Split (2)

train · 18.3k rows

id stringlengths 36 57	type stringclasses 4 values	title stringlengths 0 159	context stringlengths 121 17.2k	questions listlengths 1 584
81b01862-665c-4529-933d-6b98347aec4e	인공물ED	구간 분할과 영역 분류를 이용한 XRF 스펙트럼의 백그라운드 제거	</p> <h1>V. 실 험</h1> <p>스펙트럼 신호는 SSD(Silicon Drift Detector)를 통해서 $ 135 \mathrm{eV} $의 분해능을 가지는 iEDX-200AT를 이용하여 스펙트럼의 백그라운드 데이터를 획득하였다. 본 논문에서 제안하는 방법은 MatLab7.10을 이용하여 구현하였고, ISP사의 SmartRay v2.5를 이용하여 샘플의 정성 및 정량 분석을 통하여 분석 정밀도를 검증하였다.</p> <p>기존의 방법과 제안하는 방법의 성능을 비교하기 위하여 플라스틱 샘플에서 유해물질을 검출할 때 사용되는 스펙트럼의 백그라운드와 가장 유사한 형상을 나타내는 ‘PE_Blank’ 표준시편을 이용하여 테스트를 위한 백그라운드를 생성하였다. 샘플의 구성 성분과 함유량을 나타내는 피크데이터는 가우시안 피크를 이용하여 이미 알고 있는 위치와 크기를 이용하여 테스트 모델을 구축하였고, 스펙트럼의 잡음을 모델링하여 실측 스펙트럼과 유사한 혼합형 데이터 샘플을 생성하였다.</p> <p>그림 7의 (a)는 찾고자 하는 가우시안을 피크를 생성한 피크 신호이고, (b)는 ISP사의 iEDX-200AT를 통해서 표준시편 ‘PE_Blank’를 측정하여 획득한 백그라운드 모델링 샘플이며 (c)는 생성한 피크와 측정된 백그라운드로 만든 실험 모델이며, (d)는 피크 데이터를 이용하여 잡음을 모델링한 결과이며 (e)는 테스트 모델에 잡음을 혼합한 테스트 스펙트럼 데이터이다.</p> <p>표 1은 혼합형 데이터를 이용하여 기존 백그라운드 제거 방법인 모폴로지 기반 방법과 SNIP 방법을 제안된 방법과 비교한 결과로서 연산시간과 피크 데이터 복원 성능을 비교하였다. 비교 결과 연산시간은 모폴로지 방법이 가장 빠르지만 복원 성능이 좋지 않고, SNIP 방법은 반복연산에 따른 연산시간이 너무 길게 측정되었다. 제안된 방법은 비교적 짧은 연산시간과 가장 높은 복원 성능을 나타내었다.</p> <p>또한 제안된 방법의 실측 데이터에서의 성능을 살펴보기 위해, 표준 시편인 PE_High를 이용하여 50개의 실측 샘플 데이터를 획득하여 실험에 이용하였다. 이렇게 측정된 스펙트럼 데이터로부터 기존의 백그라운드 제거 방법과 제안된 방법을 이용하여 백그라운드를 제거한 후 획득된 신호를 ISP사의 스펙트럼 분석 상용 프로그램인 SmartRay 2.5를 이용하여 정성 및 정량 분석하여 얻어진 분석 결과를 비교하였다. 표 2은 기존의 방법과 제안한 방법의 분석 결과를 비교한 결과이다.</p> <table border><caption>표 2. 실측 데이터를 이용한 백그라운드 제거 방법의 성능 비교.</caption> <tbody><tr><td colspan = "2">원소(함유량) / 방법</td><td>Morphol-ogy</td><td>SNIP</td><td>제안한 방법</td></tr><tr><td rowspan = "2">$ \mathrm{Cr} (1003) $</td><td>평균($ \mathrm{ppm} $)</td><td>1093.5</td><td>1150.5</td><td>1053.2</td></tr><tr><td>최대오차 $ (\%) $</td><td>21.44</td><td>27.9</td><td>16.4</td></tr><tr><td rowspan = "2">$ \mathrm{Br} (1100) $</td><td>평균($ \mathrm{ppm} $)</td><td>998.6</td><td>1077.5</td><td>1059.8</td></tr><tr><td>최대오차 $ (\%) $</td><td>20.18</td><td>5.1</td><td>4.9</td></tr><tr><td rowspan = "2">$ \mathrm{Cd} (300) $</td><td>평균($ \mathrm{ppm} $)</td><td>354.8</td><td>387.7</td><td>312.1</td></tr><tr><td>최대오차 $ (\%) $</td><td>34.3</td><td>37.3</td><td>23.6</td></tr><tr><td rowspan = "2">$ \mathrm{Hg} (1100) $</td><td>평균($ \mathrm{ppm} $)</td><td>808.8</td><td>1002.5</td><td>1093.6</td></tr><tr><td>최대오차 $ (\%) $</td><td>58.2</td><td>28.7</td><td>5.7</td></tr><tr><td rowspan = "2">$ \mathrm{Pb} (1199) $</td><td>평균($ \mathrm{ppm} $)</td><td>489.5</td><td>1307.9</td><td>1354.3</td></tr><tr><td>최대오차 $ (\%) $</td><td>68.7</td><td>12.9</td><td>18.1</td></tr></tbody></table>	[ "실측 데이터를 이용한 백그라운드 제거 방법의 성능 비교한 표에서 원소\$ \\mathrm{Hg} (1100) \$의 Morphol-ogy 최대오차 값이 58.2일때 SNIP 최대오차 값은 얼마야?", "표 2.에서 원소(함유량)\$ \\mathrm{Cd} (300) \$의 Morphol-ogy열의 최대오차값은 얼마야?", "논문에서 제안된 방법의 실측 데이터에서의 성능 확인은 어떤 과정을 통해 이루어졌나요?", "표 1의 결과 값은 어떤 과정을 통해 산출됐나요?", "표 2.에서 \$ \\mathrm{Cr} (1003) \$원소의 최대오차 값은 얼마야?", "논문에서 제안하는 방법과 기존 방법의 성능 비교를 위한 테스트 백그라운드는 어떻게 만들었나요?", "어떤 방법으로 실측 스펙트럼과 유사한 혼합형 데이터 샘플을 만들었나요?", "표 2.에서 평균(\$ \\mathrm{ppm} \$) 값이 998.6인 원소는 뭐야?", "그림 7에서 (b)가 나타내는 백그라운드 모델링 샘플은 어떤 방법으로 획득했나요?", "논문에서 제안하는 방법을 나타내기 위해 어떤 방법을 사용했나요?", "기존 방법과 논문에서 제안한 방법의 분석결과를 비교한 표에서 SNIP열의 값이 1150.5인 원소는 뭐야?", "표 2의 제안한 방법 열에서 최대오차 \$ (\\%) \$값이 5.7인 원소는 뭐야?", "논문에서 제안한 방법을 이용하여 측정한 백그라운드 데이터값이 1059.8일 때 최대오차 \$ (\\%) \$값은 얼마인가요?", "표 2.에서\$ \\mathrm{Cd} (300) \$의 평균(\\mathrm{ppm}ppm)행에서 SNIP 값은 얼마지?", "표 2.에서 SNIP 열의 최대 오차값이 12.9일때 평균(\$ \\mathrm{ppm} \$)값은 얼마야?", "기존 방법과 논문에서 제안한 방법의 분석결과를 비교한 표에서 평균(\$ \\mathrm{ppm} \$)값이 387.7이고 최대오차 \$ (\\%) \$값이 37.3인 열의 이름은 뭐야?", "표 2.에서 어떤 원소가 Morphol-ogy 최대오차 값 68.7을 가져?", "실측 데이터를 이용한 백그라운드 제거 방법의 성능 비교한 표에서 최대오차 \$ (\\%) \$값이 18.1인 열의 이름은 뭐야?", "실측 데이터를 이용한 백그라운드 제거 방법의 성능 비교표에서 두번째로 낮은 최대오차 값을 가지는건 어떤 원소야?", "실험에서 스펙트럼의 백그라운드 데이터는 어떻게 얻어냈나요?", "실측 데이터를 이용한 백그라운드 제거 방법의 성능 비교한 표에서 원소 \$ \\mathrm{Cr} (1003) \$의 평균(\$ \\mathrm{ppm} \$)값은 얼마야?", "표 2.에서 제안한 방법을 이용했을 때 Morphol-ogy열의 평균(\$ \\mathrm{ppm} \$)값이 489.5인 원소는 뭐야?", "논문에서 제안한 방법을 이용하여 측정한 백그라운드 데이터값을 비교했을 때 가장 낮은 SNIP 최대오차 값을 가지는건 어떤 원소야?", "표 2.에서 평균(\$ \\mathrm{ppm} \$) 808.8의 값을 갖는 열의 이름은 뭐야?", "표 2.에서 가장 높은 평균(\$ \\mathrm{ppm} \$)값을 가지는 열의 이름은 뭐야?" ]
fc9c2155-f3b7-4241-9dcf-071fd9b86ce4	인공물ED	CT 영상을 이용한 무릎관절 모의 치환 시술 환경	<h1>II. 3차원 형상 재구성</h1><p>CT 영상으로부터 3차원 골격 형상 복원을 위해서는 각 장의 CT 영상에 대하여 골격의 외각선 정보와 영상의 실측 정보를 가지고 있어야 한다. CT 데이터는 영상과 실측에 대한 수치 정보가 혼합되어 있으므로 우선적으로 이들을 분리하여 저장한다. 분리된 정보로부터 영상 정보는 영상처리 기법을 적용하여 필요한 골격의 외각 성분을 추출하며, 실측정보와 함께 역학적 축을 기준으로 재설정된다. 역학적 축으로 설정된 포인트 데이터는 컴퓨터 그래픽 기술을 이용하여 3차원 형상으로 시각화된다.</p><h2>1. CT 데이터 변환</h2><p>CT 촬영을 통하여 얻은 DAT 형식 파일은 프로그램을 이용하여 영상과 실측 정보를 분리되어 영상 정보는 외각선 추출을 위하여 영상처리가 가능한 RAW 파일 형식으로 저장되며, 각 장의 영상은 $ 512 \times 512 \mathrm{~pixel}$의 크기로 256 gray level의 해상도를 갖는다. 실측 정보는 TXT 파일 형식으로 저장하며, 3차원 형상을 재구성할 때 사용된다. 그림 1과 표 1은 분리된 영상의 한 예를 보이고 있으며 전체 대퇴골 영상과 $\mathrm{pixel}$의 크기 및 연속촬영 상에서의 상대적 위치를 나타내고 있다. 여기서 촬영 진행 축을 $ z $ 축으로 선정하고 이에 수직인 면을 기준으로 $ \mathrm{x} $와 $ \mathrm{y} $축을 선정하였다.</p><table border><caption>표 1 CT 촬영 정보 예(그림 1. 10번 CT DAT FILE)</caption><tbody><tr><td>내용</td><td>제원</td></tr><tr><td>촬영 장소</td><td>KYUNGHEE UNIV. HOSP.</td></tr><tr><td>촬영 날짜 및 시간</td><td>95/9/17, 15:8:45</td></tr><tr><td>$1\mathrm{pixel}$ 실측 크기</td><td>$ 0.664063 \mathrm{mm} \times 0.664063 \mathrm{mm} $</td></tr><tr><td>연속 촬영에서의 수직 위치</td><td>$ 18.50 \mathrm{mm} $</td></tr></tbody></table><h2>2. 영상처리</h2><p>분리된 영상정보로부터 외각선 검출을 위해서는 우선적으로 불필요한 노이즈 성분을 제거하여야 한다. 일차적으로 원하는 골격과 그 외의 성분을 제거하기 위하여 경계치를 이용한 영상분할 기법을 적용한다. 영상분할에 필요한 경계치는 일반적으로 일정한 값을 사용하지만 연속된 CT 영상에서는 각 장마다 해상도가 다르므로 한 경계치를 모든 영상에 적용할 수가 없다. 따라서 각 영상에서 가장 적합한 경계치를 찾기 위하여 인체와 인체 이외의 영역(A)으로 다시 인체 영역을 골격 이외의 조직 영역(B)과 골격(C)으로 구분한다. 그림 2(a)는 전체 영상에 대한 히스토그램을 나타내고 있다. 영상에서 세 영역이 모두 나타날 수 있는 $ \mathrm{x} $축에 평행인 임의의 선을 선정하고 그 선에서의 gray level를 살펴보면</p><p>그림 2의 (b)와 같이 gray level 64 에서 (B)와 (C)의 경계에 대한 변화가 있음을 알 수 있다. 전체 히스토그램에서 골격과 그 이외의 조직과의 경계에 따른 변화는 그림 2(a)에서 D 영역에 해당된다. 따라서 모든 CT 영상에 대하여 자동적으로 일괄 처리할 수 있는 경계치를 찾기 위하여 기울기를 이용하였다. 전체 히스토그램에서 $ \mathrm{x} $축의 값 255에서 0의 방향으로 기울기가 120되는 gray level이 전체 CT 영상의 히스토그램을 통하여 골격과 그 외의 부분의 영역의 변화에 대하여 거의 동일하게 나타남을 알 수 있다. 이와 같은 영상분할 적용에 대한 결과가 그림 3(a)에 나타나 있다.</p><p>골격의 외각선 검출을 위해서 라플라시안 필터를 사용한다. 라플라시안 필터는 이진영상에서 하나의 $\mathrm{pixel}$로 이루어지는 외각선을 추출할 수 있는 장점이 있지만 그림 3(b)와 같이 내부 노이즈에 대한 각선도 같이 나타나게 되는 단점이 있으므로 적용하기 전에 내부 노이즈는 골격의 일부를 포함하기 때문에 상분할에서는 제거될 수 없으므로 골격의 내부를 우는 방법을 통하여 내부 노이즈를 제거한다. 내부를 우기 위해서 각 pixel에 대해 8개의 방향으로 주변 pixel을 검사하여 골격의 내부와 외부를 구별하며 내부 pixel로 구별되면 점차 확장하여 최종적으로 내부를 완전히 채우게 하였다.</p><p>마지막으로 내부 노이즈가 완전히 제거된 상태에서 라플라시안 필터를 적용하여 원하는 외각선을 추출한다.</p>	[ "CT 촬영 정보 예를 나타낸 표에서 95/9/17, 15:8:45는 무슨 내용을 의미해?", "CT 촬영 정보 예를 나타낸 표에서 \$ 18.50 \\mathrm{mm} \$가 내포하고 있는 내용은 무엇이야?", "표1에서 \tKYUNGHEE UNIV. HOSP.의 정보를 갖는 CT 촬영 정보의 내용은 어떤거야?", "본 논문의 표1에서 \$ 0.664063 \\mathrm{mm} \\times 0.664063 \\mathrm{mm} \$가 갖는 내용은 무엇이야?", "본 논문에서 3차원 골격 형상 복원을 위해 촬영할때 연속 촬영에서의 수직 위치는 얼마야?", "본 논문에서 3차원 골격 형상 복원을 위해 예시로 CT촬영한 날짜는 언제야?", "영상에서 얻은 정보를 구성하여 CT데이터로 처리하는 절차는 어떻게 돼?", "영상분할 기법을 적용하여 경계치를 찾기 위해 영상을 어떻게 구분해?", "본 논문에서 예시로 촬영한 CT에서 1pixel 실측 크기는 얼마로 설정했어?", "3차원 형상을 재구성하는 CT촬영 정보 예시에서의 촬영 장소는 언제야?" ]
29a65726-4af1-4e21-af66-7885bbd10f47	인공물ED	유체소자 성능향상을 위한 Polymethyl methacrylate(PMMA)의 레이저 표면처리	<h1>3. 결과 및 고찰</h1> <p>표면이 식각되지 않는 범위 안에서 최대의 표면개질 조건을 찾기 위해 레이저 빔 밀도와 펄스 수를 변화시키며 레이저 처리하였다. 빔 밀도가 $ 110 \mathrm{~mJ} / \mathrm{cm}^{2} $ (문턱 빔 밀도) 이하인 조건에서는 일정 펄스 수 이상에서도 표면에 조사되는 펄스 수에 관계없이 표면 식각이 이루어지지 않았다. 문턱 빔 밀도 조건에서 표면에 조사되는 펄스 수를 증가시키며 접촉각을 측정하였다. 그 결과 500 펄스 수 이상에서 최대 접촉각 감소를 관찰할 수 있었다.</p> <table border><caption>표 2 $ \mathrm{Nd}$:YAG 4고조파 $ (\lambda=266 \mathrm{~nm}) $를 이용하여 PMMA의 최대 표면개질을 하기 위한 문턱조건.</caption> <tbody><tr><td>Experiment condition</td><td>Value</td></tr><tr><td>Laser power</td><td>$ 0.22 \mathrm{~W} $</td></tr><tr><td>Scan speed</td><td>$ 100 \mu \mathrm{m} / \mathrm{s}< $</td></tr><tr><td>Beam size(diameter)</td><td>$ 5 \mathrm{~mm} $</td></tr><tr><td>Number of Pulses</td><td>500 ></td></tr><tr><td>Threshold fluence</td><td>$ 110 \mathrm{~mJ} / \mathrm{cm}^{2} $</td></tr></tbody></table> <p>문턱 빔 밀도 이상에서는 일정 펄스 수 조사 이후부터 표면이 식각되는 것을 볼 수 있었다. 이것은 고분자화합물에서 식각률과 에너지 빔 밀도와의 관계와 일치한다.</p> <p>$ L_{\mathrm{f}}=(1 / a) \ln \left(\mathrm{F} / \mathrm{F}_{\mathrm{th}}\right) $<caption>(2)</caption></p> <p>$ L_{f} $ : Etching depth per pulse</p> <p>$a$ : Absorptivity at that wavelength</p> <p>$ F_{t h} $ : Threshold fluence</p> <p>표면 식각이 일어나기 위해서는 문턱 빔 밀도 이상의 값이 조사되어야 한다. 문턱 빔 밀도 이상의 조건인 $ 150 \mathrm{~J} / \mathrm{cmf}^{\prime} $에서 표면손상이 나타나기까지 펄스 수를 증가시키면서 각각의 펄스 수에 따라 접촉각 변화를 관찰하였다. 그 결과 문턱 조건보다 적은 표면개질률을 보였다.</p> <p>접촉각 감소는 표면 친수성의 증가로 해석될 수 있는데, 표면처리에 의해 친수기에 해당되는 산소기의 증가가 그 원인으로 사료된다. 표면개질 메커니즘은 조사되는 레이저 빔 에너지에 의해 표면 화학결합이 꼲어지고, 그것의 표면성분과 대기중의 산소와 반응-결합하여 표면 산소 함유량이 증가되는 것으로 생각된다. 친수성 증가를 위해서는 표면에 조사되는 에너지가 재료 표면에 흡수되어 표면개질 메커니즘이 이루어져야 한다. 그런데 문턱 빔 밀도 이상의 에너지에서는 표면개질 메커니즘 보다, 열적프로세스에 의한 표면의 용융 및 제거가 일어나는 식각 메커니즘이 우세하게 나타나기 때문으로 사료된다. 이 사실을 그림 3 (c)를 통해 확인할 수 있었다.</p> <p>PDMS의 레이저 표면개질도 문턱 빔. 밀도 $ \left(115 \mathrm{~mJ} / \mathrm{cm}^{\circ}\right) $에서 최대 접촉각 변화를 보였고, 문턱 조건 이상에서는 표면 손상과 함께 문턱 조건보다 낮은 표면개질율을 보였다. PMMA 표면개질율은 약 $ 21.3 \% $로, PDMS의 문턱 조건에서의 표면개질율인 약 $ 14 \% $보다 높은 것을 확인할 수 있었다.</p>	[ "최대의 표면개질 conditon을 구하기 위해 어떻게 실험했나요?", "Threshold fluence은 어떻게 표현하나요?", "표에서, 레이저 Power은 얼마인가요?", "표에 따르면, Threshold fluence는 얼마인가요?", "파장에서 흡수율은 어떻게 나타냅니까?", "Etching depth per pulse는 어떻게 나타내나요?", "표에 따르면, 스캔 속도는 얼마인가요?", "표에 따르면, 빔 크기는 얼마인가요?" ]
a007489e-ad0a-427c-babe-d5a9b6a1f405	인공물ED	유체소자 성능향상을 위한 Polymethyl methacrylate(PMMA)의 레이저 표면처리	<h1>2. 실 험</h1> <h2>2.1 실험 장치 및 방법</h2> <p>본 실험은 기본파가 $ 1064 \mathrm{~nm} $인 $ \mathrm{Nd}$:YAG 레이저의 4고조파 $ (\lambda=266 \mathrm{~nm} $, pulse $ ) $를 이용하여 가로, 세로, 두께가 각각 $ 1 \mathrm{~cm}, 1 \mathrm{~cm}, 1 \mathrm{~mm} $로 준비된 PMMA(무코팅, Nextech Engineering Co., Ltd., Korea)의 표면개질을 시도하였다. 반사경과 집속렌즈로 레이저 빔을 정열시켜 수평으로 이동하는 스테이지(D120 Series, SUGURA SEIKI Co., Ltd., Japan) 상의 시료표면에 조사하였다. X, Y, Z 축으로 각각 $ 1 \mu \\( \mathrm{m} $)의 정밀도로 이동 가능한 스테이지의 이동속도를 조절하며 시료표면에 조사되는 펄스 수를 제어하였다. 이때 표면 손상이 일어나지 않는 빔 밀도와 스테이지 이동속도 조건을 찾고자 하였다.</p> <table border><caption>표 1 $ \mathrm{Nd}$:YAG 4고조파 $ (\lambda=266 \mathrm{~nm}) $ 를 이용한 PMMA의 표 면개질 실험조건.</caption> <tbody><tr><td>Experiment condition</td><td>Value</td></tr><tr><td>Laser power</td><td>$ 0.20-0.59 \mathrm{~W} $</td></tr><tr><td>Scan speed</td><td>$ 33-5000 \mu \mathrm{m} / \mathrm{s} $</td></tr><tr><td>Beam size(diameter)</td><td>$ 5 \mathrm{~mm} $</td></tr><tr><td>Number of Pulses</td><td>$ 10-1500 $</td></tr><tr><td>Fluence</td><td>$ 100-300 \mathrm{~mJ} / \mathrm{cm}^{2} $</td></tr></tbody></table> <h2>2.2 접촉각 맟 표면형상 측정</h2> <p>레이저 처리된 시료의 표면개질 정도를 측정하기 위해 접촉각 측정기(ERMA Co., Ltd., Japan)가 사용되었다. Young-Dupre 식을 이용하여 측정된 접촉각 $ (\theta) $으로부터 표면에너지 $ (\mathrm{W}) $를 구하였다.</p> <p>$ \mathrm{W}=\gamma(1+\cos \theta)[\mathrm{mN} / \mathrm{m}] $<caption>(1)</caption></p> <p>$ \gamma $는 측정용액의 표면에너지 성분이다. 식에서 보듯이 접촉각의 감소는 표면에너지의 증가로 불 수 있다. 본 실험에서는 증류수 $ 5 \mu \ell $를 물방울 형태로 시로표면에 떨어뜨려 접촉각 측정을 하였다. 증류수의 표면에너지 $ \gamma $는 $ 72.8 \mathrm{mN} / \mathrm{m} $이다.</p>	[ "표1에서 Beam size(diameter)의 결과는 어떤 값을 가집니까?", "표1에서 Laser power의 값은 무엇입니까?", "표1에서 Number of Pulses의 결과는 어떤거야?", "표1에서 \$ 100-300 \\mathrm{~mJ} / \\mathrm{cm}^{2} \$의 결과를 가지는 항목은 뭐야?", "표1을 보면 \$ 33-5000 \\mu \\mathrm{m} / \\mathrm{s} \$의 결과를 보이는 항목은 어떤거야?" ]
