

2019-3-27 22:50 1231 6 5 分类: 模拟 文集: 电子电路

         我们通过观察可以发现,在一个固定的正电荷的附近放一个负电荷,则负电荷会被正电荷吸引。同样的,正电荷也会被固定的负电荷吸引。此时我们说正电荷或负电荷周围有电场,电场就会让置于其中的电荷产生某个方向上的力。通过观察又可以发现,在一个变化的磁场中导线会产生电流。电流的本质也是电荷的移动,所以我们也可以说变化的磁场激发了一个电场,这是电磁感应中的磁生电

         同样是通过观察发现,在一个固定的N极磁体附近放一个P极磁体,则P极会被N极吸引。同样的,N极也会被固定的P极吸引。此时我们说N极或P极周围有磁场,磁场会让置于其中的磁体产生某个方向上的力。通过观察又可以发现,在一个不断变化电流方向的导线周围放置一个磁体,此磁体也会被施加某个方向的力,而不断变化电流方向的导线可以描述为导线处于不断变换的电场中。所以我们说变化的电场激发了一个磁场,这是电磁感应中的电生磁

         通过前面两段的拗口描述,我们得出一个结论:

         变化的电场激发磁场,变化的磁场激发电场。也即是将电磁感应这个物理现象总结为统一的电磁场理论。

         由于这种互激发的特性,电场与磁场可以传导至很远的距离,我们将这种传导现象称为电磁波(但是刚才又想到,电场传导过程并没有产生电流,没有电流又是如何感生磁场的呢?)。研究发现,电磁波频率越高则其波长越短,则传导距离越近。电磁波频率越低则其波长越长,则传导距离越远。所以需要远距离传播,如无线电台中的FM调频(传播到整个城市)一般在100MHz左右,而仅用作近距离传播的手机3G信号(仅几公里),如CDMA就在2000MHz左右。但是,由于频率低无线电台能承载的信号密度就低,3G信号由于频率较高所以能承载的信号密度就高。这也就导致了我们从2G信号升级为3G信号乃至未来的5G信号,运营商的基站密度需要不断的增加(信号传输距离变短)。

         我们生活中使用着各种电器,空气中也充满了各种无线电(本质也是电磁波)信号,其本质也是互相激发传导的电场和磁场,那我们会不会被电磁波烤熟,我们的电器怎么还没有被电磁波烧坏?好消息是若电磁波的辐射能量越高则其频率也就越高,所以传播距离就越短。传播距离较远的电磁波其频率较低,辐射能量也就越低。而一般使用的电磁波频率都对人体和电器较安全,而为了使各种不同用途的无线电相安无事互不干扰且对人体和电器无害,各国都对电磁波的频率有严格的管制也整了很多国际约定。

广告

文章评论 3条评论)

登录后参与讨论

curton 2019-4-23 15:41

好资源 学习了

eyesee00 2019-3-29 10:31

温故知新,感谢

eeNick 2019-3-28 15:22

很好的电磁感应、电磁场与电磁波资料,谢谢分享
相关推荐阅读
毛大闲 2019-11-04 21:09
【零基础】使用Tensorflow实现神经网络
一、序言  前面已经逐步从单神经元慢慢“爬”到了神经网络并把常见的优化都逐个解析了,再往前走就是一些实际应用问题,所以在开始实际应用之前还得把“框架”翻出来,因为后面要做的工作需要我们将精力集中在业务...
毛大闲 2019-10-29 23:16
【零基础】神经网络优化之Adam
一、序言  Adam是神经网络优化的另一种方法,有点类似上一篇中的“动量梯度下降”,实际上是先提出了RMSprop(类似动量梯度下降的优化算法),而后结合RMSprop和动量梯度下降整出了Adam,所...
毛大闲 2019-10-29 11:25
【零基础】神经网络优化之动量梯度下降
一、序言  动量梯度下降也是一种神经网络的优化方法,我们知道在梯度下降的过程中,虽然损失的整体趋势是越来越接近0,但过程往往是非常曲折的,如下图所示:    特别是在使用mini-...
毛大闲 2019-10-27 23:15
【零基础】神经网络优化之mini-batch
一、前言  回顾一下前面讲过的两种解决过拟合的方法:  1)L0、L1、L2:在向前传播、反向传播后面加个小尾巴  2)dropout:训练时随机“删除”一部分神经元  本篇要介绍的优化方法叫mini...
毛大闲 2019-10-24 15:45
【零基础】神经网络优化之dropout和梯度校验
一、序言  dropout和L1、L2一样是一种解决过拟合的方法,梯度检验则是一种检验“反向传播”计算是否准确的方法,这里合并简单讲述,并在文末提供完整示例代码,代码中还包含了之前L2的示例,全都是在...
毛大闲 2019-10-18 13:01
【零基础】神经网络优化之L1、L2
一、序言  前面的文章中,我们逐步从单神经元、浅层网络到深层网络,并且大概搞懂了“向前传播”和“反向传播”的原理,比较而言深层网络做“手写数字”识别已经游刃有余了,但神经网络还存在很多问题,比如最常见...
广告
我要评论
3
6
广告
关闭 热点推荐上一条 /1 下一条