9e05d805-befd-44aa-a190-7a3dd32df439	인공물ED	잡음 공분산 추정 방식을 적용한 칼만필터 기반 지면밀착 접근표적 추적기법	<p>그림 10 에는 제안하는 기법을 적용한 칼만필터의 성능 비교를 위해 칼만필터의 위협체 거리 추적 결과 $ (\triangle) $, LS (Least Square) 필터의 위협체 거리 추적 결과(), 근접센서로 획득한 위협체의 거리 $ (\bigcirc) $ 를 나타내었다. 그림 10 과 같이, 제안하는 기법을 적용한 칼만필터( $ \triangle) $ 와 LS 필터()는 서로 일정 오차를 가지고 위협체를 추적한다. 근접센서의 위협체 거리 획득 범위를 벗어난 이후 지점(약 $ 0.08 $ 초)부터의 칼만필터 $ (\triangle) $ 와 LS 필터() 사이의 추적 오차는 평균 약 $ 1 \mathrm{~m} $ 를 나타낸다.</p> <p>LS 필터()는 근접센서의 위협체 거리 획득 시작 시점 부터 위협체가 빔폭을 벗어나 거리 획득이 종료된 시점까지의 거리 정보들을 통해 2차 함수 모델을 생성한다. 그러나 그림 10 의 붉은 점선의 사각형 부분과 같은 근접한 거리에서는 위협체의 탄미로 예측되는 부분 $ (\bigcirc) $ 의 거리 정보가 탄두 정보와 함께 그대로 2차 함수 모델 생성에 혼용된다. 따라서 실제 위협체의 거리로 예측되는 지점보다 먼 거리로 위협체를 추적하는 오류를 범할 수 있다.</p> <p>반면에, 제안하는 기법을 적용한 칼만필터 $ (\triangle) $ 의 경우에는 원거리부터 접근하는 위협체의 움직임 및 속도에 대한 경향을 칼만필터의 시스템모델에 반영하기 때문에, 근거리에서 위협체의 탄미로 예측되는 부분 $ (O) $ 이 획득되더라도 속도 정보 연산을 통해 해당 오차가 어느 정도 보정되므로 더 신뢰할 수 있는 위협체 추적 결과를 얻을 수 있다.</p> <p>표 2 에 근접센서 위치를 기준으로 다가오는 위협체에 대한 상세거리 수치를 나타내었다. 표 2에서 근접센서를 기준으로 위협체는 R-9.87 m 지점까지 탐지가 되었고, 이후 지점부터는 빔폭을 벗어나 더 이상 위협체를 탐지할 수 없음을 확인할 수 있다. 이후 지점부터 칼만필터는 근접센서에서 측정되는 측정값 없이 칼만필터의 예측값만으로 위협체 거리를 추정한다. 따라서 추정된 거리는 위협체가 대응탄의 파편 분산범위에 들어왔는지에 대한 판단정보로 사용될 수 있다.</p> <table border><caption>표 2. 근접센서 측정 거리와 필터 추적 거리 비교</caption> <tbody><tr><td>Case</td><td colspan=8>Range $ (\mathrm{m}) $</td></tr><tr><td>Measured range of proximity sensor</td><td>R- 6.79</td><td>R-7.31</td><td>R-7.25</td><td>R-7.70</td><td>R - 8.21</td><td>R-9.87</td><td>-</td><td>-</td></tr><tr><td>Tracking range of $ 2^{\text {nd }} $ LS filter</td><td>R - 6.62</td><td>R- 7.08</td><td>R-7.53</td><td>R-7.98</td><td>R - 8.41</td><td>R- 8.84</td><td>R - 9.26</td><td>R-9.66</td></tr><tr><td>Tracking range of basic Kalman filter</td><td>R - 7.11</td><td>R- 7.67</td><td>R- 8.16</td><td>R-8.64</td><td>R - 9.12</td><td>R 9.72</td><td>R-10.31</td><td>R-10.89</td></tr><tr><td>Tracking range of proposed Kalman filter</td><td>R 6.67</td><td>R 7.25</td><td>R 7.81</td><td>R 8.35</td><td>R 8.89</td><td>R 9.46</td><td>R 10.03</td><td>R 10.60</td></tr></tbody></table>	[ "칼만 filter가 세번째로 추적한 위협체의 거리값은 얼마로 나왔니?", "LS 필터가 2차 함수 모델을 만드는 방법이 뭐야?", "proximity sensor가 측정한 두번째 위협체 거리는 얼마야?", "proximity sensor로 획득한 세번째 위협체의 거리는 얼마인가?", "근접센서가 얻은 위협체의 5번째 거리는 몇 \$ \\mathrm{m} \$야?", "\$ 2^{\\text {nd }} \$ LS filter의 세번째 예측값이 뭐야?", "\$ 2^{\\text {nd }} \$ LS filter가 처음으로 추적한 위협체의 거리는 얼마야?", "위협체의 거리를 근접센서로 측정한 4번째 거리는 얼마야?", "근접센서의 측정 거리가 \$8.21\\ \\mathrm{m} \$ 일 때 추적거리가 \$8.41\\ \\mathrm{m} \$인 필터는 뭐야?", "위협체의 거리를 추적한 \$ 2^{\\text {nd }} \$ LS filter의 네번째 값은 뭐야?", "필터의 첫번째 추적거리가 근접센서의 위협체 측정거리와 가장 적게 차이나는 것이 뭐야?", "근접 sensor가 탐지한 마지막 지점은 얼마인가?", "2번째 Tracking range of \$ 2^{\\text {nd }} \$ LS filter는 뭐야?", "필터가 추적한 첫번째 추적 거리가 가장 먼 필터는 뭐야?", "Least Square Filter의 6번째 위협체의 거리 추적값은 얼마야?", "LS필터가 추적한 7번째 위협체의 거리는 어떻게 돼?", "LS필터가 마지막으로 예측한 위협체의 거리값은 얼마야?", "첫번째 Measured range of proximity sensor는 얼마야?", "필터가 추적한 첫번째 예측값 중 가장 큰 값은 얼마야?", "네번째로 추정한 위협체의 거리가 \$8.64 \\mathrm{m} \$인 것은 무엇이니?", "두번째 근접센서의 측정거리와 가장 차이가 많이 나는 필터의 예측값은 얼마야?", "5번째의 Tracking range of basic Kalman filter의 수치는 얼마야?", "근접센서가 마지막으로 획득한 거리와 가장 차이가 적게 나는 필터의 추적거리는 얼마야?", "제안하는 칼만필터가 추적한 거리 중 가장 먼 거리는 얼마야?", "근접센서의 위협체 거리 획득 마지막 시점에서의 제안된 Kalman filter의 추정값은 얼마야?", "근접센서의 측정값 없이 제안하는 칼만필터의 예측값으로 추정한 첫번째 값은 얼마야?", "칼만필터가 가장 마지막으로 위협체의 거리를 추정한 값은 얼마니?", "proximity sensor의 위협체 측정 거리가 \$8.21\\mathrm{m}\$일 때의 proposed Kalman filter의 에측값은 얼마입니까?", "proposed 칼만 filter의 세번째 예측 거리는 몇 \$ \\mathrm{m} \$야?", "세가지 필터가 맨 처음 추적한 위협체의 거리 중 중간값은 얼마야?" ]
39e9bcc5-2c7a-4d19-bca2-318dc7d161ed	인공물ED	잡음 공분산 추정 방식을 적용한 칼만필터 기반 지면밀착 접근표적 추적기법	<h1>III. 위협체 발사시험 및 결과검증</h1> <p>제안하는 추적기법의 성능 평가를 위해 그림 6과 같이 야외시험장을 구성하여 시험데이터를 수집하였다. 지면 클러터를 반영하기 위하여 위협체는 약 $ 1.5 \mathrm{~m} $ 에서 발사하여 약 $ 3 \mathrm{~m} $ 높이에 탄착하는 것으로 설정하였고, 위협체와 근접센서의 조우 순간을 촬영하기 위해 측면에 초고속카메라를 설치하였다.</p> <p>그림 7에 위협체가 근접센서를 지나가는 순간 고속카메라로 촬영한 장면을 나타내었다. 근접센서와 위협체 간 이격거리는 $ 1 \mathrm{~m} $ 수준으로 측정되었고, 근접센서에서 획득한 위협체에 대한 데이터는 DSP(Digital Signal Processing)의 FFT(Fast Fourier Transform)를 통해 획득한 비트 주파수를 이용하여 위협체 거리와 속도정보로 변환하였다.</p> <p>획득한 위협체의 속도정보를 기존 칼만필터와 제안하는 잡음 공분산 행렬을 적용한 칼만필터의 입력 데이터로 설정하였고, 그 결과를 도플러 레이다를 통해 계측한 위협체의 속도정보와 비교하였다. 그림8 에 본 연구에서 제안하는 잡음 공분산 행렬을 적용한 칼만필터의 위협체 속도 추적 결과 $ (\triangle) $, 기존 칼만필터의 위협체 속도 추적 결과 $ (\square) $, 근접센서로 획득한 위협체의 속도 $ () $, 도플러 레이다로 측정한 위협체의 속도 $ (O) $를 나타내었다.</p> <p>그림 8 에서 잡음 공분산 행렬에 단순한 초기 오차만을 설정한 기존 칼만필터 $ (\square) $는 위협체에 대한 속도 추적이 초반에 발산하는 경향을 보인 뒤 안정화 되지만, 실제 발사 환경에서 발생할 수 있는 오차를 고려하여 잡음 공분 산 행렬을 적용한 칼만필터 $ (\triangle) $의 속도 추적 결과는 위협 체 추적시점부터 종료시점까지 속도에 대해 안정적인 추적경향을 나타내며, 도플러 레이다로 측정한 참조값과 유사한 결과로 우수한 추적 성능을 보여준다.</p> <p>위협체 속도에 대한 추적 성능 비교를 위하여 도플러 레이다로 정확하게 측정한 위협체 속도를 기준으로 제안하는 잡음 공분산 행렬을 적용한 칼만필터의 추적 속도, 근접센서를 통해 획득한 위협체 속도, 기존 칼만필터의 추적 속도를 표 1과 같이 RMSE(Root-Mean Squared Error)로 비교하였다.</p> <p>표 1 에 나타낸 바와 같이 근접센서로 측정한 위협체의 속도는 도플러 레이다 계측 결과와 비교하였을 때 $ 12.45 $ $ \mathrm{m} / \mathrm{s} $ 의 RMSE 값을 나타내는데, 이는 근접센서의 기본적인 측정오차가 포함된 결과이다. 반면에, 근접센서에서 획 득한 위협체의 속도를 기존 칼만필터에 적용하여 비교한 RMSE 값은 $ 38.74 \mathrm{~m} / \mathrm{s} $ 로 근접센서 측정 속도 오차 대비 $ 211 \% $ 증가하였으나, 제안하는 기법을 적용하여 비교한 RMSE 값은 $ 3.34 \mathrm{~m} / \mathrm{s} $ 로 근접센서 측정 결과인 $ 12.45 \mathrm{~m} / \mathrm{s} $ 보다 $ 73 \% $ 감소하여 속도 추적 정확도가 향상되었음을 확인할 수 있다.</p> <p>그림 9에 제안하는 잡음 공분산 행렬을 적용한 칼만필터의 위협체 거리 추적 결과 $ (\triangle) $, 기존 칼만필터의 위협체 거리 추적 결과 $ () $, 근접센서로 획득한 위협체의 거리(O)를 나타내었다.</p> <p>그림 9와 같이 근접센서로 측정한 위협체의 거리는 일정하게 증가하는 가속도 값을 갖는 위협체의 기동특성으로 볼 수 없는 S자의 불규칙한 형태를 나타내고 있다. 이러한 결과는 근접센서에서 주위 클러터를 위협체로 인식하거나, 일정 길이를 갖는 위협체의 다중지점에서의 반사 신호 때문에 나타난 결과로 판단된다.</p> <table border><caption>표 1. 근접센서 측정 속도 및 필터 추적 속도 비교</caption> <tbody><tr><td>Case</td><td>RMSE $ [\mathrm{m} / \mathrm{s}] $</td></tr><tr><td>Measured velocity error of proximity sensor</td><td>12.45</td></tr><tr><td>Tracking velocity error of basic Kalman filter</td><td>38.74</td></tr><tr><td>Tracking velocity error of proposed Kalman filter</td><td>3.34</td></tr></tbody></table> <p>특히 위 그림에서 $ 0.07 $ 초 부근에서는 위협체의 탄두가 아닌 탄미로 예측되는 부분이 측정되어 근접센서의 측정 결과 $ (\bigcirc) $ 만으로 대응탄의 기폭 시점을 판단하기는 쉽지 않다. 하지만 근접센서 측정값에 본 연구에서 제안하는 잡음 공분산 행렬을 적용한 칼만필터의 추적결과 $ \triangle \triangle) $ 에서는 위협체가 일정하게 접근하는 결과를 확인할 수 있다. 이는 칼만필터의 시스템 모델이 위협체의 모델 특성을 잘 반영하고 있음을 나타낸다.</p> <p>다만 제안하는 기법을 적용한 칼만필터의 추적 정확도는 위협체 거리에 대한 명확한 참값 데이터가 존재하지 않기 때문에, 판단하기 어려운 한계가 있다. 하지만 위협체 거리와는 달리 위협체 속도에 대한 참값 데이터는 알고 있고, 표 1 과 같이 제안하는 기법을 적용한 칼만필터가 기존 칼만필터보다 더 나은 속도 추적 성능을 나타냄을 확인할 수 있다. 따라서 시스템 모델(식 (1) (3))에 의해 속도 추적 성능이 반영되는 거리 추적 성능 또한 제안하는 기법을 적용한 칼만필터가 기존 칼만필터보다 우수할 것으로 판단된다.</p>	[ "표 1. 근접센서 측정 속도 및 필터 추적 속도 비교에서 속도 추적 정확도가 가장 좋은 것은 어느 것인가?", "어느 것이 속도 추적 정확력이 가장 좋은 거야", "표 1. 근접센서 측정 속도 및 필터 추적 속도 비교에서 Measured velocity error of proximity sensor의 RMSE는 얼마\$\\mathrm{m} / \\mathrm{s}\$인가?", "Measured velocity error of proximity sensor의 RMSE는 표 1 근접센서 측정 속도 및 필터 추적 소속 비교에선 얼마나 적용되었어", "표 1. 근접센서 측정 속도 및 필터 추적 속도 비교에서 RMSE가 가장 큰 경우는 어떤 경우인가?" ]
698efa35-7d9d-4229-8c20-09d3a2088948	인공물ED	직류시스템 해석을 위한 상태추정 알고리즘에 관한 연구	<h2>3. 사례연구</h2><p>Cigre논문에 기술된 DC EMS계통을 이용하여 사례연구 하였다. 우선 초기 값과 위의 식을 이용 한 결과 값 이 두 개의 값의 편차를 확인한 후 DC상태추정에 대한 사용가능성을 알아보았다.</p><p>위의 그림 2 를 토대로 Matlab을 이용하여 계산한결과로 표 1 과 같은 결과 값을 언게 되었다. 표에서 보는 것과 같이 두 값의 오차가 작은 것을 확인 할 수 있다. 이로 인해 DC 상태추정 해석에 관한 타당성을 살펴 볼 수 있다.</p><table border><caption><p>표 $1$. DC상태추정에 대한 전압 편차</p></caption><tbody><tr><td>Bus voltage</td><td>Initial value (Kv)</td><td>Estimated value $ (\mathrm{Kv}) $ $ -3 $ Iteration-</td><td>Error rate ($ \% $)</td></tr><tr><td>V1</td><td>$ 50.54 $</td><td>$ 49.8272 $</td><td>$ 1.41 $</td></tr><tr><td>V2</td><td>$ 50 $</td><td>$ 50.7441 $</td><td>$ -1.48 $</td></tr><tr><td>V3</td><td>$ 49.5 $</td><td>$ 49.1032 $</td><td>$ 0.80 $</td></tr><tr><td>V4</td><td>$ 49.3575 $</td><td>$ 48.8046 $</td><td>$ 1.12 $</td></tr><tr><td>V5</td><td>$ 49.93 $</td><td>$ 49.9534 $</td><td>$ -0.046 $</td></tr><tr><td>V6</td><td>$ 50.34 $</td><td>$ 50.7661 $</td><td>$ -0.84 $</td></tr><tr><td>V7</td><td>$ 50.5725 $</td><td>$ 51.2257 $</td><td>$ -1.29 $</td></tr><tr><td>V8</td><td>$ 101 $</td><td>$ 103.822 $</td><td>$ -2.79 $</td></tr><tr><td>V9</td><td>$ 101.4 $</td><td>$ 104.614 $</td><td>$ -3.16 $</td></tr><tr><td>V10</td><td>$ 99.275 $</td><td>$ 99.2663 $</td><td>$ 0.008 $</td></tr><tr><td>V11</td><td>$ 99.815 $</td><td>$ 100.004 $</td><td>$ -0.18 $</td></tr><tr><td>V12</td><td>$ 100.5825 $</td><td>$ 103.075 $</td><td>$ -2.47 $</td></tr><tr><td>V13</td><td>$ 100.94 $</td><td>$ 108.754 $</td><td>$ -2.78 $</td></tr><tr><td>V14</td><td>$ 101.4725 $</td><td>$ 104.755 $</td><td>$ -3.23 $</td></tr><tr><td>V15</td><td>$ 98.35 $</td><td>$ 95.5181 $</td><td>$ 2.87 $</td></tr></tbody></table><p>두 번째로 불량데이터에 입력 시 계통에 미치는 영향과 가중치를 변경한 다음 조치하였을 때 계통에 변화를 살펴보았다. 불량데이터가 입력 될 때 이상하게 추정 값이 나오는 것을 볼 수 있다. 이를 해결하기 위하여 가중치를 조정한 다음 계산 하였으며 전압 값이 기존의 정상상태 근처로 돌아 왔을 시다시 가중치를 기존의 값 복귀한 다음 계산하였다.</p><table border><caption>표 $ 2 $. $ 1,3,15 $ 번 모선의 불량데이터로 인한 전압변동</caption><tbody><tr><td>Bus voltage</td><td>Initialvalue(Kv)</td><td>1 Iteration(Kv)</td><td>3 Iteration(Kv)</td><td>5 Iteration(Kv)</td></tr><tr><td>V1</td><td>$ 50.54 $</td><td>$ 29.866 $</td><td>$ 42.9633 $</td><td>$ 49.8275 $</td></tr><tr><td>V2</td><td>$ 50 $</td><td>$ 32.865 $</td><td>$ 13.8226 $</td><td>$ 50.7443 $</td></tr><tr><td>V3</td><td>$ 49.5 $</td><td>$ 40.3124 $</td><td>$ 49.1254 $</td><td>$ 49.1033 $</td></tr><tr><td>V4</td><td>$ 49.3575 $</td><td>$ 38.6972 $</td><td>$ 48.8267 $</td><td>$ 48.8047 $</td></tr><tr><td>V5</td><td>$ 49.93 $</td><td>$ 39.9346 $</td><td>$ 49.9814 $</td><td>$ 49.9535 $</td></tr><tr><td>V6</td><td>$ 50.34 $</td><td>$ 40.906 $</td><td>$ 50.7939 $</td><td>$ 50.7662 $</td></tr><tr><td>V7</td><td>$ 50.5725 $</td><td>$ 41.4548 $</td><td>$ 51.2535 $</td><td>$ 51.2258 $</td></tr><tr><td>V8</td><td>$ 101 $</td><td>$ 93.961 $</td><td>$ 113.6773 $</td><td>$ 103.7704 $</td></tr><tr><td>V9</td><td>$ 101.4 $</td><td>$ 94.8311 $</td><td>$ 114.4 $</td><td>$ 104.5631 $</td></tr><tr><td>V10</td><td>$ 99.275 $</td><td>$ 88.9594 $</td><td>$ 109.5209 $</td><td>$ 99.2119 $</td></tr><tr><td>V11</td><td>$ 99.815 $</td><td>$ 89.7684 $</td><td>$ 110.1955 $</td><td>$ 99.9502 $</td></tr><tr><td>V12</td><td>$ 100.5825 $</td><td>$ 93.1469 $</td><td>$ 112.993 $</td><td>$ 103.0236 $</td></tr><tr><td>V13</td><td>$ 100.94 $</td><td>$ 93.8916 $</td><td>$ 113.613 $</td><td>$ 103.7031 $</td></tr><tr><td>V14</td><td>$ 101.4725 $</td><td>$ 94.9874 $</td><td>$ 114.5274 $</td><td>$ 104.704 $</td></tr><tr><td>V15</td><td>$ 98.35 $</td><td>$ 94.8311 $</td><td>$ 106.1412 $</td><td>$ 95.4612 $</td></tr></tbody></table><p>표 2 에서 보는 것과 같이 불량데이터가 기입 되었을 경우 추정 값에 영향을 미치는 것을 볼 수 있다. 그러나 가중치를 조절함으로 인해서 추정 값에대한 영향이 줄게 되고 다시 정상상태의 값 근처로돌아오는 것을 불 수 있다. 보는바와 같이 가중치조절로 인해 불량데이터에 대한 영향을 줄일 수 있다는 것을 확인 하였다.</p><h2>III. 결론</h2><p>$ \mathrm{DC} $ 계통에 상태추정 적용방법에 대해 소개하였다. Cigre DC EMS계통을 이용하여 연구와 분석을하였고 초기의 값과 추정을 통해 나온 결과 값의 오차는 작은 것을 확인 할 수 있었다. 불량데이터입력 시에 따른 전압변동과 그에 대한 조치방법에대한 연구를 하였다. 온라인으로 상태추정 해석을수월하게 수행하기 위해서는 기존의 역행렬(inverse)이 많은 방식에서 역행렬을 없앤 다음 계산하는 $ \mathrm{QR} $ algorithm를 이용한 상태추정연구가 추가로 요구된다.</p>	[ "DC상태추정의 버스 전압이 V1일때 에러율은 얼마인가요?", "DC상태추정에 대한 전압 편차표에서 버스 전압 V2일때 초기값은 얼마인가?", "실시간으로 간단하게 상태추정 해석을 하기 위해서는 어떻게 하면 되나요?", "1, 3, 15번 모선의 불량데이터로 인한 전압변동 표에서 Bus voltage V5일때 1 Iteration 전압 값은 얼마죠?", "DC상태추정에 대한 전압 편차표에서 버스 전압이 V2일때 3회차 평균값은 몇\$(\\mathrm{Kv})\$인가?", "DC상태추정에 대한 전압 편차 표 중에서 Bus voltage V14, 3 Iteration 때의 전압 값이 어떻게 돼?", "DC상태추정에 대한 전압 편차 표 중에서 Bus voltage V14, 3 Iteration 때의 전압 값은 얼마야?", "불량데이터가 입력될 경우 추정 값이 이상해지는데, 이를 어떻게 해결하면 될까요?", "불량데이터가 입력될 경우 추정 값이 이상해지는데, 해결 방법이 뭐야?", "1, 3, 15번 모선의 불량데이터로 인한 전압변동 표에서 버스전압 V1일 때 1회 반복한 전압 값은 얼마인가?", "불량데이터를 넣어서 계산한 표에서 버스 전압이 V8이고 3반복 경우의 전압 값이 어떻게 돼?", "불량데이터를 넣어서 계산한 표에서 버스 전압이 V8이고 3반복 경우의 전압 값은 몇이죠?", "불량데이터를 넣어 전압변동이 있는 표에서 버스 전압 V5, 5회 반복 후의 전압 값은 얼마인가요?", "DC상태추정에 대한 전압 편차표에서 에러율이 가장 높은 경우의 버스전압은 몇인가요?", "DC상태추정에 대한 전압 편차표에서 에러율 중에 버스전압 V2는 몇 \$\\%\$인가?", "DC상태추정에 대한 전압 편차표 중에서 Bus voltage가 V3이고 3 Iteration 때의 Estimated value는 얼마일까?", "1, 3, 15번 모선의 불량데이터로 인한 전압변동이 존재하는 표에서 Bus voltage V11의 Initial value는 몇인가?", "DC상태추정에 대한 전압 편차표에서 Bus voltage가 V14일 때 Error rate는 몇일까?", "1, 3, 15번 모선에 불량데이터를 넣은 표에서 버스 전압 V11의 5반복 전압 값은 몇입니까?", "DC상태추정에 대한 전압 편차 표에서 Bus voltage는 V9일 때 Error rate는 얼마인가?", "몇 개의 모선에 불량데이터를 넣은 표에서 버스 전압은 V15일때 초기값은 얼마죠?", "DC상태추정에 대한 전압 편차표에서 버스 전압이 V1일 경우 3반복에서의 추정 값은 얼마인가요?", "DC상태추정에 대한 전압 편차표에서 버스 전압 V1일때 초기 값은 얼마인가요?" ]
398c5677-3c36-4159-aefe-27116d02d7ef	인공물ED	병렬 알고리즘의 가속화를 위한 GP-GPU의 Thread할당 기법	<h1>Ⅳ. 결론</h1><p>본 논문은 메모리 접근이 많은 애플리케이션을 다수의 스레드를 이용한 병렬 처리를 위한 SIIMT 구조의 멀티 코어 GP-GPU의 설계와 접근 방법의 대한 방법을 제안하였다. 설계한 GP-GPU는 범용적인 CPU의 코어 수보다 많으면서 자원 사용량을 최대한 줄이고 설계 면적 대비 성능을 높이고자 SP(Stream Processor)는 16개로 구성였다. SP는 합성 시 2 의 제곱수로 SP의 수를 최대 32개까지 합성할 수 있도록 설계하였다. 설계한 GP-GPU는 Warp Scheduler을 통해 효율적인 스레드 분배를 하여 애플리케이션의 병렬 처리 성능을 향상시켰다. 본 논문 에서는 설계한 GP-GPU를 이용한 병렬 처리 성능을 검증하기 위하여 구현한 GP-GPU와 기존 PC 환경의 Intel i-7 CPU와 ARM Cortex-A15, A7을 사용한 임베디드 플랫폼인 Odroid-XU, Raspberrypi 2 플랫폼에서 알고리즘 처리 성능을 비교 검증하였다. 처리 성능을 비교한 Neural Network 알고리즘의 경우 Intel CPU 대비 $ 90 \% $ 에서 ARM Cortex-A15 4 core 대비 $ 98 \% $ 성능 향상을 확인할 수 있었다.</p>	[ "GP-GPU에서 SP는 최대 몇 개까지 합성할 수 있나요?", "SP는 GP-GPU에서 최대 몇 개까지 합성할 수 있나요?", "본 연구 결과, Neural Network 알고리즘에서 Intel CPU 대비 얼마의 성능향상을 확인했어?", "본 연구에서 설계한 GP-GPU에서 SP는 얼마로 구성했어?", "SP는 어떻게 합성할 수 있어?", "본 논문에서 SIIMT 구조를 왜 제안했어?", "Neural Network 알고리즘 통한 처리 성능 비교에서 ARM Cortex-A15 4 core 대비 얼마의 성능 향상을 측정했어?", "GP-GPU의 SP를 왜 16개로 구성하였나요?", "본 연구에서 처리 성능 비교할 때 A7을 사용한 임베디드 플랫폼에 해당하는 것은 무엇이 있어?" ]
634a102b-b428-4a49-a42c-6387081d9570	인공물ED	병렬 알고리즘의 가속화를 위한 GP-GPU의 Thread할당 기법	<h1>Ⅰ. 서론</h1><p>GPU의 성능이 향상되면서 다양한 분야에 GPU가 적용되고 있으며 특히, 성능을 극대화하기 위하여 정교한 병렬처리 방법이 중요한 문제가 되었다. 최근에는 스레드 병련 처리 수준에서 데이터 병렬 처리와 작업 병렬 처리를 결합한 CPU 지원 GPU 스레드 풀 (CAGTP) 모델이 제안되고 있다. 또한 GPU는 많은 양의 프로세싱 리소스를 최대한 활용하기 위해 수천에서 수만 개의 스레드를 동시에 활용하는 기술이 요구된다.</p><p>그러나 GPU의 스레드 동시성은 사용 가능한 프로그램 카운터 및 단일 명령어 다중 스레드 스택과 같은 스레드 스케줄링 구조 (스케줄링 제한) 부족 또는 레지스터 파일 및 공유 메모리같은 온 - 칩 메모리 부족 (용량 제한)으로 인해 감소 될 수 있다. 본 논문에서는 superscalar와 같이 과도하게 스케줄링 복잡성을 증가시키지 않는 대신 단순한 코어의 수를 늘려 성능을 극대화 시키는 방법을 제안한다. 성능을 검중하는 방안으로 neural network의 한 분야인 딥러닝에 대한 스레드 할당방식을 제안한다.</p>	[ "스레드 병렬 처리 수준에서 데이터 병렬 처리와 작업 병렬 처리를 합한 무슨 모델이 제안되고 있어?", "GPU 성능을 극적으로 향상시키기 위해 어떤 정교한 방법이 필요해?", "GPU 스레드 풀 모델은 데이터 병렬 처리와 작업 병렬 처리를 결합한 CPU 지원 모델이야?", "GPU는 프로세싱 리소스를 최대로 사용하려 무엇을 동시에 활용하는 기술을 요구해?", "사용 가능한 프로그램 카운터나 단일 명령어 다중 스레드 스택과 같은 스레드의 무슨 구조가 부족해져서 GPU의 스레드 동시성이 줄어들 수 있는가?", "지스터 파일 및 공유 메모리와 같은 무엇이 부족함에 따라 GPU의 스레드 동시성이 주는거야?", "GPU의 스레드 동시성은 스케줄링 제한, 용량 제한으로 줄어들 수 있는거야?", "CPU 지원 GPU 스레드 풀 모델은 스레드 병렬 처리 수준에서 어떻게 결합하여 제안하는가?", "GPU에서 많은 양의 스레드를 동시에 활용함으로써 레지스터 파일 및 온-칩 메모리 부족과 같은 어떤 제한이 있어?", "동시에 최대 수만개의 스레드를 사용하는 기술로 GPU가 많은 양의 무엇을 최대로 활용할 수 있는가?", "GPU의 스레드를 동시 활용하는 기능은 활용 가능한 프로그램 카운터나 단일 명령어 다중 스레트 스택과 같은 어떤 제한이 있어?" ]
a05b8823-6c67-4c83-9a06-0528c03f70fd	인공물ED	병렬 알고리즘의 가속화를 위한 GP-GPU의 Thread할당 기법	<h1>요 약</h1><p>본 논문에서는 적은 면적의 GP-GPU에서 성능을 향상시키기 위한 방법을 제안한다. 본 논문에서는 superscalar와 같이 과도하게 스케줄링 복잡성을 증가시키지 않는 대신 단순한 코어의 수를 늘려 성능을 극대화 시키는 방법을 제안한다. GP-GPU를 구성하는 Stream Processor의 구조를 단순화한다. 또한, Warp Schedule에서 thread 할당을 어플리케이션에 적합한 방법을 개발하여 성능을 개선한다. 성능을 검증하는 방안으로 neural network의 한 분야인 딥러닝에 대한 스레드 할당방식을 제안한다. Neural Network 알고리즘의 경우 Intel CPU 대비 $ 90 \% $ 에서 ARM Cortex-A15 4 core 대비 $ 98 \% $ 성능 향상을 확인할 수 있었다.</p>	[ "superscalar와 같이 과도하게 스케줄링 복잡성을 증가시키지 않는 대신 무엇을 늘려 성능을 극대화 시켜?", "어플레케이션에 적합한 방법을 개발하기 위해 thread를 어디에서 할당해?", "Neural Network 알고리즘을 사용하면 Intel CPU 대비 얼마나 성능이 향상되?", "GP-GPU 성능을 검증하는 방안으로 딥러닝에 대한 무슨 방식을 사용해?", "과도하게 스케줄링 복잡성을 증가시키는 것은 무엇이야?", "Neural Network 알고리즘을 사용하면 ARM Cortex-A15 4 core 대비 얼마나 성능이 향상되?", "superscalar은 과도하게 스케줄링 복잡성을 증가시켜?", "딥러닝에 대한 스레드 할당방식을 제안함으로써 무엇을 할 수 있는 방안으로 사용할 수 있어?" ]
a4e16ce3-7423-41bb-bfe0-a783f41dd1e9	인공물ED	병렬 알고리즘의 가속화를 위한 GP-GPU의 Thread할당 기법	<h1>Ⅱ. 제안하는 스래드 할당 방법</h1><h2>1. 스레드 할당방법</h2><p>설계한 GP-GPU를 효율적으로 이용하기 위해서는 스레드를 제어하여 GP-GPU에서 처리할 알고리즘을 병렬 처리하여야 한다. 스레드 제어의 경우 알고리즘을 구현할 때 SP마다 할당된 스레드의 id를 이용한다. 스레드의 id는 Special Register를 이용하도록 설계하였다.</p><p>GP-GPU 를 이용한 알고리즘 병렬 가속화를 진행하는데, 해당 방법은 그림 1 과 같다.</p><p>16 Warp, 16 Thread를 이용하게 되면 총 256 개의 스레드를 이용이 가능하다. 스레드를 이용하고 메모리에 데이터를 Load하거나 Store 할 때 physical_tid를 이용한다. EXTSR 명령어를 통해 Special Register에 있는 physical_tid를 $\$r8$에 저장하고 병렬 처리할 데이터의 주소를 $ \$ r 9$ 에 저장한다. 이후 두 레지스터에 저장된 스레드 id 와 Base Address를 더하고 $ \$r10$ 에 저장하면 형태가 되고 thread id의 경우 offset 역할을 하게 된다. 이는 Base Address 로부터 각각의 스레드 id 만큼 증가한 주소에 있는 데이터를 메모리로부터 Load, 또는 Store 하는 작업을 동시에 처리하게 된다. 동일한 명령을 다수의 스레드를 이용하여 병렬 처리를 이용해 처리 속도를 향상 시킬 수 있다.</p><h2>2. Deep Learning Algorithm의 메모리 접근 패턴</h2><p>설계한 GP-GPU의 멀티 스레드를 이용해 메모리 접근이 많은 알고리즘과 공통된 연산이 많은 알고리즘을 병렬 가속화하여 처리 성능을 향상시킬 수 있다. 최근 인공지능 연구가 활발히 진행되면서 Neural Network 알고리즘 등 다양한 Deep Learning을 GP-GPU를 이용하여 학습 및 분류를 가속화시키는 방법들이 등장하였다. 하지만 단순히 많은 수의 SP를 이용하여 알고리즘을 처리하는 방법은 하드웨어의 한계가 존재하므로 해당 문제 해결하기 위해선 GP-GPU 를 이용하더라도 알고리즘의 최적화 또한 필요하다.</p><p>Neural Network의 분류 과정은 다음과 같다. Input layer에 입력 받은 데이더를 가중치(Weight) 값과 바이어스(Bias) 값을 이용하여 Hidden layer에 있는 모든 뉴런에 값을 전달한다. 이후 일련의 과정이 반복되어 최종적으로 Output layer에 출력 된 값을 이용한다. 학습 과정의 경우는 분류 과정에서 얻어진 각 뉴런의 출력 값과 에러 값을 비교하여 가중치 값과 바이어스 값을 업데이트 한다.</p><p>Neural Network 알고리즘을 처리하기 위해서는 그림 2 와 같이 가중치 값과 바이어스 값을 이용하기 때문에 외부 메모리 접근이 많아지게 된다. 특히 망(Layer)의 깊이가 깊어지거나 뉴런의 개수가 많아지면 외부 메모리 접근은 기하급수적으로 증가하게 된다. 분류 과정뿐만 아니라 학습 과정이 포함된 알고리즘을 처리할 경우 외부 메모리 접근은 더욱 중가한다.</p><h2>3. Neural Network 알고리즘의 메모리 접근 패턴에 따른 Thread 할당</h2><p>본 논문에서 설계한 GP-GPU 를 이용하여 Input layer, Hidden layer, Output layer가 존재하고 각 layer마다 3개, 256개, 3개의 뉴런이 포함된 Neural Network 알고리즘을 병렬 가속 처리하기 위한 방법을 제시한다. Neural Network 알고리즘의 경우 가중치와 바이어스의 값이 외부 메모리에 연속적으로 나열되어 있기 때문에 설계한 GP-GPU 포함된 많은 수의 SP를 통한 접근이 더 효율적이다.</p><p>그림 3은 Neural Network 알고리즘 병렬 가속화하기 위해 설계한 GP-GPU에서 스레드 할당하는 방법이다. 가중치와 바이어스의 값을 접근하기 위한 주소의 경우 각 $ $r9$, $$r11$ 에 저장되어 있다. 이후 스레드를 이용해 메모리에 접근하기 위해 $$r8 $ 에 저장되어 있는 스레드 id를 각각의 가중치, 바이어스의 저장된 베이스 주소와 합하여 각각 $ $r10 $ 에 저장한다</p><p>메모리에 연속적으로 저장되어 있는 가중치와 바이어스값을 메모리로부터 읽어 Input layer에 입력된 데이터와 연산을 한 후 Activation function을 통해 최종 결과값이 Hidden layer에 저장된다.</p><h1>Ⅲ. 실험</h1><p>VC707 보드 상에GP-GPU를 구현하기 위한 시스템 버스 인터페이스는 AXI4와 APB Bus를 사용하였다. 최초 GP-GPU의 기본 초기화 과정과 처리 시작 제어 신호를 처리하기 위해 외부 Host PC의 CPU를 사용한다. Host PC의 CPU는 PCI-E 인더페이스를 사용하여 보드 상의 DDR3 메모리를 초기화 작업을 수행하거나 GP-GPU IP에 레지스터 초기화, 처리 시작 신호등을 전송한다. 전체적인 시스템 구현은 그림 4 와 같다.</p><p>본 논문의 실험에서는 GP-GPU 제어 프로그램에서 PCI Express를 통해 해당 모듈을 제어할 수 있게 설계하였다. System bus clock은 200MHz로 고정 되어 있으며, GP-GPU IP의 입력 클럭 주파수는 최저 30MHz에서 최고 100MHz로 입력 클럭 주파수의 변경이 가능하다.</p><p>설구현한 시스템의 사양과 FPGA의 자원 사용량 은 표 1 과 같다.</p><p>실험에 사용된 Neural Network는 Input layer, Hidden layer, Output layer로 구성되어있으며, 각각 뉴런 3개, 256개, 3개로 구성되어 있다. 총 5000 번의 반복 학습 및 분류를 진행하는 Neural Network 알고리즘의 병렬처리 실험 결과는 그림 5 와 같다. 그림과 같이 실험에 쓰인 플랫폼 마다 탑재된 코어의 동작 주파수가 다르기 때문에 총 처리 시간의 차이가 발생하여 1 회 처리하는데 소모되는 클럭수를 비교하였다. (학습 및 분류 1회 처리 클럭수 = 동작 주파수 x 수행 시간 / 학습 및 분류 반복 횟수) Neural Network 알고리즘의 경우 분류와 학습이 동시에 진행되며 학습 횟수가 증가하면 처리 시간이 증가하지만 분류 성능은 더욱 향상된다.</p>	[ "본 연구에서 GP-GPU를 효율적으로 이용하기 위해 스레드를 제어하여 GP-GPU에서 처리할 알고리즘을 직렬로 처리해야 하나요?", "본 연구에서는 스레드를 통제하여 GP-GPU에서 처리할 알고리즘을 직렬로 처리해야 GP-GPU를 효과적으로 이용할 수 있는가?", "본 연구에서 GP-GPU를 효율적으로 사용하기 위해 어떤 처리 과정을 거처야 하나?", "어떤 처리 순서를 거쳐야 본 연구에서 GP-GPU를 효과적으로 활용할 수 있는가?", "본 연구에서 스레드 제어의 경우 알고리즘을 구현할 때 SP마다 어떤 id를 활용하나요?", "SP마다 어떤 id를 이용해야 본 연구에서 스레드 통제의 경우 알고리즘을 구현할 수 있는가?", "본 연구에서 스레드 제어 진행 시 알고리즘을 구현할 때 SP마다 할당된 스레드의 id를 이용하는데, 해당 스레드 id는 Non-Special Register를 이용하도록 설계하였나요?", "Non-Special Register를 이용하도록 설계된 스레드 id가 본 연구에서 스레드 제어 진행 시 알고리즘을 구현할 때 SP마다 할당된 스레드의 id에 해당하는가??", "그림 1에서 제시한 방법은 어떤 것을 이용한 알고리즘 병렬 가속화 진행인가?", "어떤 것을 활용한 알고리즘 병렬 가속화 진행을 그림 1을 통해 알 수 있어?", "본 연구의 스레드 할당방법에서 16Warp, 16Thread를 이용하게 되면 총 128 개의 스레드를 이용할 수 있나요?", "총 128 개의 스레드의 활용이 본 연구의 스레드 할당방법에서 16Warp, 16Thread를 사용한다면 가능한가?", "본 연구에서 스레드를 이용하고 메모리에 데이터를 Load하거나 Store 할 때 이용하는 것은 무엇인가?", "본 연구에서 메모리에 데이터를 Load하거나 Store 할 때 이용되거나 스레드를 이용할 때 활용되는 것은 무엇인가?", "스레드 할당 방법에서 EXTSR 명령어를 통하여 병렬 처리할 데이터의 주소를 어디에 저장합니까?", "어디에 스레드 할당 방법 중 EXTSR 명령어를 거쳐 병렬 처리할 데이터의 주소가 저장되는가?", "본 연구에서 EXTSR 명령어를 통해 Special Register에 있는 physical_tid는 어디에 저장하나요?", "어디에 EXTSR 명령어를 거쳐 Special Register에 위치한 physical_tid가 본 연구에서 저장되는가?", "본 연구에서 EXTSR 명령어를 활용한 과정 이후, 두 레지스터에 저장된 스테드 id와 Base Address를 더하고 \$\\$r8\$에 저장하면 형태가 된다고 할 수 있나?", "본 연구에 따르면, 두 레지스터에 저장된 스테드 id와 Base Address를 더하고 \$\\$r8\$에 저장하기 전, EXTSR 명령어를 활용한 과정을 거치면 형태가 된다는 것은 옳은가?", "스레드 할당 방법에서 thread id 같은 경우는 어떤 역할을 담당하게 되나요?", "어떤 역할을 thread id의 경우 스레드 할당 방법에서 배정받니?", "본 논문에서 제안하는 스레드 할당 방법에서 Base Address 로부터 각각의 스레드 id 만큼 감소한 주소에 있는 데이터를 메모리로부터 Reload, 또는 Store 하는 작업을 동시에 처리합니까?", "본 눈문이 제시한 스레드 할당 방법의 내용 중 Base Address 로부터 각각의 스레드 id 만큼 감소한 주소에 있는 데이터를 메모리로부터 Reload, 혹은 Store 하는 작업을 함께 처리한다는 사실은 옳은가?", "본 논문에서 처리 속도를 향상 시킬 수 있는 비결은 동일한 명령을 다수의 스레드를 이용하여 직렬 처리를 이용하는 것인가?", "동일한 명령을 다수의 스레드를 이용하여 직렬 처리를 이용하는 것은 본 논문에서 처리 속도를 향상 시킬 수 있는 방법에 해당하는가?", "본 연구에서 설계한 GP-GPU에서 메모리 접근이 많은 알고리즘과 공통된 연산이 많은 알고리즘을 병렬 가속화해 처리 성능을 향상할 수 있는 건 어떤 것을 이용했기 때문이야?", "어떤 것을 활용하였기 때문에 본 연구에서 설계한 GP-GPU에서 메모리 접근이 많은 알고리즘과 공통된 연산이 많은 알고리즘을 병렬 가속화해 처리 성능을 높일 수 있는가?", "본 논문에서 설계한 GP-GPU의 멀티 스레드는 메모리 접근이 적은 알고리즘과 공통된 연산이 많은 알고리즘을 직렬 가속화해 처리 성능을 향상시켰어?", "본 논문에서 설계한 GP-GPU의 멀티스레드의 처리 성능이 올라간 이유는 메모리 접근이 적은 알고리즘과 공통된 연산이 많은 알고리즘을 직렬 가속화하였기 때문인가?", "최근에 다양한 Deep Learning을 GP-GPU를 활용해 학습 및 분류를 가속화시키는 방법이 등장한 것은 어떤 이유 때문이야?", "어떤 이유 때문에 최근에 다양한 Deep Learning을 GP-GPU를 활용해 학습 및 분류를 가속화시키는 방법을 사용하는가?", "Deep Learning의 종류에는 Neural Network 알고리즘이 포함되어 있나요?", "Neural Network 알고리즘은 Deep Learning의 종류에 속한다고 할 수 있어?", "본 논문에서 단순히 많은 수의 SP를 이요해 알고리즘을 처리하는 방법은 하드웨어의 한계는 존재하지 않으나, 소프트웨어의 한계가 명확해 해당 문제 해결을 위해서는 알고리즘의 최적화가 필요합니까?", "본 논문에서 해당 문제 해결을 위해서는 알고리즘의 최적화가 필요한 이유는 단순히 많은 수의 SP를 활용해 알고리즘을 처리하는 방법은 하드웨어의 한계는 존재하지 않으나, 소프트웨어의 한계가 명확하기 때문인가?", "단순히 많은 수의 SP를 이용해 알고리즘을 처리하는 방법은 하드웨어의 한계가 존재하기 때문에, 해당 문제를 해결하기 위해서는 어떤 방법을 사용해야 하나요?", "어떤 방법을 활용해야 단순히 많은 수의 SP를 이용해 알고리즘을 처리하는 방법은 하드웨어의 한계가 존재함에도 불구하고 해당 문제를 해결할 수 있는가?", "본 연구에서 Neural Network 알고리즘을 처리하기 위해서는 어떤 값들을 사용해야 하나?", "어떤 값들을 활용해야 본 연구에서 Neural Network 알고리즘을 처리할 수 있어?", "Neural Network의 분류 과정 중 Output layer에 입력 받은 데이터를 가중치(Weight) 값과 바이어스(Bias) 값을 이용해 Hidden layer에 있는 모든 뉴런에 값을 전달하는 것은 옳은 과정인가요?", "Output layer에 입력 받은 데이터를 가중치(Weight) 값 및 바이어스(Bias) 값을 사용해 Hidden layer에 있는 뉴런 전부에 값을 전달하는 것이 Neural Network의 분류 과정 중 옳은 과정이라 볼 수 있는가?", "Neural Network 분류과정에서 Input layer에 입력받은 데이터를 Hidden layer에 있는 모든 뉴런에 값을 전달하는 과정은 입력받은 데이터의 어떤 값들을 활용하나?", "입력받은 데이터의 어떤 값들을 사용하여 Neural Network 분류단계에서 Input layer에 입력받은 데이터를 Hidden layer에 있는 모든 뉴런에 값을 전하는 과정이 진행되니?", "Neural Network 분류 과정에서 최종적으로 Input layer에 출력된 값을 사용합니까?", "결론적으로 Input layer에 출력된 값을 Neural Network 분류 과정에서 활용하는가?", "Neural Network 분류 과정의 경우 분류 과정에서 얻어진 각 뉴런의 출력 값과 에러 값을 비교해, 가중치 값과 바이어스 값을 업데이트 하나요?", "가중치 값과 바이어스 값을 업데이트하기전, Neural Network 분류 과정 중 분류 과정에서 획득된 각 뉴런의 출력 값과 에러 값을 비교하는 단계를 거치는가?", "Neural Network 알고리즘을 처리하는 과정에서 망(Layer)의 깊이가 깊어지거나 뉴런의 개수가 적어지면 외부 메모리 접근은 기하급수적으로 증가하게 됩니까?", "망(Layer)의 깊이가 깊어지거나 뉴런의 개수가 적어지는 것이 Neural Network 알고리즘을 처리하는 과정에서 나타나게 된다면 바깥의 메모리 접근은 급격히 증가하게 되는가?", "Neural Network 알고리즘을 처리하는 과정에서 분류 과정과 학습 과정이 포함된 알고리즘을 처리하는 경우 외부 메모리 접근이 감소하여 원활한 알고리즘 처리가 가능한가요?", "외부 메모리 접근이 감소가 Neural Network 알고리즘을 처리할 때 분류 및 학습 과정이 포함된 알고리즘을 처리하는 것의 결과로 나타나기 때문에 원할하게 알고리즘을 처리할 수 있어?", "Neurual Network 알고리즘의 메모리 접근 패턴에 따른 Thread 할당 과정에서 layer는 Input layer, Hidden layer, Output layer가 존재한다고 할 수 있습니까?", "layer에는 Input layer, Hidden layer, Output layer가 존재한다는 것이 Neurual Network 알고리즘의 메모리 접근 패턴에 따른 Thread 할당 과정에 해당하는 옳은 사실인가?", "Hidden layer에는 256개의 뉴런이 포함되어 있습니까?", "256개의 뉴런이 Hidden layer에 있는가?", "본 논문에서 Neural Network 알고리즘의 메모리 접근 패턴에 따른 Thread 할당 과정에서 위 알고리즘을 병렬 가속 처리하기 위한 방법을 제시합니까?", "본 눈문이 제시하고 있는 방식은 Neural Network 알고리즘의 메모리 접근 패턴에 따른 Thread 할당 과정 중 위 알고리즘을 병렬 가속 처리하기 위한 것인가?", "Neural Network 알고리즘의 경우,바이어스의 값과 가중치가 외부 메모리에 불연속적으로 나열되어 있으므로 설계한 GP-GPU가 포함된 많은 수의 SP를 통한 접근이 더 효율적입니까?", "GP-GPU가 포함된 많은 수의 SP를 통한 접근이 더 효과적이라는 결과의 원인은 Neural Network 알고리즘의 경우,바이어스의 값과 가중치가 외부 메모리에 연속적이지 않게 나열되어 있다는 것인가?", "그림 3에서 제시하는 스레드 할당 방법은 어떤 것을 병렬 가속하기 위해 설계된 GP-GPU에서 진행된 방법입니까?", "무엇을 병렬 가속시키기 위해 그림 3에서 제시하는 스레드 할당 방법이 설계된 GP-GPU에서 실행되었는가?", "본 연구에서 바이어스의 값을 접근하기 위한 주소는 \$ $r9 \$에 저장되어 있니?", "본 연구에서는 \$ $r9 \$에 바이어스의 값을 접근하기 위한 주소가 위치하고 있니?", "본 논문에서 가중치의 값을 접근하기 위한 주소는 \$ $r11 \$에 저장되어 있나요?", "\$ $r11 \$에 본 논문에서 가중치의 값을 접근하기 위한 주소가 위치시켰니?", "본 연구에서 스레드를 이용해 메모리에 접근하기 위하여 \$$r8 \$에 저장된 스레드 id, \$$r9\$, \$$r11 \$에 저장된 베이스 주소를 합하여 각각\$$r10\$에 저장한다고 할 수 있나?", "\$$r8 \$에 저장된 스레드 id, \$$r9\$, \$$r11 \$에 저장된 베이스 주소를 합해서 각각\$$r10\$에 저장하는 것은 본 연구에서 스레드를 활용하여 메모리에 접근하기 위함이니?", "본 연구에서 메모리에 연속적으로 저장되어 있는 가중치와 바이어스 값을 어디로부터 읽습니까?", "본 연구에 따르면 어디로부터 메모리에 연속적으로 저장된 가중치와 바이어스 값을 읽을 수 있어?", "본 논문에서 메모리에 연속적으로 저장된 가중치와 바이어스값을 메모리로부터 읽어 Hidden layer에 입력된 데이터와 연산을 한 후 Actiation function을 통해 최종 결과값이 Output layer에 저장된다고 설명합니까?", "본 논문에 따르면 메모리에 연속적으로 저장된 가중치와 바이어스값을 메모리로부터 읽어 Hidden layer에 입력된 데이터와 계산을 한 후 Actiation function을 통해 마지막 결과값을 Output layer에 저장하는 것이 맞니?", "본 연구의 실험과정에서 GP-GPU를 구현하기 위하여 어떤 보드를 사용하였나?", "어떤 보드를 본 연구의 실험 중 GP-GPU를 구현하기 위하여 활용했어?", "본 논문의 실험과정에서 GP-GPU를 구현하기 위한 시스템 버스 인터베이스는 AXI5와 APB BUS를 활용하였다고 할 수 있나요?", "본 논문에 따르면 실험 중 AXI5와 APB BUS를 활용하여 GP-GPU를 구현하기 위한 시스템 버스 인터베이스를 구성한 것이 맞아?", "본 실험에서 최초 GP-GPU의 기본 초기화 과정과 처리 시작 제어 신호를 처리하기 위하여 어떤 CPU를 사용해?", "어떤 CPU가 본 실험에서 처음의 GP-GPU의 기본 초기화 과정과 처리 시작 제어 신호를 처리하기 위해 활용되니?", "실험과정에서 사용되는 Host PC의 CPU는 PCI-E 인터페이서를 사용해, 보드상의 DDR4 메모리 초기화 작업을 수행하거나, 또는 GP-GPU IP에 레지스터 초기화, 처리 종료 신호등을 전송하는 역할을 담당합니까?", "PCI-E 인터페이스를 사용해, 보드상의 DDR4 메모리 초기화 작업을 진행하거나, 또는 GP-GPU IP에 레지스터 초기화, 처리 종료 신호 등을 보내기 위한 목적으로 실험과정에서 사용되는 Host PC의 CPU가 활용되니?", "본 연구의 실험에서 GP-GPU 제어 프로그램에서 어떤 것을 통해 해당 모듈을 제어할 수 있게 설계하였나요?", "어떤 것을 통해 본 연구의 실험에서 GP-GPU 제어 프로그램에서 해당 모듈을 컨트롤할 수 있게 설계했어?", "본 논문의 실험에서 System bus clock은 200KHz로 고정 되어 있나요?", "본 논문의 실험에서는 200KHz로 System bus clock이 되어 있어?", "위 실험에서 GP-GPU IP의 입력 클럭 주파수는 최저 30MHz에서 최고 120MHz로 입력 클럭 주파수 변경이 가능한가?", "위 실험에서 30MHz ~ 120MHz의 입력 클럭 주파수 변경을 GP-GPU IP의 입력 클럭 주파수로 할 수 있는가?", "실험에 사용된 Neural Network의 Output layer의 뉴런은 256개로 구성되어 있나요?", "256이 실험에 이용된 Neural Network의 Output layer의 뉴런이 이뤄진 개수이니?", "본 실험에서 반복 학습 및 분류를 진행하는 Neural Network 알고리즘의 병렬처리 실험 결과는 총 몇 번 진행되었나요?", "총 몇 번의 본 실험에서 반복 학습 및 분류를 진행하는 Neural Network 알고리즘의 병렬처리 실험 결과가 실시되었니?", "본 실험에서 총 처리 시간의 차이가 발생하는 원인은 무엇이니?", "왜 본 실험에서 총 처리 시간이 차이나?", "위 실험에서 Neural Network 알고리즘의 경우 뷴류와 학습이 동시에 진행되며 학습 횟수가 감소하면 처리 시간이 증가하나 분류 성능은 더욱 향상됩니까?", "Neural Network 알고리즘에서 처리 시간이 증가하나 분류 성능은 더욱 향상되는 현상은, 뷴류와 학습이 동시에 진행되며 학습 횟수가 줄어들 때 나타나니?" ]
aaa79ada-bf11-4194-b6b0-a025efd3ee02	인공물ED	영역이론정련을 위한 지식기반신경망의 확장	<h1>Ⅲ. 영역이론정련방법</h1> <h2>1. 영역이론의 오류</h2> <p>예제는 진제와 부제로 분류될 수 있는 데 진제란 양의 예제(진을 진으로 분류) 및 음의 예제(부를 부로 분류)를 가르키는 것으로 신경망에 의하여 옳바르게 분류된 예제를 말한다. 부제란 진제가 아닌 것을 의미하는 데 양의 예제가 음으로, 음의 예제가 양으로 분류된 경우이다. 이러한 부제는 다시 양부제(false positive)와 음부제(false negative)로 나뉠 수 있는 데, 양부제는 진이 아닌 것이 진으로 분류된 경우이며, 음부제는 진이 부로 분류된 경우를 의미한다.</p> <p>한편 명제논리 혼절(Propositional Horn-clause)을 이용하여 표현된 영역이론에서의 오류는<표1>에 나타낸 바와 같이 6종류가 있다.</p> <table border><caption>표 1. 영역이론에서의 오류 종류</caption> <tbody><tr><td>구분</td><td>오류종류</td></tr><tr><td rowspan=3>과잉구체화(Overly Specific)</td><td>추가조건(Additional Antecedent)</td></tr><tr><td>누락규칙 (MIissing Rule)</td></tr><tr><td>도치조건 (Inverted Antecedent)</td></tr><tr><td rowspan=3>과잉일반화(Overly General)</td><td>누락조건 (Missing Antecedent)</td></tr><tr><td>추가규칙 (Additional Rule)</td></tr><tr><td>도치조건 (Inverted Antecedent)</td></tr></tbody></table> <p>먼저 과잉구체화란 범주에 해당하는 예제를 부로 분류하는 경우로서 음부제에 해당한다. 이는 규칙의 조건이 추가됨으로 인하여 결론에 대한 and 조건이 강화되었을 때 발생할 수 있고, 또 정당한 규칙이 누락되어 or 조건이 부족하게 되었을 때 발생할 수 있고 또는 조건의 not이 잘못 표기되었을 때 발생할 수 있다. 과잉일반화란 과잉구체화의 반대로서 범주에 해당하지 않는 예제를 진으로 분류하는 경우로서 양부제에 해당한다. 이는 규칙의 조건이 누락됨으로 인하여 결론에 대한 and 조건이 완화되었을 때 발생할 수 있고, 또 잘못된 규칙이 추가되어 or 조건이 완화되었을 때 발생할 수 있고 또는 조건의 not이 잘못 표기되었을 때 발생할 수 있다.</p> <h2>2. 오류의 처리방법</h2> <p>과잉구체화나 과잉일반화를 수정하는 방법은<표2>에 나타낸 바와 같다.</p> <p>현재 노드가 OR노드인 경우 음부제를 해결하기 위해서는 새로운 노드 N을 만들어 A에 OR로 연결하며, 양부제 해결시에는 새로운 노드 N1과 N2를 만들어 A와 N1을 N2에 AND로 연결시킨다. AND 노드에서 음부제를 해결하기 위해서는 새로운 노드 N1과 N2를 만들어 A와 N1을 N2에 OR로 연결시키며, 양부제 해결시에는 새로운 노드 N을 만들어 A에 AND로 연결시킨다. 음부제의 해결은 과잉구체화를 해소시키는 것이며, 양부제의 해결은 과잉일반화를 해소시키는 것이다. 이 방법은 과잉구체화와 과잉일반화를 그 원인별로까지는 다루지 못하지만 전체적인 해결방법이 되는 것이다.</p>	[ "본문의 표 1. 영역이론에서의 오류 종류에서 누락규칙은 어디에 속하니?", "본문의 표 1. 영역이론에서의 오류 종류에서 추가규칙은 어디에 속하지?", "본문의 표 1. 영역이론에서의 오류 종류에서 누락조건은 어디에 속할까?", "본문의 표 1. 영역이론에서의 오류 종류에서 추가조건은 어디에 속해?" ]
e9b4c5e2-75cf-47ad-b0af-b5ddaf8fb28d	인공물ED	항공기 레이다의 근접 표적 추적 모드 신호처리	<p>글린트 오차의 영향성을 확인하기 위하여 표적이 접근하는 동안의 모노펄스 각도(방위각) 측정값을 도시한 결과는 그림 8과 같다. 4개의 버스트로부터 측정한 각도 측정값을 각각 도시하였다.</p> <p>그림 8로부터, II장에서 기술했던 근접 표적에 대한 측정값의 두 가지 특징을 확인할 수 있다. 첫 번째로, 표적과의 거리가 가까울수록 측정값 오차가 커진다는 것이다. 일반적으로는 잡음에 의한 오차는 신호 대 잡음비가 감소할수록 커지기 때문에 거리가 멀어질수록 측정값 오차가 커진다. 반면 그림 8 에서는 거리가 가까울수록 측정값 오차가 커지므로, 글린트 오차에 의한 영향성이 지배적이라는 사실을 나타낸다. 두 번째로, 거의 동일한 시간에 연속으로 파형을 송수신했음에도 중심주파수가 다른 경우 오차가 독립적으로 발생한다는 것이다. 이는 주파수에 따라 표적기 내부의 scatterer들이 다르게 간섭을 일으킨 결과로 해석할 수 있다. 따라서 참고문헌 [6]과 같이 네 개의 Burst로부터 얻은 측정값을 사용해서 표적의 각도 정보를 더욱 정확하게 추정할 수 있다.</p> <p>그림 9는 다양한 방법을 기반으로 4 Burst로부터의 각도 추정값을 종합한 결과를 보인다. Dwell 각도 측정값 $ \theta_{m} $ 은 식 (6)과 같이 각 Burst의 각도 측정값 $ \theta_{i} $ 의 가중합으로 계산되었으며, 표 1 은 각도 추정값 종합에 사용된 가중치 함수 및 RMSE (Root Mean Square Error)를 나타낸다. 이 때 $ N $ 은 CPI의 개수(본 논문에서 $ N=4), A_{i} $ 는 $ i $ 번째 Burst의 신호 진폭, $ A_{\max } $ 는 Burst 측정값 중 최대 진폭, $ w(\cdot) $ 는 가중치 함수를 나타낸다. 표 1 의 RMSE 결과값은 글린트 오차에 의한 영향을 집중해서 확인하기 위해 근거리에 해당하는 표적 거리 $ [600 \mathrm{~m}, 1,200 \mathrm{~m}] $ 구간에서 계산하였다.</p> <p>$ \theta_{m}=\frac{\sum_{i=1}^{N} w\left(A_{i}\right) \cdot \theta_{i}}{\sum_{i=1}^{N} w\left(A_{i}\right)} $<caption>(6)</caption></p> <p>그림 9에서 4개의 CPI에서 얻은 각도 측정값을 가중합한 결과와 함께 비교를 위하여 그림 8 에서 주파수 $#2$를 사용한 경우(frequency2)의 각도 오차를 같이 도시하였다. 주파수 $#2$와 같이 특정 단일 주파수를 사용한 경우 측정값이 튀는 경우가 많고, 가중합을 한 경우, 각도가 더욱 안정적으로 0 근처의 오차를 가지며 측정되는 것을 확인 할 수 있다.</p> <p>표 1 의 각도 측정 오차 RMSE 결과값을 확인하면, 개별 Burst에 의한 각도 측정 오차에 비하여 4개 Burst에서 얻은 측정값을 기반으로 가중합 계산 시 약 $ 30 \sim 40 \% $ 수준의 RMSE 이득이 존재함을 확인할 수 있다. 이러한 RMSE 이득은 주파수 기민성을 이용한 주파수 개수에 따라서 증가하므로, 레이다 시스템의 정확도 요구량에 따라 주파수 개수를 설정하여야 한다.</p> <p>참고문헌 [6]에 따르면 신호 반사 전력과 글린트 오차의 크기는 서로 음의 상관을 갖는다. 이에 따라 참고문헌 [6]의 시뮬레이션 환경 기반 가중치 함수 비교 결과에서는 최대 진폭 선택(Max. Amp.) 방식이 가장 정확한 측정치를 갖는 것을 보였다. 한편, 본 시험과 같은 실제 레이다 운용 상황에서는 글린트 오차뿐만 아니라, 잡음에 의한 오차 등이 포함되어 오차 성분을 구성하기 때문에 진폭 비례(linear) 혹은 전력 비례(square-law)로 가중치 함수를 구성하는 것이 가장 좋은 결과를 보였다. 다만 통계적으로 더욱 정확한 가중치 함수 비교를 위해서는 더 다양한 시나리오 및 측정치 오차 계산 결과로부터 추가적인 연구가 필요할 것으로 보인다.</p>	[ "표적과의 거리가 가까울수록 어떻게 되는가?", "잡음에 의한 오차는 신호 대 잡음비가 감소할수록 커지기 때문에 거리가 멀어질수록 어떻게 되는가?", "RMSE 이득은 주파수 기민성을 이용한 주파수 개수에 따라서 증가하므로 어떻게 해야 되는가?", "각도가 더욱 안정적으로 0 근처의 오차를 가지며 측정되는 것을 확인하려면 어떻게 해야 되는가?", "어떻게 하는 것이 가장 좋은 결과를 보이는가?", "RMSE 결과값은 글린트 오차에 의한 영향을 집중해서 확인하기 위해 어떻게 계산하였는가?", "약 30∼40% 수준의 RMSE 이득이 존재함을 확인하려면 어떻게 해야 되는가?", "결과를 어떻게 해석할 수 있는가?", "어떻게 결과를 해석할 수 있을까", "그림 9에서 4개의 CPI에서 얻은 각도 측정값을 가중합한 결과와 함께 비교를 위하여 어떻게 하였는가?", "Dwell 각도 측정값 θ m은 어떻게 계산되었는가? ", "어떻게 표적의 각도 정보를 더욱 정확하게 추정할 수 있는가?", "다만 통계적으로 더욱 정확한 가중치 함수 비교를 위해서는 어떻게 해야 되는가?" ]
a4e472c3-0dc4-4e51-af08-a7c23b565fa1	인공물ED	광선 추적법을 이용한 우주 환경에서의 안테나 전파 특성 예	<h1>II. 우주 전파 환경</h1> <p>대류권과 성층권에서의 전파 특성은 기상 요인에 의한 굴절률 변화의 영향이 크다. 지표면에서 약 $ 50 \mathrm{~km} $까지의 굴절률은 온도, 압력, 수증기압에 따라서 결정된다.</p> <p>$ N=(n-1) \times 10^{6} $<caption>(1)</caption></p> <p>$ N=N_{d r y}+N_{w e t}=\frac{77.6}{T} p+\frac{3.37 \times 10^{5}}{T^{2}} e $<caption>(2)</caption></p> <p>그림 1 은 와이오밍대학교에서 제공하는 실시간 기상정보와 위 수식을 이용하여 계산한 굴절률이다. 고도가 상승할수록 굴절률은 1에 수렴한다 $ (N $은 굴절계수, $ n $은 굴절률, $ T $는 온도[ $ [\mathrm{K}], p $는 압력 [mbar], $ e $는 수증기압[mbar]). 고도 $ 50 \mathrm{~km} $ 이상의 대기권은 전리권으로 구분한다. 전리권의 대기는 플라즈마 이온 상태로 존재하기 때문에 전자밀도와 관련되어 유효 유전율, 유효 전도율을 계산할 수 있다. $ \omega_{p}\left(=\sqrt{\frac{N q^{2}}{m \varepsilon_{0}}}\right) $는 전자밀도에 따른 변수이고, $ \omega_{e f f} $는 전자 충돌 주파수이다.</p> <p>$ \varepsilon_{r}=\varepsilon_{0}\left(1-\frac{\omega_{p}^{2}}{\omega^{2}+\omega_{e f f}^{2}}\right) $<caption>(3)</caption></p> <p>$ \sigma=\frac{\mathcal{E}_{0} \omega_{e f f} \omega_{p}^{2}}{\omega^{2}+\omega_{e f f}^{2}} $<caption>(4)</caption></p> <p>$ \mu=\mu_{0} $<caption>(5)</caption></p> <p>우주 전파 환경을 고려한 전파 특성을 계산하기 위해 대기권을 대략적으로 분할하여 유효 유전율(3) 및 유효 전도율(4)을 계산하였다(표 1). 유효 투자율(5)의 경우, 자유공간에서와 같은 값을 갖고 있다. 전리권에서의 전자밀도는 전리권의 영향이 클 때의 값 $ \left(N=10^{13} \mathrm{elec} / \mathrm{m}^{2}\right) $을 사용했고, $ \nu $ 는 Balmain's formula로 계산된 $ 170 \mathrm{kHz} $를 사용하였다. 대류권과 전리권의 유효 투자율은 자유공간과 같은 값으로 근사된다. 따라서 대기권의 유효 유전율과 유효 전도율의 변화가 전파 투과 특성에 큰 영향을 미치게 된다.</p> <table border><caption>표 1. 대기권의 분할</caption> <tbody><tr><td>고도</td><td>$ \sim 10 \mathrm{~km} $</td><td>$ \sim 20 \mathrm{~km} $</td><td>$ \sim 80 \mathrm{~km} $</td><td>$ \sim 500 \mathrm{~km} $</td><td>$ \sim 35,768 \mathrm{~km} $</td></tr><tr><td>$ \mathcal{\varepsilon}_{r} $</td><td>1.006</td><td>1.0002</td><td>1</td><td>0.9997</td><td>1</td></tr><tr><td>$ \sigma(\mathrm{s} / \mathrm{m}) $</td><td>$ 10^{-15} $</td><td>$ 10^{-14} $</td><td>$ 10^{-13} $</td><td>$ 4.9 \times 10^{-} $</td><td>0</td></tr></tbody></table> <p>그림 2 는 표 1에서 분할한 대기권 환경 및 광선 추적법을 사용하여 전파 경로를 계산한 결과를 나타낸다. 지면과 $ 10^{\circ} $ 각도로 입사된 경우, 대기권 환경을 고려하지 않은 경우와 수신점에서 $ 3.16^{\circ} $의 오차가 발생하는 것을 확인할 수 있다. 수신점의 고도는 정지 궤도 위성의 고도에 해당하는 $ 35,768 \mathrm{~km} $이다. 표 2는 대기권 환경을 고려하였을 때, 지면과의 입사각에 따른 수신점에서의 각도 오차를 나타낸다. 지면과의 각도가 커질수록(수직으로 입사할수록) 각도 오차는 감소함을 확인할 수 있다.</p>	[ "수직으로 입사하는 경우인 지면과의 각도가 증가함에 따라 각도 오차는 어떻게 되었지?", "대기환경을 고려하지 않을 경우 오차범위를 발생하는 수신점은 정지 궤도 위성의 고도와 동일한데 이는 어떻게 설정되지?", "지면과의 각도를 커지게 하면 각도의 오차 범위를 줄일 수 있고 또 어떻게 해야하지?", "대류권과 성층권에서 기상 요인에 의해서 전파 특성은 어떻게 변하지?", "굴절률이 1에 수렴하기 위해서는 어떻게 되어야하지?", "대기권의 분할하여 유효 유전율과 유효 전도율을 계산하여 나타냈을 때 유효유전율을 나타내는 것은 뭐지?", "고도 \$ 50 \\mathrm{~km} \$ 이상의 대기권을 전리권이라고 하고 전리권의 대기는 어떻게 유효 유전율, 유효 전도율을 계산할 수 있게 하지?", "대기권을 \$ 35,768 \\mathrm{~km} \$이하의 값으로 분할 했을 때 유효 유전율의 값이 가장 낮게 나타나는 고도 범위는 얼마지?", "대기권을 분할했을 때 유효 전도율을 나타내는 기호와 단위는 뭐지?", "전리권의 영향이 크게 될 때의 전리권에서의 전자밀도의 값은 어떻게 사용했지?", "대기권 환경을 고려하지 않고 지면과 \$ 10^{\\circ} \$ 각도로 입사되었을 때의 오차는 어떻게 발생했지?", "가장 높은 고도에서의 \$ \\mathcal{\\varepsilon}_{r} \$의 값은 얼마지?", "전파 투과 특성에 큰 영향을 미치는 \$ \\mathcal{\\varepsilon}_{r} \$의 값이 가장 크게 나타내는 대기권의 범위는 얼마지?", "대기권 분할 시 가장 낮은 위치의 대기권에서의 \$ \\sigma\$는 몇 \$\\mathrm{s} / \\mathrm{m}\$ 이지?", "약 \$ 50 \\mathrm{~km} \$ 이상 지표면에 떨어진 경우에 굴절률은 어떻게 영향을 받지?" ]
de276da6-85bf-4cd0-a99f-f1c5cbd534dd	인공물ED	교류전동기의 주기적인 토크리플 보상알고리즘	<h1>3. 모의실험 및 실험결과</h1> <p>모의실험은 실제실험 시에 사용될 표1의 500[$\mathrm{W}$] 영구자석 동기전동기를 대상으로 하였으며, 널리 사용되는 Matlab/Simulink상에서 구현되었다. 사용된 모터는 속응성을 위해 관성이 매우 작게 설계되었다. 속도제어용의 비례적분제어기의 비례이득은 $ \quad K_{p}=J \times \omega_{s c} $이고, 적분이득은 $ K_{i}=K_{p} \times \omega_{s c} i $으로 설정하였다. 여기서 주파수대역은 $ \omega_{s c}=300[\mathrm{rad} / \mathrm{s}] $으로 설정하고, $ \omega_{s c} i=\omega_{s c} / 7 $로 설정하였다. 즉, $ K_{p}=0.006, K_{i}=0.257 $이 된다. 토크리플 보상기는 이득은 $ K_{a_{-} n}=0.18 $, $ K_{b_{-n}}=0 $이다. 이 이득은 주파수에 따라 변경할 수 있으나 안정적이면서 빠른 토크리플 보상응답을 고려하여 설정하였다. 그림 6 은 전체 실험 구성도이다. 실험장치는 크게 제어부과 전력회로부로 구분된다. 제어 부분은 TMS320V33인 DSP을 사용하였으며 전동기 구동에 필요한 로직회로는 FPGA로 구성하였다. 그리고 전력회로부는 미쯔비시사의 정격전압 600[$\mathrm{V}$], 정격 전류 20[$\mathrm{A}$]인 PPM인 PM20CSJ060을 사용하였다. 속도는 $ \mathrm{M} / \mathrm{T} $방식으로 측정하였으며, DSP을 사용하여 매 $ 100 \mu \mathrm{s} $마다 제어를 수행하고 PWM파를 발생시켜 전동기를 구동하도록 구성하였다.</p> <table border><caption>표 1 영구자석 동기전동기의 정격 및 상수</caption> <tbody><tr><td>정격 전류($\mathrm{i} $)</td><td>4.8[$\mathrm{A} $]</td></tr><tr><td>정격 속도</td><td>3000[$\mathrm{rpm} $]</td></tr><tr><td>토크 상수($\mathrm{K}_{t}$)</td><td>0.342[$\mathrm{Nm} / \mathrm{A} $]</td></tr><tr><td>관성($\mathrm{J} $)</td><td>$2.04 \times 10^{-5}$[$\mathrm{kgm}^{2}$)</td></tr><tr><td>마찰계수($\mathrm{B}$)</td><td>$\approx $0</td></tr><tr><td>극수</td><td>8극</td></tr></tbody></table> <h2>3.1 속도리플 관측기의 성능분석</h2> <p>제안한 가상dq방식의 속도리플 관측기와 기존방식의 속도리플 관측기의 개별적 성능비교를 위해 모의실험 하였다. 시뮬레이션에서 리플의 주파수는 임의의 값인 50[$\mathrm{Hz}$]($\omega_{e}=2 \pi \times 50$)이라 가정하고 속도리플의 식을 $ \omega_{r m_{-} ripple}(t)=20 \cos \omega_{e} t+10 \sin \omega_{e} t $이라 가정하면 이때 추정되어야 할 속도리플 계수는 $ \omega_{r m} a=20 $, $ \omega_{r m}^{b}=10 $가 된다. 1초일 때부터 리플성분을 관측하였다. 기존방식의 속도리플 관측기의 저역통과필터 LPF는 일차로 구성하였으며, 차단주파수($\omega_{c}$는 전기각주파수($\omega_{e}$)보다 작게 설정하여 모의실험을 행하였다.</p> <p>그림 7는 속도리플의 $ \cos $함수의 계수인 $ \omega_{r m_{-}{ }^{a}}=20 $을 얼마나 빠르게 얼마나 정확하게 추적하는가를 나타내는 그림이다. 즉, 기존방식과 제안한 방식의 속도리플 관측기의 성능의 차를 보여준다. 속도리플 관측기에서 기존의 방식과 제안한 가상 dq방식은 수렴하는 시간과 정확한 속도리플 추정계수값 성능차이를 가진다. 기존의 속도리플 관측기는 제안한 가상dq방식에 비해 수렴시간이 늦을 뿐만 아니라 속도리플 계수값의 주기적인 진동이 발생된다. 수렴시간를 향상시키기 위해 차단주파수를 높였을 경우에 속도리플 계수값의 주기적인 진동이 크게 나타나며 반대로 속도리플 계수값의 주기적인 진동을 줄이기 위해 차단주파수를 낮추었을 경우에 응답속도가 느려진다. 그러므로 기존방식은 수렴속도와 속도리플 계수값의 주기적인 진동의 상호조정을 위해 차단주파수를 잘 조절하더라도 제안한 가상dq방식보다 성능을 향상시킬 수가 없다. 또한 가상dq방식의 필터의 주파수는 속도지령에서 정보를 얻을 수 있어 다른 설정이 필요하지 않다. 그래서 제안한 가상dq방식의 속도리플 관측기가 기존방식 보다 성능이 우수함을 확인하였다.</p> <h2>3.2 모의실험 및 실험 토크리플 보상 결과</h2> <p>모의실험에서 토크리플을 발생하기 위해 옵셋전류를 사용하였다. 옵셋전류는 전동기시스템에서 전류제어기의 궤환(Feedback)되는 전류에 부가하여 사용하였다. 앞에서 언급하였듯이 $ \omega_{s c}=300[\mathrm{rad} / \mathrm{s}], \omega_{sc_{-} i}=\omega_{s c} / 7(K=7) $ 으로 설정하였고, 이때 속도리플이 가장 크게 나타나는 전기각주파수는 $ \quad \frac{\omega_{s c}}{\sqrt{K}} \cong 113.4[\mathrm{rad} / \mathrm{s}] $가 되고 입력지령치는 $ \omega_{r p m}^{*}=\frac{60}{2 \pi} \times \frac{2}{P} \times \omega_{r} \cong 270[\mathrm{r p m}] $에 해당한다. 무부하에서 토크리플의 크기가 가장 크게 나타나는 속도지령 270[$\mathrm{rpm}$]로 설정하여 모의실험과 실험을 행하였다.</p> <p>그림 8에서 토크리플 보상은 2초 일 때 속도리플 관측기와 토크리플 보상기가 동시에 동작하도록 구성하였다. 그림 8(a)처럼 기존의 방식에서 차단주파수를 크게 하면 성능이 어느 정도 개선됨을 보이나 제안한 가상dq방식과 비교하면 성능의 차가 확연히 나타난다.</p> <p>그림 9는 기존방식과 제안한 방식의 토크리플의 실제 실험 속도 파형이다. 기존방식의 속도관측기의 저역통과필터(LPF)의 차단 주파수는 $ \omega_{c}=\omega_{e} / 8 $으로 설정하였으며 모의실험에서와 같이 관측기와 보상기를 동시에 동작하도록 하였다. 성능의 개선은 모의실험과 실험파형에서 알 수 있듯이 수렴속도가 향상되었다.</p> <p>그림 8의 모의실험의 결과파형과 그림 9의 실험파형의 결과가 유사하게 나타났다. 즉, 기존방식을 사용한 보상기에 비해 제안한 가상dq방식을 사용한 보상기의 성능이 개선됨을 모의실험과 실험을 통해 검증하였다.</p>	[ "본 실험에서는 표1의 무엇을 대상으로 실험했어?", "본 실험에서 주파수 설정\$ \\omega_{s c}=300[\\mathrm{rad} / \\mathrm{s}] \$ , \$ \\omega_{s c} i=\\omega_{s c} / 7 \$ 일 때, \$ K_{p}\$ 와 \$K_{i}\$는 어떻게 돼?", "가상dq방식의 속도리플 관측기와 기존방식의 속도리플 관측기로 모의실험한 이유가 뭐야?", "속도리플 계수값의 주기적인 진동을 조절하기 위해 무엇을 조절해?", "옵셋전류를 전류제어기의 무엇이 되는 전류에 부가하여 사용했어?", "전기각주파수 중 속도리플이 가장 크게나타나는 수는?", "속도리플이 가장 크게 나타나는 입력지령치는?", "임의의 값인 50[\$\\mathrm{Hz}\$](\$\\omega_{e}=2 \\pi \\times 50\$)이라 가정하고 속도리플의 식을 \$ \\omega_{r m_{-} ripple}(t)=20 \\cos \\omega_{e} t+10 \\sin \\omega_{e} t \$이라 가정하면 추정되는 속도리플 계수는 뭐야?" ]
c27d1b18-0c49-436b-88df-d02d122ecb4e	인공물ED	3상 유도전동기 구동을 위한 새로운 2상 RPWM기법	<h1>3. 제안된 기법을 적용한 인버터 시스템의 구성</h1><p>제안된 기법을 적용한 장치의 구성은 DSP를 CPU로 적용하여 설계된 디지털 제어기와 다이오드 브리지 정류기, 필터 커패시터 및 IGBT인버터로 구성된 전력 변환 회로로 크게 구성된다. 디지털 제어기에서 SRP-PWM구현을 위한 모든 알고리즘은 C-Source에 의한 소프트웨어로 처리하였다. 전체적인 인버터 시스템을 그림 7에서 보여주고 있으며, IGBT Gate Driver Part는 TOSHIBA사에서 제작한 Photo IC- Coupler인 TLP250을 사용하여 전력변환 회로부와 디지털 제어부를 시스템 안정화를 위해 분리하였다.</p><h1>4. 시뮬레이션 및 실험결과의 검토</h1><p>본 논문에서 제안한 스위칭 패턴과 제안한 SRP-PWM기법이 스위칭 주파수 정수배에 고조파가 집중되는 문제점을 얼마나 개선시키는가에 대한 효과 및 타당성을 검증하기 위해서 시뮬레이션 및 실험을 수행하였다. 시뮬레이션은 MATLAB/SIMULINK를 이용하였고, 시뮬레이션 조건과 실험조건은 동일하게 적용하였다. 또한 10000[rpm]이상의 고속 유도전동기를 대상으로 제안된 기법들을 적용하여 13200[rpm]까지 Open-Loop 방식의 $ v / f $제어를 사용하여 인버터 출력전류 %THD 감소비율을 산정하였다. 단, 직류 전압이 $ 310[\mathrm{V}] $일 때는 인버터 출력주파수가 낮을 경우 과도한 전류가 흐를 수 있으므로 10000[rpm]이상에서만 실험하였다.</p><h2>4.1 PWM 및 전압-전류 파형</h2><p>본 논문에서는 스위칭 주파수를 $ 10[\mathrm{KHz}] $로 고정하였다. 그림 8은 인버터 출력주파수, $ F_{\text {out,}} $ 가 $ 180[\mathrm{Hz}] $일 때, 제안한 스위칭 패턴과 제안한 SRP-PWM기법을 사용하였을 때의 PWM 파형을 보여주고 있으며, 섹터 3일 때의 파형이다. 그림 9은 $ V_{dc} $전압을 $ 100[\mathrm{V}] $, $ F_{\text{out}} $이 $ 220[\mathrm{Hz}] $일 경우, 인버터 출력 선간 전압의 시뮬레이션 파형 및 실험 파형을 보여주고 있으며, 그림 10은 $ V_{dc} $전압을 $ 150[\mathrm{V}] $로 하고 $ F_{out} $을 $ 220[\mathrm{Hz}] $로 하였을 때, 인버터 출력 선간 전류의 시뮬레이션 파형 및 실험 파형을 보여주고 있다. 제안한 기법들을 적용하였을 경우는 PWM펄스의 위치를 랜덤하게 하기 때문에 더욱 많은 주파수 대역의 고조파가 포함되어 있으므로 전류의 왜곡이 심하게 보이고 있다.</p><h2>4.2 전류 스펙트럼 분석</h2><p>전류의 스펙트럼 분석은 기본적으로 스위칭 주파수의 정수배에 해당하는 대역에서의 고조파 분석이 이루어졌다. 또한 랜덤기법이 스위칭 주파수에 해당하는 특정 주파수에 고조파가 집중적으로 나타나는 것을 분산 시키는 효과를 가지고 있으므로, 특정 주파수 대역의 고조파 크기만을 비교하여 제안된 기법의 타당성을 검증한다. 그림 11은 $ V_{dc}=310[\mathrm{v}], F_{\text {out}}=200[\mathrm{Hz}] $일 경우 제안한 스위칭 패턴과 제안한 SRP-PWM기법을 적용 시, 인버터 출력 전류 스펙트럼의 시뮬레이션 및 실험 파형을 보여주고 있다. MATLAB/SIMULINK를 이용하여 제안한 SRP-PWM기법을 적용한 결과 시뮬레이션과 실험파형이 유사하게 나타남을 알 수 있다.</p><p>표 2는 제안한 스위칭 패턴과 제안한 SRP-PWM기법의 $ F_{\text {out}} $과 $ V_{dc} $전압의 변화에 따른 전류 %THD크기를 보여주고 있다. 표 2와 그림 12를 보면 $ 180[\mathrm{Hz}] $이상 대역에서 상당히 랜덤 즉, 주위대역으로의 분산 효과가 크게 나타남을 알 수 있다. 그림 13에서는 $ F_{out}=200[\mathrm{Hz}] $일 때 $ V_{dc} $전압에 따른 전류 스펙트럼을 보여주고 있다. 스위칭 주파수의 2배수인 $ 20[\mathrm{KHz}] $이상에서 고조파 성분들이 많이 감소됨을 볼 수 있으며, 특정 고조파의 크기가 많이 감소됨을 알 수 있다.</p><table border><caption>표 2 전류 % THD 크기</caption><tbody><tr><td colspan=7>Inverter switching frequency $ 10 \mathrm{[KHz]} $</td></tr><tr><td colspan=2>$ V_{dc}$전압 $\mathrm{[V]} $ \ $ F_{out} \mathrm{[Hz]/[rpm]} $</td><td>100 /6000</td><td>150 /9000</td><td>180 /10800</td><td>200 /12000</td><td>220 /13200</td></tr><tr><td rowspan=2>100</td><td>Propased SRP</td><td>16.21</td><td>15.76</td><td>16.55</td><td>18.99</td><td>19.56</td></tr><tr><td>Bilateral Symmetry</td><td>20.41</td><td>20.04</td><td>21.92</td><td>19.32</td><td>24.24</td></tr><tr><td rowspan=2>150</td><td>Proposad SRP</td><td>16.22</td><td>14.73</td><td>17.37</td><td>16.68</td><td>17.05</td></tr><tr><td>Bilateral Symmetry</td><td>18.49</td><td>20.87</td><td>19.17</td><td>23.23</td><td>24.35</td></tr><tr><td rowspan=2>280</td><td>Praposed SRP</td><td>16.21</td><td>13.66</td><td>15.38</td><td>13.11</td><td>20.54</td></tr><tr><td>Bilateral Symmetry</td><td>17.58</td><td>18.99</td><td>18.77</td><td>22.48</td><td>31.27</td></tr><tr><td rowspan=2>250</td><td>Proposed SRP</td><td>•</td><td>•</td><td>15.20</td><td>16.43</td><td>18.14</td></tr><tr><td>Bilateral Symmetry</td><td>•</td><td>•</td><td>16.176</td><td>17.66</td><td>21.29</td></tr><tr><td rowspan=2>310</td><td>Proposed SRP</td><td>•</td><td>•</td><td>11.91</td><td>17.30</td><td>20.96</td></tr><tr><td>Bilateral Symmetry</td><td>•</td><td>•</td><td>16.32</td><td>17.55</td><td>20.59</td></tr></tbody></table>	[ "디지털 제어기는 어떻게 구성됐는가?", "어떻게 디지털 제어기가 구성되지?", "전력을 변환시켜주는 회로는 어떻게 구성되어 있어?", "어떻게 전력을 변환시켜주는 회로가 조직됐지?", "안정적인 시스템 운영을 위해서, 전력변환 회로부와 디지털 제어부를 어떻게 만들었어?", "모의 실험은 어떻게 진행했어?", "어떻게 모의 실험을 추진했지?", "논문의 연구에서 스위칭 주파수를 어떻게 설정했어?", "실험하는 [rpm] 조건은 어떻게 설정했어?", "제안한 기법 적용 시에는, PWM 펄스의 위치를 어떻게 정했어?", "전류의 스펙트럼은 어떻게 분석했어?", "어떻게 전류의 스펙트럼을 분석했지?", "스위칭 주파수에 해당하는 특정 주파수에 고조파가 집중적으로 나타나는 것을 분산시키는 방법은 뭐야?", "표 2에서 16.32는 310 전압에서 Proposed SRP와 Bilateral Symmetry 중 어느 것의 결과야?", "SRP-PWM를 구현하기 위한 알고리즘은 전부 어떻게 처리했어?", "표 2 에서 17.66은 전압이 얼마일 때의 결과야?", "Proposad SRP에 150 전압인 경우, 6000과 9000 중 어느 rpm의 결과가 더 큰가?", "스위칭 주파수 정수배에 고조파가 집중되는 단점 개선과 관련된 검증을 위해서 어떻게 연구했어?", "인버터 출력전류 %THD 감소율은 어떻게 계산했어?", "많은 주파수 대역의 고조파가 포함돼서 전류의 왜곡이 어떻게 나타났어?", "제안된 기법의 타당성 여부를 어떻게 검증했어?", "제안된 기법의 타당성 여부를 검증한 방법은 뭐지?", "MATLAB/SIMULINK를 써서 제안된 SRP-PWM기법을 적용하면, 모의실험과 실험파형이 어떻게 나타나?", "220 /13200 rpm 조건에서 전류 % THD 크기가 30이상이 되려면 Bilateral Symmetry의 전압이 얼마여야 돼?", "실험의 조건과 모의실험의 조건은 어떻게 설정했어?", "모의실험의 조건을 어떻게 설정했지?", "표 2에서 150/9000 조건일 때 전압이 100이면 전류 % THD 크기가 얼마로 나왔어?" ]
b6e8b739-70ec-47fe-a98e-e5ef995bd256	인공물ED	3상 유도전동기 구동을 위한 새로운 2상 RPWM기법	<h1>2. 2상 공간 벡터 PWM의 원리 및 특성</h1><p>그림 1은 본 논문에서 사용한 3상 정류기를 통한 4-Switch(B4) 3상 인버터를 나타낸다. B4 인버터는 두개의 선간전압 $ V_{ba}, V_{ca} $을 발생하기 위한 4개의 스위치와 4개의 다이오드가 적용되며, 나머지 한 상에 해당하는 선간전압 $ V_{bc} $는 분리된 2개의 커패시터 뱅크에 의해 Kirchhoff's 전압법칙에 따라 생성된다. 따라서 구성된 회로에 의해 최대 피크 선간전압은 $ \frac{V_{dc}}{2} $다.</p><p>두개의 출력 전압은 두개의 dc링크전압 $ \left(V_{1}, V_{2}\right) $과 4-Switch의 게이팅 신호에 의해 정해진다. 본 논문에서는 두개의 dc링크전압이 같아서 두개의 출력전압에 영향을 끼치지 않도록 dc링크필터를 충분히 크게 하여 일정한 전압 $ \frac{V_{dc}}{2} $을 유지할 수 있게 설계하였다. 이러한 B4 인버터의 스위칭 함수에 따른 출력전압은 표 1과 같고, 이에 대한 스위칭 벡터는 그림 2와 같이 복소평면에 도시 될 수 있다. 특히 섹터 4를 기준으로한 스위칭 방식을 나타낸 BA 인버터의 개략도를 그림 3에서 나타내었다.</p><h2>2.1 2상 공간 전압 벡터 변조</h2><p>인버터에서 $ V_{ref} $전압을 발생하는 기본 원리는 한 주기 내에서 전압 벡터와 평균적으로 동일한 전압을 인버터의 유효 벡터들을 이용하여 합성해 내는 것이다. 3상 인버터와 비교하면 B4 인버터에서는 무효벡터가 없으므로, 본 논문에서는 샘플링 시간동안 $ V_{ref} $와 가장 근접한 벡터와 그것의 인접한 2개의 벡터를 사용한다. $ V_{ref} $에 대한 각 섹터 즉, 4개의 섹터 영역의 위치에 따른 사용벡터와 크기는 다음 식 (1)~(4)와 같이 표현된다.</p><p>$ \text { sector } 1 \quad\left(-\frac{\pi}{4} \leq \alpha<\frac{\pi}{4}\right) $</p><p>$ t_{00}=\frac{3 T V_{\text {ref }}}{V_{d c}} \cos (\alpha) $<caption>(1-a)</caption></p><p>$ t_{10}=\frac{T_{s}}{2}-\frac{\sqrt{3} T_{s} V_{\text {ref}}}{V_{d c}} \cos \left(\alpha+\frac{\pi}{6}\right) $<caption>(1-b)</caption></p><p>$ t_{01}=\frac{T_{s}}{2}-\frac{\sqrt{3} T_{s} V_{ref}}{V_{dc}} \cos \left(\alpha-\frac{\pi}{6}\right) $<caption>(1-c)</caption></p><p>$ \text { sector } 2 \quad\left(\frac{\pi}{4} \leq \alpha<3 \frac{\pi}{4}\right) $</p><p>$ t_{10}=\frac{\sqrt{3} T_{s} V_{ref}}{V_{dc}} \cos (\alpha) $<caption>(2-a)</caption></p><p>$ t_{11}=\frac{T_{s}}{2}-\frac{\sqrt{3} T_{s} V_{ref}}{V_{dc}} \cos \left(\alpha+\frac{\pi}{3}\right) $<caption>(2-b)</caption></p><p>$ t_{00}=\frac{T_{s}}{2}-\frac{\sqrt{3} T_{s} V_{ref}}{V_{dc}} \cos \left(\alpha-\frac{\pi}{3}\right) $<caption>(1-c)</caption></p><p>$ \text { sector } 3 \quad\left(3 \frac{\pi}{4} \leq \alpha<5 \frac{\pi}{4}\right) $</p><p>$ t_{11}=\frac{3 T_{s} V_{\text {ref }}}{V_{d c}} \cos (\alpha) $<caption>(3-a)</caption></p><p>$ t_{10}=\frac{T_{s}}{2}-\frac{\sqrt{3} T_{s} V_{\text {ref }}}{V_{d c}} \cos \left(\alpha-\frac{\pi}{6}\right) $<caption>(3-b)</caption></p><p>$ t_{01}=\frac{T_{s}}{2}-\frac{\sqrt{3} T_{s} V_{\text {ref }}}{V_{d c}} \cos \left(\alpha+\frac{\pi}{6}\right) $<caption>(3-c)</caption></p><p>$ \text { sector } 4 \quad\left(5 \frac{\pi}{4} \leq \alpha< -\frac{\pi}{4}\right) $</p><p>$ t_{01}=\frac{\sqrt{3} T_{s} V_{\text {ref }}}{V_{d c}} \cos (\alpha) $<caption>(4-a)</caption></p><p>$ t_{00}=\frac{T_{s}}{2}-\frac{\sqrt{3} T_{s} V_{\text {ref }}}{V_{d c}} \cos \left(\alpha+\frac{\pi}{3}\right) $<caption>(4-b)</caption></p><p>$ t_{11}=\frac{T s}{2}-\frac{\sqrt{3} T_{s} V_{r e f}}{V_{d c}} \cos \left(\alpha-\frac{\pi}{3}\right) $<caption>(4-c)</caption></p><p>여기서, $ \alpha $는 그림 2에서 표현된 전압 지령치 $ U_{m} $ 즉, $ V_{ref} $의 공간상의 위치이며, 그림 2의 경우 섹터 1이므로 $ V_{ref} $에 준한 전압을 인버터에서 평균적으로 합성해내기 위해서 식 (1)을 적용한다. 이때 $ V_{ref} $에 가장 근접한 벡터의 인가시간 즉, $ V_{1} $벡터의 인가시간은 식 (1-a)와 같으며, $ V_{1} $벡터에 인접해있는 두 개의 벡터 즉, $ V_{2} $와 $ V_{4} $벡터의 인가시간은 식 (1-b,c)와 같다. 따라서 다른 섹터의 경우도 같은 방식으로 적용하여 전압 벡터 인가시간을 각각 계산해 낼 수 있다.</p>	[ "나머지 하나의 선간전압 \$ V_{bc} \$는 어떻게 만들어져?", "출력 전압 2개는 어떻게 정해져?", "어떻게 출력 전압 2개가 규정되얼까", "본 논문에서 일정하게 \$ \\frac{V_{dc}}{2} \$을 유지하려고 어떻게 설계했어?" ]
c738ae1d-b6a6-471e-8115-1e2fb30f241f	인공물ED	생체의 온도 측정을 위한 수정된 마이크로파 라디오-써모미터	<h1>Ⅳ. 실혐 결과 및 토의</h1> <p>온도 측정기로서 단일 주파수 라디오-써모미터는 매질의 내부 온도를 측정하기 위해서는 캘리브레이션 과정이 필요하다. 캘리브레이션을 하기 위해서 방사 전력은 0~255의 디지털 해상도를 갖는 RT-17로 그림 4와 같이 매질의 표면에서 측정된다. 이 때, 라디오미터로 측정된 방사 전력에 해당하는 온도를 얻기 위해서 온도계로 매질의 내부 온도를 측정하였다. 매질에서 방사 전력 대비 온도는 라디오-써모미터의 온도 변환표를 나타낸다. CRTM에서 전형적으로 사용되는 온도 변환표를 그림 4와 같이 증류수에 대해서 만들었다.</p> <p>MRTM에 대한 온도 변환표는 그림 5와 같이 서로 다른 유전율과 두께를 갖는 매질에 대해서 만들었다.</p> <p>CRTM과 MRTM로 내부 온도를 측정하기 위해서, 증류수와 혼합 용액 #5을 인간의 체온인 $ 37^{\circ} \mathrm{C} $ 를 유지하도록 준비하였고, 매질의 두께($ \mathrm{h} $)는 그림 2와 같이 아크릴 판을 평행 이동시켜 $ 9.5 \mathrm{~cm} $와 $ 29.5 \mathrm{~cm} $로 설정하였다. 매질의 내부 온도는 매질의 표면에서 CRTM와 MRTM로 10번씩 측정하였다. 동시에 라디오미터의 측정을 검증하기 위해서 매질 내부의 온도를 온도계로 측정하였다. $ 1.75 \mathrm{GHz} $의 주파수에서, $ 37^{\circ} \mathrm{C} $의 온도의 매질에 대해서 상대적 유전율과 도전율을 표 1과 같이 MRTM의 매질 특성 추정기로 측정하였다.<table border><caption>표 1. 주파수 $ 1.75 \mathrm{GHz} $에서, $ 37^{\circ} \mathrm{C} $ 온도의 증류수와 서로 다른 설탕 농도를 갖는 혼합 용액에 대한 상대 유전율($ \mathcal{E r} $)과 도전율($ \sigma, \mathrm{S} / \mathrm{m} $)</caption> <tbody><tr><td></td><td>증류수</td><td>혼합용액 #1</td><td>혼합용액 #2</td><td>혼합용액 #3</td><td>혼합용액 #4</td><td>혼합용액 #5</td></tr><tr><td>$ \varepsilon_{r} $</td><td>72.59</td><td>67.16</td><td>61.84</td><td>56.34</td><td>50.55</td><td>45.39</td></tr><tr><td>$ \sigma$</td><td>0.23</td><td>0.45</td><td>0.69</td><td>0.89</td><td>1.10</td><td>1.27</td></tr></tbody></table></p> <p>MRTM의 매질 특성 추정기로 사용된 85070C Dielectric Probe는 유전율 상수로 전형적으로 $ \pm 5 \% $의 측정 오차를 갖는다. 그러나, 그 반복성은 $ 2 \sim 4 $배로 정확도(http://www.agilent.com)가 높아진다. 본 논문의 경우, MRTM이 온도가 알려진 샘플 매질에 기준으로 캘리브레이션되므로 반복성은 유전율 상수를 측정함에 있어서 매우 중요한 요소이다. CRTM과 MRTM는 각각 그림 4와 그림 5와 같이 온도 변환표를 사용하였다. CRTM과 MRTM에 의해 측정된 온도의 평균과 표준편 차는 표 2와 같다.</p> <p>표 2에서와 같이, $ 37^{\circ} \mathrm{C} $에서 두께 $ \mathrm{h}=29.5 \mathrm{~cm} $와 $ \mathrm{h}=9.5 \mathrm{cm} $의 증류수와 혼합 용액 #5에 대해서, CRTM은 그림 4와 같이 단일 온도 변환표를 갖기 때문에 약 $ 2.06^{\circ} \mathrm{C} $, $ 0.82^{\circ} \mathrm{C}, 7.68^{\circ} \mathrm{C} $의 측정 오차를 보여준다.</p> <p>CRTM과 MRTM의 측정 오차를 고려하기 위해서, CRTM의 측정 오차 $ E_{C R T M}(t, h) $ 는 다음과 같이 정의될 수 있다. $ E_{C R T M}(t, h)=E_{P_{r}}(t, h)+E_{\Delta P_{m}}(t) $<caption>(3)</caption>$ E_{P_{r}}(t, h)=\frac{P_{m}(t, h)-P_{r}(t)}{P_{r}^{\prime}(t)} $<caption>(4)</caption>$ P_{r}^{\prime}(t)=\frac{d P_{r}(t)}{d t} $<caption>(5)</caption>$ E_{\Delta P_{m}}(t)=\frac{\Delta P_{m}(t)}{P_{r}^{\prime}(t)} $<caption>(6)</caption></p> <p>여기서, $ \mathrm{t} $와 $ \mathrm{h} $는 각각 매질의 온도와 두께의 변수이다. $ E_{P_{r}}(t, h) $와 $ E_{\Delta P_{m}}(t) $는 각각 온도 변환표와 $ \Delta P_{m}(t) $ 에 의해 발생하는 오차이다. $ \Delta P_{m}(t) $ 는 CRTM 또는 MRTM의 측정된 상대 방사 전력의 변화량이다. $ P_{m}(t, h) $ 와 $ P_{r}(t) $ 는 캘리브레이션에서 각각 측정 대상 매질의 상대적인 방사 전력, 온도 변환표를 만들기 위한 측정의 상대적인 방사 전력을 나타낸다.</p> <p>MRTM는 그림 5와 같이 다중 온도 변환표를 사용하고 매질 특성 추정기로 매질 특성을 추정하기 때문에 내부 온도 측정에서 발생하는 오차를 줄일 수 있다. MRTM에 의한 측정 오차 $ E_{M R T M}(t) $는 다음 식으로 정의될 수 있다. $ E_{M R T M}(t)=E_{\Delta D_{m}}(t)+E_{\Delta P_{m}}(t) $<caption>(7)</caption>$ E_{\Delta D_{m}}(t)=\left\{\Delta D_{m}(t) \frac{d P_{r}(t)}{d D_{r}}\right\} / P_{r}^{\prime}(t) $<caption>(8)</caption></p> <p>여기서, $ E_{\Delta D_{m}}(t) $는 측정된 유전율의 변화율 $ \Delta D_{m}(t) $에 의해 발생하는 오차이다. MRTM은 $ 37^{\circ} \mathrm{C} $ 온도의 증류수와 혼합 용액 #5에 대하여 유전율의 측정 변화율에 의해 발생하는 오차를 갖는다. 본 실험에서 $ E_{P_{r}}(t, h) $는 약 $ 7.68^{\circ} \mathrm{C} $ 까지이며, $ E_{\Delta P_{m}}(t) $는 약 $ \pm 0.0 6^{\circ} \mathrm{C} $ 이고, $ E_{\Delta D_{m}}(t) $는 약 $ \pm 0.01 $ 이다. 측정 오차 중 $ E_{P_{r}}(t, h) $ 는 $ E_{\Delta P_{m}}(t) $와 $ E_{\Delta D_{m}}(t) $에 비하여 크다. MRTM은 $ 37^{\circ} \mathrm{C} $ 에서 두께 $ 29.5 \mathrm{~cm} $와 $ 9.5 \mathrm{~cm} $의 두께를 갖는 증류수와 혼합 용액 #5에 대하여 약 $ 0.82^{\circ} \mathrm{C} \sim 7.68^{\circ} \mathrm{C} $의 측정 오차를 크게 줄일 수 있었다. 이는 그림 5와 같이 매질 특성 추정기와 다중 온도 변환표를 사용하기 때문에 가능하다.</p> <p>유전체 특성 중 어느 것이 측정 오차에 주된 효과를 주는지를 알아보기 위해서, 유전율은 거의 고정시키고 도전율은 다양하게 변화시켜 가면서 방사 전력을 RT-17로 측정하였다. $ 30^{\circ} \mathrm{C} $에서 유전율과 도전율이 각각 $ 76.84,75.50,6.59 \mathrm{~S} / \mathrm{m}, 21.71 \mathrm{~S} / \mathrm{m} $인 두 매질에 대해서, 방사 전력은 모두 상대 전력인 73로 같게 나왔다. 이 실험 결과는 도전율이 서로 다른 유전체 특성을 갖는 매질에 대해서 오차를 발생시키는 주된 요소가 아님을 보여준다.</p> <p>생체에 MRTM을 적용할 때, 그 생체는 균일한 특성이 아닐 수 있지만, 생체의 몇몇 부분은 유방과 같은 균일한 조직으로 모델링될 수 있다. 균일한 조직에 대해서는 성공적인 임상 평가를 보여 주었다 (http:www.resitd.ru). 조직의 균일성은 라디오-써모미터가 내부 온도 측정에서 정확도를 높일 수 있도록 한다. 마이크로파 라디오-써모미터는 균일한 볼륨으로 모델링될 수 있는 조직에서 종양을 조기 검출하기 위한 대량 진단에 더욱 유용할 것이다.</p>	[ "MRTM와 CRTM의 내부 온도 측정 방법은 어떻게 되니?", "표 1에서 보여주는 것은 \$ 1.75 \\mathrm{GHz} \$ 주파수일 때 무엇의 상대 유전율 및 도전율이야?", "\$ \\varepsilon_{r} \$이 67.16 값을 갖는 것은 무엇이야?", "\$ \\varepsilon_{r} \$가 50.55의 값을 가지는 것은 뭐야?", "\$ \\varepsilon_{r} \$의 혼합용액 #3의 값은 어느 정도인가요?", "혼합용액 #5의 \$ \\varepsilon_{r} \$ 값은 몇이니?", "\$ \\sigma\$가 0.23의 값을 가지는 것은 무엇인가요?", "혼합용액 #1의 \$ \\sigma\$ 값은 몇이야?", "혼합용액 #3에서 0.89를 갖는 것은 뭐야?", "\$ \\sigma\$이 0.69의 값을 갖는 것은 어떤 혼합용액이니?", "혼합용액 #4의 \$ \\sigma\$ 값은 무엇이니?", "도전율 1.27의 값을 갖는 것은 무엇인가요?", "\$ \\varepsilon_{r} \$의 증류수 값은 어느 정도인가요?", "\$ 37^{\\circ} \\mathrm{C} \$ 온도 매질을 \$ 1.75 \\mathrm{GHz} \$ 주파수에서 측정하기 위한 방법은 어떻게 되나요?", "캘리브레이션 수행을 위한 방사 전력 측정 방법은 어떻게 돼?", "라디오미터를 통해 방사 전력에 대응하는 온도를 얻기 위한 방법은 어떻게 되니?" ]
9224abb7-2f4b-430a-a907-cdd6c5427cc9	인공물ED	다수경로를 갖는 ATM 교환 구조에서의 셀 순서 바뀜 성능	<h1>I. 서 론</h1> <p>ATM 교환시스템을 구성하는 핵심인 스위칭 구조에 관한 최근의 연구는 초고속 전송용량의 간선 트래픽의 처리와 공중망(Public Network)을 대비한 다수의 간선 트래픽을 교환하여야 하는 초고속 및 대용량의 두 가지 문제를 해견할 방법 연구에 집중되어 있다. 앞서 도입된 광선송선로 와는 달리 ATM 스위칭 구조 설계에는 셀의 교환과 버퍼링을 위하여 광교환, 광신호 저장 등의 기술을 아직 실용적으로 이용할 수 없다. 그러므로 초고속 셀 스위칭 처리와 셀 저장이 반도체 기술에 의한 스위칭 구조상에서 이루어질 수밖에 없다. 그러나 광교환기술이 성숙되기 전 단계에 이미 B-ISDN의 공용 통신망 시대가 열릴 것으로 예상되며. 이 단계에서 필요로 하는 처리 속도와 용량을 만족시킬 수 있는 반도체 기술을 이용한 스위칭 구조는 현재 반도체 기술의 한계로 인하여 요구를 만족하는 적절한 구조를 설계하는 것이 쉽지 않다. 예를 들어 10년 이내에 구축하여야 할 대용량 ATM 교환기의 용량은 수용 가입자 회선 수가 동일하다고 볼 경우. 각 회선이 현재의 전송용량 보다 1000 배가 큰 $ 155 \mathrm{Mbps} $의 전송용량을 오구하므로 ATM 교환기의 처리 스루풋이 1000배가 된다. 그러나 10년 이내에 이를 구현할 반도체 기술은 현재보다 10배 이내의 속도나 집적능력의 발전에 머물 것이다. 그래서 ATM의 스위칭 처리요구와 구현기술 한계 사이의 벽을 극복하기 위해서는 다양한 새로운 설계기법이 제시되고 있고 나름대로의 특성 있는 ATM 스위칭 구조가 제시되고 있다.</p> <p>일반적으로 ATM 스위칭구조에서는 같은 셀 술롯 동안 여러 개의 입력 포트로부터 동일출력으로 향하는 다수 셀을 셀 큐잉으로 해결하고 있고 이에 기인한 셀의 시간지연이 나타난다. 아울러 링크의 트래픽밀도가 높아지면 입력되는 셀 들이 많아지고 큐잉되는 셀 들도 많아져서 제한된 양의 버피 용량으로는 수용할 수 없는 경우에 셀 손실이 일어난다. 이에 따라. 셀지연시간이나 셀손실은 ATM 스위칭 구조의 성능을 평가하는 기본 성능 파라메터가 된다. 그런데 초고속 스위칭 엘라먼트나 단위 스위칭 소자를 여러개 인터콘넥션시킨 대용량 구조에서는 하나의 성능 파라메타가 추가된다. 이것이 셀 순서 바뀜 성능이다.</p> <p>동일한 가상회선에 속한 셀 들이 스위치 출력으로 나올 때 스위치 입력에 주입될 때의 순서와 바뀜 현상 즉, 순서 바뀜(Out-of-Sequence) 현상이 일어날 가능성을 내포하고 있어 성능측면에서 단점으로 작용할 수밖에 없는 다수경로 특성을 갖는 스위칭 구조가 최근 많이 연구되고 있는 이유는 다음과 같은 기술적 이유 때문이다.</p> <p>우선 입◦출력 라인 수가 많은 대용량 스위칭 구조에서는 한 쌍의 입◦출력사이에는 다수경로가 존재할 수 있다. 비교적 구현이 간단한 공통버스형 ATM 스위칭 구조를 채택할 경우에, 대용량 스위칭 시에 부딪히는 반도체 기술의 한계 요소로는 집적도가 좋은 CMOS 또는 BiCMOS의 회로 구현 시에 발생하는 칩의 LSI 집적도의 한계치 문제이다. 분석에 의하면 스위칭 구조의 용량에 따른 버퍼링 메모리를 만족시키기 위한 LSI의 집적요구를 보면 표 1 과 같다.</p> <table border><caption>표 1. 공통버스형 ATM 스위칭 구조의 버퍼링 메모리를 만족시키기 위한 LSI의 집적요구</caption> <tbody><tr><td>스위칭 구조 크 기</td><td>버퍼용 요구 집적회로 크기</td><td>비 고</td></tr><tr><td>4X4</td><td>300 kGates</td><td rowspan=3>※8 Gates/bit 로 가정</td></tr><tr><td>8x8</td><td>600 kGates</td></tr><tr><td>16x16</td><td>900 kGates</td></tr></tbody></table> <p>이 집적도의 한계로 인하여 대용량 스위치 구조는 복잡한 통신 시스템 설계 개념인 모듈러 구조 개념이 적용되지 않을 수 없다. 이 때 칩의 집적도가 허용하는 한계가 대용량 스위칭 구조의 단위 스위칭소자이며. 대용량 스위칭 시스템 측면에서 보면 빌딩 블록(Building Block)으로 동작한다.</p> <p>표 2에 표현된 한계 수치는 전체 시스템의 크가나 칩 간의 인터콘넥션등을 고려하여 고속. 대용량 스위치 구조설계에서 제일 먼저 고려되어야 하는 반도체 기술에 따른 칩집적 능력을 나타낸다.</p> <table border><caption>표 2. 반도체 기술에 따른 칩집적 능력</caption> <tbody><tr><td>기 술</td><td>기 술 적용시기(년)</td><td>최대 Gate Array 집적도</td></tr><tr><td>CMOS $ 0.8 \mu \mathrm{m} $</td><td>91 - 92</td><td>200 - 250 kGates</td></tr><tr><td>CMOS $ 0.5 \mu \mathrm{m} $</td><td>93 - 95</td><td>500 - 600 kGates</td></tr><tr><td>CMOS $ 0.3 \mu \mathrm{m} $</td><td>최 근</td><td>1000 kGates 수준</td></tr></tbody></table> <p>이 표에서 표현된 한계 수치는 전체 시스템의 크기나 칩간의 인터콘넥션등을 고려하여 고속. 대용량 스위치 구조설계에서 제일 먼저 고려되어야 하는 반도체 기술에 따른 칩집적 능력을 나타낸다. 이처럼 집적 능력의 한계로 인하여 대용량 스위치의 스위칭 시스템은 칩 기본 단위 스위칭 소자를 먼저 설계하고, 이를 공간분할식으로 다단계 인터콘넥션(Multi-Stage Interconnection)시켜 대용량 스위칭 시스템으로 확대해 나간다.</p>	[ "표 1에서 스위칭 구조 크기 4X4는 버퍼용 요구 집적회로 크기가 얼마입니까?", "표 1. 공통버스형 ATM 스위칭 구조의 버퍼링 메모리를 만족시키기 위한 LSI의 집적요구에서 버퍼용 요구 집적회로 크기가 가장 작은 값은 얼마 입니까?", "표 1. 공통버스형 ATM 스위칭 구조의 버퍼링 메모리를 만족시키기 위한 LSI의 집적요구에서 버퍼용 요구 집적회로 크기가 가장 큰 스위칭 구조 크기는 무엇입니까?", "표 1에서 3가지의 스위칭 구조는 얼마의 값으로 동일하게 가정했나요?", "표 1에서 버퍼용 요구 집적회로 크기가 600 kGates인 스위칭 구조 크기는 무엇입니까?", "표 2에서 기술 적용시기가 93-95인 최대 Gate Array 집적도는 무엇입니까?", "표 2. 반도체 기술에 따른 칩집적 능력에서 CMOS \$ 0.8 \\mu \\mathrm{m} \$의 기술 적용 시기는 언제 입니까?", "ATM의 스위칭 처리요구와 구현기술 한계 사이의 벽을 극복하기 위해서 어떻게 해야 합니까?", "표 2. 반도체 기술에 따른 칩집적 능력에서 CMOS \$ 0.5 \\mu \\mathrm{m} \$의 최대 Gate Array 집적도는 무엇입니까?", "표 2에서 최대 Gate Array 집적도가 가장 높은 기술은 무엇입니까?", "표 2. 반도체 기술에 따른 칩집적 능력에서 최근 반도체 기술은 무엇입니까?" ]
29ef519e-a805-4bb5-a8e3-228548a0660a	인공물ED	공중 통신용 송신 다중빔 능동 위상배열 안테나 시스템의 설계	<h1>Ⅱ. 송신 다중빔 위상배열 안테나의 설계</h1> <h2>2-1 송신 다중빔 위상배열 안테나 설계 목표</h2> <p>장거리 고속 공중 통신을 위해 $ 50 \mathrm{~km} $ 통달거리 및 16$ \mathrm{Mbps} $ 의 전송속도를 고려할 때 송신 다중빔 안테나는 빔 당 $ 19 \mathrm{dBW} $ 이상의 $ \operatorname{EIRP} $ (effective isotropic radiated power)가 요구된다. 이를 위한 송신 다중빔 안테나 성능 설계 목표를 표 1 에 나타내었다.</p> <p>본 다중빔 안테나는 Ku 대역 약 $ 15 \mathrm{GHz} $ 의 $ 40 \mathrm{MHz} $ 를 송신 대역으로 사용하며, 4채널 신호(Ch1, Ch2, Ch3, Ch4)를 동시 전송하기 위해 채널당 $ 10 \mathrm{MHz} $ 의 대역폭으로 주파수 분할한다.</p> <table border><caption>표 1. 송신 다중빔 위상 배열 안테나의 설계 목표</caption> <tbody><tr><td>ltem</td><td>Design target</td></tr><tr><td>Operating frequency</td><td>Ku band Tx band(4 ch): $ 40 \mathrm{MHz} $</td></tr><tr><td>EIRP</td><td>$ \geq 19 \mathrm{dBW} $</td></tr><tr><td>Num. of multi beam</td><td>$ 4 \mathrm{ea} $</td></tr><tr><td>Antenna gain</td><td>$ \geq 21 \mathrm{dBi} $</td></tr><tr><td>Beam steering angle (phi)</td><td>$ -18^{\circ} \sim 18^{\circ} $</td></tr><tr><td>Beam pointing error</td><td>$ \leq 1^{\circ} $</td></tr></tbody></table> <h2>2-2 다중빔 송신 위상배열 안테나 구성도</h2> <p>본 논문의 송신 다중빔 안테나의 간략한 구성도를 그림 2에 나타낸다. 4개 빔의 동시 독립적 지향을 위해 디지털 빔포밍 방식으로 설계하였다. 4개의 신호를 8개의 송신 경로로 분배한 후 신호별 빔 지항각도에 맞게 위상 가중치 벡터를 연산한다.</p> <p>이후 인접 채널의 간섭을 최소화하기 위하여 채널별 대역폭 $ 10 \mathrm{MHz} $ 에 적합한 채널 필터를 통과 후 4 채널 신호를 결합하여 디지털-아날로그 변환기에서 $ 100 \mathrm{MHz} $ 대역의 아날로그 신호로 변환한다. 출력 신호를 주파수 변환반을 통하여 L대역으로 1 차 변환 및 증폭하며, RF통합 반에서 Ku대역으로 변환 및 증폭하여 안테나부로 송신신호를 전달한다. RF통합반의 최종단은 4경로의 신호를 처리할 수 있는 RF 통합칩으로 구성되어 있으며, 각 다중 빔 RF통합칩(multi beam RFIC)은 주파수 변환 이후 4 개의 위상천이기 및 전력증폭기로 구성된다. RF 통합칩 내부의 위상천이기는 경로 보정을 위해 활용되며, 다중빔의 지향에 적용하지 않는다.</p> <h2>2-3 배열 안테나부 설계</h2> <p>송신 다중빔 안테나는 패치 안테나 구조로 슬롯 커플링 급전을 통해 Ku대역 주파수에 접합한 광대역 특성을 확보하였고, 원형 편파 특성을 위하여 두 개의 급전 구조를 가지도록 설계하였다. 마이크로스트립 패치안테나가 존재하는 기판은 저유전율의 Teflon 재질 $ (\varepsilon=2.2) $ 을 사용하였다. 시뮬레이션 결과, 단일 안테나는 약 $ 7 \mathrm{dBi} $ 이상의 이득을 나타내었으며, 빔폭은 수평, 수직 각 $ 75^{\circ} $ 이상을 갖는다. 워상배열안테나 구성을 위해 단일 안테나를 $ 4 \times 8 $ 배열하였다. 공중중계 다중빔 안테나의 운용개념을 고려할 때 앙각으로는 빔폭을 넓게 설계하여 임무용 비행체의 고도차에 의한 빔 지향각 변화를 최소화하고, 방위각 방향으로는 빔폭을 좁게 설계하여 유사한 위치에 있는 임무용 비행체를 구분하도록 설계하는 것이 유리하다. 따라서 $ 4 \times 8 $ 배열안테나의 세로 방향 4 개를 부배열로 구성하였다. 시뮬레이션으로 확인한 배열안테나의 이득은 약 $ 22 \mathrm{dBi} $ 이며, 이때 빔폭은 수평 $ 9.5^{\circ} $ 및 수직 $ 18^{\circ} $ 수준이다.</p> <p>빔 이득을 추가 향상하고 지향정확도를 개선하기 위하여 본 송신 다중빔 안테나에서는 그림 4와 같이 인접타일 3 개를 연동하여 동작한다. 시뮬레이션으로 확인한 배열 안테나의 이득은 약 $ 25 \mathrm{dBi} $ 이며, 이때 빔폭은 수평 $ 3.5^{\circ} $ 및 수직 $ 18^{\circ} $ 수준이다.</p> <h2>2-4 RF부 설계</h2> <p>RF부는 RF 통합반과 주파수 변환반으로 구성된다.</p> <p>RF통합반은 L대역에서 Ku대역으로의 변환 맃 증폭부로 구성되며, 주파수 변환반은 $ 100 \mathrm{MHz} $ 신호를 L대역으로의 변환을 담당한다.</p> <p>RF 통합반의 설계를 그림 5 에 나타내었다. RF 통합반에는 8개의 RF 통합칩이 구성되며, L 대역 신호의 입력 후 Ku대역으로 변환하며, $ 1: 4 $ 분배기를 통해 4 개의 신호로 분배하며, 위상천이기 및 전력증푹기를 통해 안테나단으로 신호를 전달한다. 전력증폭기는 야 $ 20 \mathrm{dBm} $ 수준의 $ \mathrm{P}_{1 \mathrm{~dB}} $ 를 갖는다. RF통합반의 송신이득은 $ 23 \mathrm{~dB} $ 수준이다.</p> <p>능동위상배열안테나에서 빔 지향 손실을 최소화하기 위하여 보정은 매우 중요하다. 이를 위해 본 다중빔 시스템에서는 최종단인 전력증폭기에서의 신호를 루프백하여 위상오차보정 및 진폭보정을 적용한다. 총 32 개의 출력 증 인접한 전력증폭기 출력 2 개를 결합하여 16 개의 보정신호를 얻을 수 있으며, 보정회로 입력의 $ 16: 1 $ 스위치를 이용하여 원하는 경로의 신호를 L대역으로 변환할 수 있도록 설계하였다.</p> <p>송신 신호 보정을 위하여 본 다중빔 안테나 시스템에서는 독립적인 수신 경로를 고려하였다. L대역으로 변환된 하향신호를 주파수 변환반을 통하여 $ 100 \mathrm{MHz} $ 대역으로 변환하며, 이를 독립적 아날로그-디지털 변환기를 통해 디지털 빔 형성부로 전달한다. 디지털 변환된 송신보정신호의 경로별 진폭 및 위상값을 확인하여 16 개 경로로 전달된 32개의 송신신호를 모두 균일하게 맞추는 것을 목표로 RF 통합칩의 위상과 이득을 제어한다.</p> <p>송신 주파수 변환반은 $ 100 \mathrm{MHz} $ 신호를 L대역으로 변환한다. 약 $ 15 \mathrm{~dB} $ 의 송신이득과 총 $ 30 \mathrm{~dB} $ 송신이득범위를 $ 0.5 \mathrm{~dB} $ 간격으로 제어되도록 설계하였다.</p> <p>RF부의 성능유지를 위하여 방열구조 설계는 매우 중요하다. 타일형 구조의 안테나는 높은 집적도로 인해 열문제가 심각하다. 이는 송신 출력 및 이득을 감소시키며, 소모 전력 증가 등의 성능 열화를 발생시킨다. 본 설계에서는 송신 RF통합칩을 낮은 온도로 일정하게 유지시키는 것이 중요하여 수랭식 방열구조를 채택하였다. RF통합반의 수랭식 방열구조 및 열해석 결과를 그림 6에 나타내었다. 송신 RF 통합반 모듈 하부에 열전도도가 높은 물질 및 통로를 배치하고, 수관을 만들어 8 개 RF통합칩 하부를 관통하여 지나갈 수 있도록 설계하였다. 열해석 결과, 수랭식 구조를 적용하지 않았을 때 약 $ 80^{\circ} \mathrm{C} $ 이상의 발열이 발생하였지만, 본 수랭식 방열 구조로 RF통합반의 8 개 RF통합칩이 $ 5^{\circ} \mathrm{C} $ 이하로 일정하게, 유지된다.</p> <h2>2-5 송신 다중빔 형성부의 설계</h2> <p>송신 다중빔 형성부의 구성도를 그림 7에 나타내었다. 다중빔을 형성하기 위해 모뎀부로부터 생성된 4 개의 송신신호를 입력받아 $ 1: 8 $ 분배기를 통해 경로별로 전달될 4개의 신호를 분배하여 32개의 신호로 분배한다. 송신 다중빔 지항각은 수신 다증빔 지향각과 동일하게 형성되어야 하므로, 수신 다중빔 형성부에서 빔 지항신호를 전달받아 32 개의 분배된 신호에 위상 벡터를 연산하여 준다. 위상 연산이 된 32개의 신호를 경로별 8개의 신호로 합성한 후 디지털-아날로그 변환기로 전달한다.</p>	[ "RF 통합반의 최종단은 어떻게 구성되는가?", "어떻게 RF 통합반의 최종단이 작성되지", "출력신호를 어떻게 안테나부로 전달하는가?", "어떻게 출력신호를 안테나부로 전달하는가", "4개 빔의 동시 독립적 지향을 위해 어떻게 설계하였는가?", "다중빔 안테나는 4채널 신호(Ch1, Ch2, Ch3, Ch4)를 동시 전송하기 위해 어떻게 분할하는가?", "단일 안테나는 시뮬레이션 결과가 어떻게 나오는가?", "위상배열안테나 구성을 위해 어떻게 하였는가?", "어떻게 위상배열안테나 조직을 하였을까", "RF 통합칩 내부의 위상천이기는 어떻게 활용되는가?", "장거리 고속 공중 통신을 위해 50 km 통달거리 및 16Mbps 의 전송속도를 고려할 때 송신 다중빔 안테나는 어떻게 요구되는가?", "이후 인접 채널의 간섭을 최소화하기 위하여 어떻게 하는가?", "Operating frequency의 Design target은 무엇인가?", "≥19dBW의 Design target을 가진 item은 무엇인가?", "Num. of multi beam의 Design target은 무엇인가?", "Antenna gain의 Design target은 무엇인가?", "Beam steering angle (phi)의 Design target은 무엇인가?", "Beam pointing error의 Design target은 무엇인가?", "공중중계 다중빔 안테나의 운용개념을 고려할 때 어떻게 설계하는 것이 유리한가?", "빔 이득을 추가 향상하고 지향정확도를 개선하기 위하여 어떻게 하는가?", "RF통합반은 어떻게 구성되는가?", "안테나단으로 어떻게 신호를 전달하는가?", "능동위상배열안테나에서 빔 지향 손실을 최소화하기 위하여 보정은 어떻게 하는가?", "보정신호는 어떻게 얻을수있는가?", "어떻게 설계하였는가?", "송신 신호 보정을 위하여 어떻게 하였는가?", "L대역으로 변환된 하향신호를 어떻게 디지털 빔 형성부로 전달하는가?", "송신 주파수 변환반은 100MHz 신호를 어떻게 하는가?", "어떻게 제어되도록 설계하였는가?", "송신 RF통합칩을 낮은 온도로 일정하게 유지시키기 위해 어떻게 하였는가?", "어떻게 설계하였는가?", "열해석 결과, 수랭식 구조를 적용하지 않으면 어떻게 되는가?", "다중빔을 형성하기 위해 어떻게 하는가?", "송신 다중빔 지항각은 수신 다증빔 지향각과 동일하게 형성되어야 하므로 어떻게 해야 하는가?" ]
abab9b4a-4273-46d1-923a-7a231b6ce09d	인공물ED	중첩의 차분화방식에 의한 OFDM 심벌 타이밍검출 성능	<h1>IV. 각 지연수신파에서의 동기점 검출확률</h1> <p>레일리페이딩 환경의 채널지연프로필에서 각 지연파의 선두에서 동기 타이밍점으로 검출될 확률에 대해 생각해본다. 채널 지연프로필 $ h(n)=\sum_{m=0}^{N-1} a_{m} \delta(n-m) $ 에서 각 지연파의 진폭이 독립된 레일리분포를 하는 것으로 가정하면, $ n $ 번째 지연파의 진폭확률밀도함수는 다음과 같이 나타내진다.</p> <p>$ p_{n}(r)=\frac{r}{\sigma_{n}^{2}} \cdot e^{-r^{2} / 2 \sigma_{n}^{2}} $<caption>($5$)</caption></p> <p>여기서 $ \sigma_{n} $ 은 레일리 분포의 표준편차이고 평균전력 $ a_{n}^{2} $ 에 대해 $ \sigma_{n}=\sqrt{a_{n}^{2}} $ 이다. 그리고 $ m $ 번째 지연파의 선두 진폭치를 최대상관으로 검출될 확률은 다음과 같이 나타낼 수 있다.</p> <p>상관검출시 ; $\\\begin{aligned}P_{\max }(m) &=\int_{0}^{\infty} p_{m}(r)\left[P_{1} P_{2} \cdots P_{m-1} P_{m+1} \cdots P_{N}\right] d r \\&=\int_{0}^{\infty} p_{m}(r) \cdot\left[\prod_{\substack{k=1 \\k \neq m}}^{N} \int_{0}^{a_{m}} p_{k}(x) d x\right] d r\end{aligned}$<caption>($6$)</caption></p> <p>차분검출시; $\\\begin{aligned}P_{\max }(m) &=\|\left(\int_{0}^{\infty}\left[p_{m}(r)-\prod_{\substack{k=1 \\k \neq m}}^{N} \int_{0}^{a_{m}} p_{k}(x) d x\right] d r\right) \mid \cdot \prod_{\substack{k=1 \\ k \neq m}}^{N} \int_{0}^{a_{m}} p_{k}(x) d x\end{aligned}$<caption>($7$)</caption></p> <p>여기서 $ P_{1}, P_{2}, \cdots, P_{N} $ 는 각각 첫 번째, 두 번째 $ \cdots $, $ \mathrm{N} $ 번째 지연파의 진폭이 $ m $ 번째 지연파의 진폭치로 될 확률을 나타낸다.</p> <p>그림 $7$은 본 연구에서 설정한 $4$종류의 채널모델을 보여준다. $ \mathrm{h1}(\mathrm{n}) $ 은 지연확산이 $ \sigma_{\tau}=69.885 \mathrm{nsec} $ 의 $ -3 \mathrm{dB} $ 간격의 $11$파 전력지연프로필의 채널이고, $ \mathrm{h} 2(\mathrm{n}) $ 은 지연확산이 $ \sigma_{\tau}=136.35 \mathrm{nsec} $ 의 $ -1 \mathrm{dB} $ 간격의 $11$파 전력지연 프로필의 채널모델이다.</p> <p>또한, $ \mathrm{h} 3(\mathrm{n}) $ 은 지연확산이 $ \sigma_{\tau}=216.79 \mathrm{nsec} $ 이고 제 $2$ 지연파의 세기가 가장 큰 경우의 $21$ 파 채널모델이며, $ \mathrm{h} 4(\mathrm{n}) $ 은 지연확산이 $ \sigma_{\tau}=179.38 \mathrm{nsec} $ 이고 제 $4$ 지연파의 세기가 가장 큰 경우의 $21$파 채널모델이다.</p> <p>그림 $8$은 상관과 차분검출방식에서 모델채널에 따라 각 지연파의 선두에서 최대의 상관값으로 검출될 확률의 계산결과를 보여준다. 그림 $8$에서와 같이 제 $1$ 지연파의 선두에서 동기타이밍점이 검출될 확률은 차분방식에서 모델화 채널의 종류에 관계없이 가장 높게 나타나고 있는 것과 비교하여 상관검출의 방식에서는 채널의 종류에 따라 지연파의 세기가 큰 위치에서 검출될 확률이 높게 나타나고 있음을 알 수 있다.</p> <p>각각의 채널모델들에 대해서 구한 동기 타이밍점으로 검출될 확률의 계산결과를 비교 분석해 보인 것이 표 $1$이다.</p> <p>표 $1$에서 보는바와 같이 상관방식에서는 진폭세기가 가장 큰 지연파의 선두에서 동기타이밍점을 취할 확률이 가장 높으면서 그 절대치도 크게 나타나고 있는 것과 비교하여, 차분방식은 채널의 지연프로필의 특성에 구애받지 않고 첫 번째 지연수신파의 선두에서 동기타이밍점을 취할 확률은 높게 나타나고 있으나 페이딩성이 강한 채널일수록 검출확률의 절대치는 크게 떨어지고 있음을 알 수 있다.</p> <table border><caption>표 $1$. 각 지연파의 선두 진폭치를 최대상관으로 검출될 확률</caption> <tbody><tr><td rowspan=2>Channel models</td><td rowspan=2>Symbol synchronization methods</td><td colspan=4>Detection probability</td></tr><tr><td>$1$st Wave</td><td>$2$nd Wave</td><td>$3$rd Wave</td><td>$4$th Wave</td></tr><tr><td rowspan=2>h$1$(n)</td><td>correlation</td><td>$0.9546$</td><td>$0.2115$</td><td>$0.0250$</td><td>$0.0015$</td></tr><tr><td>difference</td><td>$0.9991$</td><td>$0.0115$</td><td>$0.0005$</td><td>$0.0$</td></tr><tr><td rowspan=2>h$2$(n)</td><td>correlation</td><td>$0.7312$</td><td>$0.2474$</td><td>$0.0711$</td><td>$0.0175$</td></tr><tr><td>difference</td><td>$0.8869$</td><td>$0.1580$</td><td>$0.0150$</td><td>$0.0009$</td></tr><tr><td rowspan=2>h$3$(n)</td><td>correlation</td><td>$0.3077$</td><td>$0.9075$</td><td>$0.0281$</td><td>$0.0$</td></tr><tr><td>difference</td><td>$0.5970$</td><td>$0.0014$</td><td>$0.1149$</td><td>$0.0$</td></tr><tr><td rowspan=2>h$4$(n)</td><td>correlation</td><td>$0.5911$</td><td>$0.0096$</td><td>$0.0033$</td><td>$0.9207$</td></tr><tr><td>difference</td><td>$0.3256$</td><td>$0.0799$</td><td>$0.0279$</td><td>$0.2038$</td></tr></tbody></table>	[ "표 \$1\$. 각 지연파의 선두 진폭치를 최대상관으로 검출될 확률에서 \$0.1149\$라는 검출 확률 값은 어느 모델에서 계산된 값이지?", "표 \$1\$. 각 지연파의 선두 진폭치를 최대상관으로 검출될 확률에서 모델 h\$1\$(n)의 Symbol synchronization methods값이 difference 일 때, \$1\$st Wave에서의 검출 확률은 얼마지?", "표 \$1\$. 각 지연파의 선두 진폭치를 최대상관으로 검출될 확률 중 \$3\$rd Wave에서의 검출 확률이 가장 높은 값은 얼마지?", "표 \$1\$. 에서 채널 모델 h\$2\$(n)의 Symbol synchronization methods가 correlation일 때, \$2\$nd Wave에서의 검출 확률은 얼마로 나타나지?", "표 \$1\$. 각 지연파의 선두 진폭치를 최대상관으로 검출될 확률 중 \$4\$th Wave에서의 가장 높게 나타난 검출확율값은 뭐야?" ]
996f636e-bec5-40d8-99c5-0d044de98a57	인공물ED	ECR 플라즈마의 식각 공정변수에 관한 연구	<h1>4. 실험방법 및 고찰</h1><h2>4.1. 자장 변화에 따른 초고주파의 반사전력 변화</h2><p>모든 다른 변수들을 고정시켜 놓고 두 자장코일의 전류를 변화시켜 가면서 초고주파의 반사전력의 변화를 조사하였다. 상단 자장코일에 흐르는 전류가 아래쪽보다 클 때에는 반사전력이 상당히 적어지는데 이는 초고주파 유입창 부분에서 높은 자장이 인가되게 되어 whistler mode 이론에 의해 입사된 파를 효과적으로 투과하여 공명점 (B=875G) 부분에서 대부분이 흡수되었기 때문으로 풀이된다. 따라서 이 때의 플라즈마는 매우 안정되어 있고 높은 밀도를 갖게 된다. 두 자장코일에 인가된 전류가 낮거난 역전된 경우에는 초고주파의 반사가 많아지게 되고 플라즈마 상태도 불안정하게 되는데 이는 초고주파 유입창 부근의 자장이 높지 않아 효율적 투과가 이루어지지 않았기 때문인 것으로 생각된다. $ \mathrm{N}_{2} $ 가스량 $ 5 \mathrm{SCCM} $ 반응로내 압력 $ 2.1 \mathrm{mTorr} $, 초고주파 전력 $ 1,300 \mathrm{~W} $의 환경에서의 자장의 변화에 따른 반사전력의 변화를 Table 1에 나타내었다.</p><table border><caption>Table $1.$ 자장(코일에 인가된 전류)에 따른 초고주파의 입사전력과 반사전력</caption><tbody><tr><td>$ \mathbf{I}_{u p p}(\mathrm{~A}) $</td><td>$ \mathrm{I}_{\text {lower }}(\mathrm{A}) $</td><td>입사전력</td><td>반사전력</td></tr><tr><td>$185$</td><td>$125$</td><td>$1280$</td><td>$3$</td></tr><tr><td>$160$</td><td>$110$</td><td>$1236$</td><td>$4$</td></tr><tr><td>$125$</td><td>$125$</td><td>$1085$</td><td>$391$</td></tr><tr><td>$110$</td><td>$125$</td><td>$1050$</td><td>$394$</td></tr><tr><td>$80$</td><td>$110$</td><td>$479$</td><td>$399$</td></tr></tbody></table><table border><caption>Table $2.$ $1200 \mathrm{~W}$ 초고주파의 입사전력에 따른 반사전력의 변화</caption><tbody><tr><td>입사전력 ( $\mathrm{W}$ )</td><td>반사전력 ( $\mathrm{W}$ )</td></tr><tr><td>$1220$</td><td>$6$</td></tr><tr><td>$1120$</td><td>$46$</td></tr><tr><td>$1000$</td><td>$50$</td></tr><tr><td>$900$</td><td>$52$</td></tr><tr><td>$900$ 이하</td><td>아주 불안정</td></tr></tbody></table><h2>4.2. 초고주파 전력변화에 따른 $ \mathrm{N}_{2} $ 플라즈마 상태변화</h2><p>정상적인 공정조건하에서 $ \mathrm{N}_{2} $ 플라즈마는 낮은 초고주파 전력에서 매우 불안정하였다. 안정된 $ \mathrm{N}_{2} $ 플라즈마는 초고주파가 $ 900 \mathrm{W} $ 이상되는 영역에서 얻어졌으며 전력이 증가할수록 반사전력이 감소되어 더욱 안정됨을 볼 수 있었다. $ 900 \mathrm{~W} $ 이하에서는 플라즈마의 상태가 불안정하였을 뿐만 아니라 반사전력도 매우 불안정하여 일정한 값을 갖지 않았다. 이는 초고주파의 부하로서 작용하는 플라즈마 밀도가 불안합을 의미한다.</p><p>두 자장코일의 전류가 각각 $ 160 \mathrm{A} $와 $ 110 \mathrm{~A} $, 초고주파 전력 $ 1200 \mathrm{~W} $, 압력 $ 2.1 \mathrm{mT}, \mathrm{N}_{2} $ 가스량 $5$ SCCM일 때 초고주파에 대한 반사전력의 변화를 Table 2에 나타내었다.</p><p>$ \mathrm{N}_{2} $ 가스를 이용한 플라즈마 형성에 있어서 안정된 플라즈마를 형성하기 위해서는 초고주파의 전력이 $ 900 \mathrm{W} $ 이상이 되어야 함을 알았다. $ \mathrm{Ar} $ 플라즈마에서는 낮은 초고주파 전력에서도 안정된 플라즈마를 얻고있으며 이러한 차이는 두 원소의 이온화 및 진공 해리도 차이에 기인된 것으로 여겨진다.</p><h2>4.3. Poly-Si 식각 공정변수 변화에 따른 식각율 및 선택비 변화</h2><p>본 ECR 식각장비는 플라즈마 발생실과 반응로를 포함한 부피가 $ 38 l $ 이며 공정에 사용되는 가스로 $ \mathrm{Cl}_{2} $, $ \mathrm{SF}_{6}, \mathrm{O}_{2}, \mathrm{He} $ 등이 있다. Poly-Si 식각의 주된 가스로는 이온충격 효과에서 높은 반응성과 지향성을 나타내는 chlorine $ \left(\mathrm{Cl}_{2}\right) $이 주로 사용되었으며, 이에 $ \mathrm{SF}_{6} $ 가스를 첨가함으로써 신뢰성이 높은 식각이 가능한지를 조사하였다. 또한 산화막과의 선택비를 개선하기 위해 $ \mathrm{O}_{2} $를 반응실로 도입하여 실험하였다.</p><p>초고주파의 전력 $ 600 \sim 1200 \mathrm{~W}$ RF 전력 $ 0 \sim 30 \mathrm{~W} $, 공정압력 $1\sim20\mathrm{~mT}$ 등으로 이들 변수들을 변화시키며 식각 경향을 조사하였다. 이에 대한 웨이퍼의 준비로서 Poly-Si $ 400 \mathring{A}(10 \pm 2.12 \Omega / \mathrm{m}) $, thermal oxide $ 6000 \mathring{A} $을 준비하였다.</p><p>전체적인 공정적용의 특징은 초고주파 전력이 증가할수록 Poly-Si의 식각율이 증가하는 것을 볼 수 있으며(Fig. 2), $ 6 \mathrm{mT} $의 압력에서 가장 큰 식각율을 얻을 수 있었다(Fig. 3). 또한 $ \mathrm{SF}_{6} $의 비율이 적어질수록 식각율이 커졌는데 이는 아직 만족할만한 식각 범위를 찾지 못한데서 기인한 것이라고 여겨진다 (Fig. 4). 전체적으로 Poly-Si의 산화막에 대한 선택비는 $2\sim3$정도로 매우 낮게 나타났으며 이는 모든 변수에 대한 최적조건을 찾아내지 못하였기 때문으로 앞으로 최적 식각조건을 찾아 내어야 할 것이다. Poly-Si의 PR에 대한 선택비도 $ 1.5 $ 정도이나 앞으로 좀더 나은 결과를 얻을 수 있을 것으로 보여진다.</p><p>전체적으로 지금까지 공정시헙을 한 결과 몇 가지 특징은 $ \mathrm{Cl}_{2} $ 가스만으로는 식각율이 저조했으며 $ \mathrm{SF}_{6} $를 첨가했을 경우에 식각율 $ 2000 \mathring{A}$ 이상을 달성할 수 있었다. $ 5 \sim 8 \mathrm{mT} $ 부근에서 플라즈마가 전체적으로 안정되며, 이 온화한 분위기에서 PR의 buring을 방지하고 uniformity를 향상시킬 수 있었다. 또한 압력이나 DC bias를 조절하여 가시적으로 $ 1 \mathrm{~mm} $ 이하의 sheath를 형성할 때 가장 좋은 결과를 얻을 수 있었다. 이는 sheath 내에서의 낮은 전자밀도가 PR에 열적 손상을 적게 미치기 때문이 아닌가 추측된다. $ \mathrm{SF}_{6}+\mathrm{Cl}_{2} $ 분위기에서 $ \mathrm{He} $를 첨가하였을 때 플라즈마의 에너지가 높아지게 되어 PR burning의 주요 원인이 되었다. $ \mathrm{Cl}_{2}+\mathrm{O}_{2} $를 etchant로 사용하는 식각법에 비해서 $ \mathrm{O}_{2} $ 대신 $ \mathrm{SF}_{6} $를 가하였을 때 비록 초고주파를 조정 시키기는 매우 어려웠으나 높은 식각율과 안정된 플라즈마의 분위기를 얻을 수 있었다.</p>	[ "Table 2에서, 입사전력 값이 최대값일 때 반사전력의 값은 얼마인가?", "Table 2에서 반사전력 값이 \$46\$일 때 입사전력 값은 얼마인가?", "반사전력이 \$50 \\mathrm{~W}\$ 일 때의 입사전력은 반사전력의 몇 배인가?", "입사전력이 \$900\$ 이하가 되면 반사전력의 상태는 어떻게 되는가?", "입사전력이 \$900\$ 일 때 반사전력의 값은 무엇인가?", "Table 1에서 입사전력과 반사전력 중 더 낮은 값을 갖는 것은 무엇인가?", "Table 1 에서 반사전력이 가장 낮을 때의 값은 얼마인가?", "\$ \\mathbf{I}_{u p p}(\\mathrm{~A}) \$ 값과 \$ \\mathrm{I}_{\\text {lower }}(\\mathrm{A}) \$ 값이 동일할 때 입사전력은 얼마인가?", "\$ \\mathbf{I}_{u p p}(\\mathrm{~A}) \$ 값이 가장 작을 때의 입사전력 값은 얼마인가?", "반사전력 값이 최대일 때, \$ \\mathrm{I}_{\\text {lower }}(\\mathrm{A}) \$ 값은 얼마인가?" ]
1376de91-7102-4526-8cc5-6a768e4a8f06	인공물ED	유도전동기의 속응 토크제어를 위한 파라미터 변동의 적응보상기법	<h1>3. 시뮬레이션 및 결과검토</h1> <p>유도전동기의 파라미터 변동에 대하여 보상하지 않는 경우와 보상한 경우의 각각에 대하여 자속과 출력토크의 과도응답을 살펴 본 후 회전자 저항 변동에 대한 추정알고리즘의 수행과정을 검토하였다. 제어 프로그램은 DSP칩의 실행시간을 고려하여 스위칭 주파수를 $ 10[\mathrm{kHz}] $ 로 설정하였다. 따라서 공간전압벡터 PWM의 스위칭 ON/OFF 시간의 계산 수행은 각 $ 50[\mu \mathrm{sec}] $, 전류제어는 $ 100[\mu \mathrm{sec}] $ 이며 전류제어 시간과 동일한 루프에서 자속연산이 수행되고 회전자 저항추정과 속도 제어는 전류나 자속의 변화보다 천천히 변화되므로 $ 500[\mu $ $ \mathrm{sec}] $ 마다 제어되도록 설정하여 시스템이 무한 루프로 수행하 도록 하여 시뮬레이션 및 실험을 수행하였다. 사용된 3상 농형 유도전동기의 파라미터 및 정격은 표1과 같다.</p> <p>그림 3은 정상적인 전동기 운전중 회전자 저항값이 갑자기 정격치의 2배로 변동되었을 때의 제어특성을 나타낸 것이다. 회전자 저항값의 영향으로 자속관측기가 제대로 동작을 행하지 않았을 경우이다. (a)는 저항값 변동 이후 전동기의 부하토크를 인가하였을 때 속도응답이 심하게 변화되며 이에 따라 속도제어 명령을 수행하기 위하여 고정자 전류도 과도하게 인가되고 있음을 알 수 있다. (b)에서는 회전자 저항값의 변동을 나타낸 것이며 그 아래에서는 고정자 저항값의 변동은 없다는 것을 나타낸 것이다. (c)에서는 회전자 자속의 실제값을 동기 좌표계에서의 직류량으로 나타낸 것이며 그 아 래는 자속제어의 지령값이다. 자속지령에 대하여 자속의 실제값이 일정하게 제어되지 않고 심하게 변동되고 있음을 볼 수 있다. (d)에서는 회전자 저항값 변동 이후 부하토크 인가 시 전동기 출력토크의 응답은 과도진동을 일으키며 출력의 지연이 나타나고 있음을 보여준다.</p> <p>그림 4에서는 전동기의 운전 중 회전자의 저항값을 정격치의 2배로 변동시켜 보상을 수행한 시뮬레이션 결과이다. 이는 회전자 저항값의 변동에 대하여 적절히 추정하여 보상하고 있음을 나타내고 있으며 이때의 추정 소요시간은 $ 400[\mathrm{msec}] $정도이며, 저항값을 추정하는 동안에는 토크출력과 회전자 자속이 진동하는 현상을 보이나 추종이 끝난 후 원래의 제어성능을 회복한다. (a)에서 속도응답은 회전자 저항값의 변동에 대하여 추정하고 있는 동안에는 약간의 변동이 있으나 이후에는 정상적인 속도응답과 고정자 전류의 응답을 보여 주고 있다. (b)에서는 회전자 저항 변동에 대한 추정과정을 나타내고 있다. (c), (d)에서도 자속과 부하토크의 지령에 대하여 추정 순간을 제외하고 잘 응답하고 있음을 보여준다.</p> <p>그림 5는 회전자와 고정자 저항값을 모두 정격치의 2배로 변동시켜 보상을 수행한 그림이다. (a)에서 속도응답은 회전자와 고정자의 저항값 변동에 대하여 추정 순간에만 약간 변동이 있고 이후에는 정상적으로 동작하고 있다. (b)에서는 회전자 저항 변동에 대한 추정과정과 고정자 저항값의 변동을 나타낸다. (c), (d)에서도 회전자와 고정자의 저항값 변동에 대하여 자속과 부하토크의 지령에 대하여 추정순간을 제외하고 잘 응답하고 있음을 보여준다. 이러한 결과는 회전자 자속 관측기에 고정자 저항이 사용되지 않았으므로 고정자 저항값 변동에 대하여 영향을 받지 않기 때문이다.</p> <table border><caption>표 1 유도전동기의 파라미터 및 정격</caption> <tbody><tr><td>정격 및 파라미터</td><td>값 (단위]</td></tr><tr><td>정격출력</td><td>2.2$ [\mathrm{kW}] $</td></tr><tr><td>정격토크</td><td>14$ [\mathrm{Nm}] $</td></tr><tr><td>정격속도</td><td>1420$ [\mathrm{rpm}] $</td></tr><tr><td>Rr</td><td>0.925$ [\Omega] $</td></tr><tr><td>Rs</td><td>1.45 $ [\Omega] $</td></tr><tr><td>Lm</td><td>96.7 $ (\mathrm{mH}] $</td></tr></tbody></table> <h1>4. 실험결과 및 검토</h1> <p>시뮬레이션 결과를 통해 입증된 추정 알고리즘에 대하여 효용성을 더욱 높이고자 표1과 같은 전동기 모델을 사용하여 실험을 수행하였다. 속도 측정을 위하여 $ 2500[\mathrm{ppr}] $ 의 인크리멘탈 엔코더를 사용하였으며, 제어 프로그램의 수행시간은 시뮬레이션과 동일한 조건으로 구성하였다. 즉 전류제어기는 $ 100\left[\mu_{\mathrm{sec}}\right] $ 마다 수행되며, 전류 제어시간과 동일한 루프에서 자속연산이 수행되고 회전자 저항추정과 속도제어는 전류나 자속의 변화보다 천천히 변화되므로 $ 500\left[\mu_{\mathrm{sec}}\right] $ 마다 제어되도록 설정하여 무한루프를 수행하도록 하였다.</p> <p>제어시스템의 구현에 있어서는 제안된 추정 알고리즘 및 3상 대칭 공간전압벡터 기법의 실시간 처리를 위하여 DSP 소자인 TMS320C31을 사용하였고 주변 인터페이스 장치 및 전체 시스템을 관장하는 IBM PC와 통신할 수 있도록 하였다. 또한 전압형 벡터제어인버터의 스위칭 소자는 IGBT를 채용하여 스위칭 주파수 $ 10[\mathrm{kHz}] $에서 ON/OFF스위칭을 수행하였다.</p> <p>실험은 회전자 저항값 변화에 따른 속도응답, 회전자 저항 값의 추정과정, 속도 및 부하 변화에 대한 추정값의 안정성을 확인하는 순서로 진행하였다. 농형 유도전동기의 경우 실제로 운전을 하고 있을 때에는 회전자 저항값을 측정하기가 어럽다. 또한 일반적인 경우 전동기의 운전에 따라 회전자 저항 값이 상승하게 된다. 그러므로 제어기 파라미터로 쓰이는 회전자 저항값이 실제 저항값보다 작게된다. 따라서 본 실험에 서도 운전중인 유도전동기의 실제 회전자 저항값을 알수 없기 때문에 제어기 파라미터로 쓰이는 회전자 저항값을 전동기의 설계치 보다 작게 설정하고 실험을 수행하였다.</p> <p>그림 6은 무부하에서 제어기 파라미터로 사용되는 회전자 저항 추정값과 실제 회전자 저항값이 일치하는 경우의 속도 응답을 나타낸다. $ 100[\mathrm{rpm}] $의 운전상태에서 $ 1500[\mathrm{rpm}] $ 으로 계단상승하도록 하였을때 속도응답은 오버슈트가 약간 있으나 안정적으로 동작한다.</p> <p>그림 7에서는 그림6과 동일 속도조건에서 회전자 저항값을 $ R_{r}=0.5 \hat{R}_{r} $으로 설정할때의 응답파형이다. 속도응답에 오버 슈트가 크고 정상속도의 도달시간이 지연되고 있음을 보이고 있다.</p> <p>그림 8은 본 논문에서 제안된 회전자 저항 변동에 따른 적응 보상 알고리즘의 추정 과정과 전동기의 과도응답 특성을 나타낸 것이다. 회전자 저항값의 추정치를 전동기 설계치의 0.5배로 설정하고 운전을 시작하였다. 직접벡터 제어시스템에서 속도제어기를 추종하기 위하여 전동기의 출력토크가 발생하고 이때 흐르는 토크분 전류의 영향으로 회전자 저항의 추정 알고리즘이 시작된다. 회전자 저항값 추정이 시작된지 약 $ 400[\mathrm{msec}] $ 이내에 회전자 저항값 변동을 추정하여 안정되게 수렴하는 과정을 보인다. A는 전동기의 실제 속도응답을 나타내며, B는 이때의 회전자 저항값 변동에 대한 추정 과정을 나타내고 있다. C는 전동기의 토크분 전류를 나타내며 D는 전동기의 상전류를 나타내고 있다. 추정된지 약 3초 후에 전동기의 속도를 $ 500[\mathrm{rpm}] $ 감소시켜도 추정된 값은 변함이 없다. 이 후의 실험파형도 동일한 순서로 변수들을 표현하였다.</p> <p>그림 9는 그림 8과 동일한 조건에서 회전자 저항값을 추정 한 후에 전동기의 속도지령을 반복인가한 경우의 출력 특성을 나타낸다. 속도추종을 위한 토크분 전류가 계속 발생되더라도 회전자 저항값의 변동이 거의 없음을 나타낸다. 속도지령 순간에는 전류값에 의하여 추정 저항값이 약간 변동하나 계속해서 참값으로 수렴되고 있는 경향을 확인할 수 있다.</p> <p>그림 10 에서는 정격에 가까운 부하를 반복 인가하였을 경우의 응답 파형들이다. 마찬가지로 부하인가 후에도 회전자 저항값은 안정적으로 추정하고 있으며 전동기의 속도응답 파형도 정상적으로 제어되고 있음을 확인할 수 있다.</p>	[ "속도 응답은 회전자 저항값의 변동에 대해 추정하고 있는 과정과 그 이후에 어떻게 되는가?", "시뮬레이션 결과로 보아 증명된 추정 알고리즘에 대해 효용성을 보다 높이고자 어떻게 하였는가?", "본문에서는 속도 측정을 위하여 어떻게 하였는가?", "회전자 저항 추정과 속도 제어는 어떻게 되도록 설정함으로 무한 루프를 수행하도록 하였는가?", "통상의 상황에서 전동기의 운전에 따라 회전자 저항 값은 어떻게 되는가?", "본 실험에서 운전 중인 유도 전동기의 실제 회전자 저항값을 알 수 없어 어떤 방식을 취했나?", "어떻게 해야 속도 응답은 오버슈트가 약간 있음에도 안정적으로 작동하는가?", "회전자 저항값의 예상 수치를 어떻게 설정하고 운전을 하였는가?", "직접 벡터 제어 시스템에서 속도 제어기를 따르기 위해서 어떻게 하는가?", "추정된 지 대략 3초 이후 전동기 속도를 500[rpm]으로 줄이면 어떻게 되는가?", "그림 9에서 나타내는 특성은 어떻게 한 경우의 출력 특성인가?", "속도 추종을 위한 토크분 전류가 지속적으로 생기면 어떻게 되는가?", "속도 지령 순간에 어떠한 경향을 파악할 수 있겠는가?", "부하 인가 후에 파악할 수 있는 사항은 어떻게 되는가?", "그림 4는 어떻게 시뮬레이션 한 결과를 나타내 보여주고 있는가?", "제어 시스템의 구현에 있어서 본문에서 제시된 추정 알고리즘 및 3상 대칭 공간전압 벡터 기법의 실시간 처리를 위해 어떻게 하였는가?", "본문에서는 실험을 어떠한 순서로 진행하였는가?", "그림 7에서는 어떠한 조건에서의 설정 시 응답 파형을 보이는가?", "어떻게 회전자 저항 변동에 대한 추정 알고리즘의 수행 과정을 점검했어?", "제어 프로그램은 DSP 칩의 실행 시간을 염두하여 어떻게 설정하였는가?", "어떻게 시뮬레이션을 하고 실험을 수행하였는가?", "본문에서 기술하는 경우는 회전자의 저항값의 영향으로 자속 관측기가 어떻게 했을 경우를 나타내는가?", "본문을 통하여서 자속 지령에 대하여서 어떻게 되고 있음을 볼 수 있는가?", "그림 3은 어떻게 되었을 때의 제어 특성을 보이는가?", "저항값 변동 이후 전동기의 부하 토크를 인가하면 어떻게 되는가?", "회전자 저항값 변동 후에 부하 토크 인가할 때 어떻게 되는가?", "유도 전동기의 정격 토크 값은 얼마인가?", "유도 전동기의 정격 속도 값은 얼마인가?", "표 1에서 볼 때 Rr 값은 얼마인가?", "표 1 에서의 Rs 값은 얼마인가?", "표 1을 미루어 볼 때에 Lm값은 얼마인가?", "유도 전동기의 정격 출력 값은 얼마인가?" ]
c7b69e26-73bd-4fc3-aea4-635053a50014	인공물ED	심장박동 측정 레이더를 위한 $24\mathrm{GHz}$ I/Q LO 발생기	<h1>III. 시뮬레이션 결과</h1><p>제안한 LO 발생기는 65$\mathrm{nm}$ CMOS 공정을 사용하여설계하였다. 그림 5는 제안하는 24 $\mathrm{GHz}$ I/Q LO 발생기의 레이아웃도를 보여주고 있다. 면적은 650 $\mathrm{\mu}\mathrm{m}$$\times$ 390$\mathrm{\mu}\mathrm{m}$이다. 전원 전압 1$\mathrm{}v$에서 전류 8 $\mathrm{mA}$를 소모한다. 모든 인덕터, 캐패시터, 연결선은 EM 시뮬레이션을 하였고, 사용한 저항과 트랜지스터는 레이아웃 후 기생성분을 추출하여 시뮬레이션을 하였다. 설계한 LO 발생기의 입력 매칭 특성인 S11은 그림 6(a)에서 볼 수 있듯이 -10$\mathrm{dB}$ 이하의 값을 갖는다. 그림 6(b)는 I-path의 LO 신호와 Q-path의 LO 신호의 잡음지수(NF) 특성을 보여주고있다. 동작 주파수에서 약 2.3$\mathrm{dB}$의 NF 특성을 갖는다. 그림 7(a)는 이득 특성을 보여주고 있다. I-path의 LO 신호의 이득은 7.5 $\mathrm{dB}$, Q-path의 LO 신호의 이득은 7.6 $\mathrm{dB}$로크기 부정합 특성은 0.1 $\mathrm{dB}$ 이하이다. 그림 7(b)는 위상 차이 특성을 보여주고 있다. 동작주파수에서 I-path와Q-pat간의 LO 신호의 위상은 89.5도로 약 0.5도 차이가 난다.</p><table border><caption>표 1. 설계된 24 GHz I/Q LO 발생기의 성능 요약</caption><tbody><tr><td>Condition</td><td>TT, 25도</td></tr><tr><td>Operatingfrequency</td><td>24.05 - 24.25 GHz</td></tr><tr><td>Gain (dB)</td><td>7.5</td></tr><tr><td>S11 (dB)</td><td>-18.9< -10</td></tr><tr><td>Gain (dB)</td><td>7.5 (I-path) / 7.6 (Q-path)</td></tr><tr><td>NF (dB)</td><td>2.3 (I-path) / 2.3 (Q-path)</td></tr><tr><td>Gain/Phasemismatch</td><td>0.1 dB (Gain mismatch)/ 0.5도 (Phase mismatch)</td></tr><tr><td>Currentconsumption(mA) @ 1 V</td><td>8</td></tr><tr><td>Technology</td><td>65 nm CMOS</td></tr></tbody></table><table border><caption>표 2. 공정 및 온도 변화에 따른 24 GHz I/Q LO 발생기의 성능 요약</caption><tbody><tr><td></td><td>S11</td><td>Gain</td><td>NF</td><td>Gain/Phasemismatch</td></tr><tr><td>TT, -40도</td><td>19.0</td><td>8.0</td><td>1.8</td><td>0.1/0.5</td></tr><tr><td>TT, 25도</td><td>-18.9</td><td>7.5</td><td>2.3</td><td>0.1/0.5</td></tr><tr><td>TT, 90도</td><td>18.6</td><td>7.0</td><td>2.8</td><td>0.02/0.5</td></tr><tr><td>SS, -40도</td><td>17.9</td><td>7.9</td><td>1.9</td><td>0.02/4.0</td></tr><tr><td>SS, 25도</td><td>18.4</td><td>7.3</td><td>2.4</td><td>0.1/3.9</td></tr><tr><td>SS, 90도</td><td>-18.6</td><td>6.7</td><td>3.0</td><td>0.1/3.9</td></tr><tr><td>FF, -40도</td><td>19.7</td><td>7.8</td><td>1.8</td><td>0.1/4.3</td></tr><tr><td>FF, 25도</td><td>18.7</td><td>7.5</td><td>2.3</td><td>0.1/4.3</td></tr><tr><td>FF, 90도</td><td>17.8</td><td>7.0</td><td>2.8</td><td>0.1/4.2</td></tr></tbody></table>	[ "제안한 LO 발생기는 어떤 공정을 이용하여 설계되었나요?", "제안한 LO 발생기는 60\$\\mathrm{nm}\$ CMOS 공정을 사용하여 설계된거니?", "그림 5의 레이아웃도에 의하면 면적은 얼마나 되는가?", "모든 인덕터, 캐패시터, 연결선은 EM 시뮬레이션을 진행한거니?", "전원 전압 1\$\\mathrm{}v\$에서는 몇 mA를 소모합니까?", "그림 6(b)은 I-path의 어떤 신호 특성을 보여주고 있습니까?", "사용한 저항과 트랜지스터는 레이아웃 후 기생성분을 추출하여 실험한거니?", "동작주파수 상에서 I-path와Q-pat간의 LO 신호 위상은 약 0.5도 차이가 나니?", "그림 6(b)이 나타내고 있는 건 I-path의 LO 신호와 Q-path의 LO 신호 잡음지수입니까?", "그림 6(a)에 따르면 S11은 몇 이하의 값을 가지니?", "동작 주파수에서는 약 몇 dB의 NF특성을 가지니?", "I-path의 LO 신호 이득은 얼마나 되니?", "다음 중 Q-path의 LO 신호 이득의 값으로 적절한 것은 무엇인가?", "I-path의 LO 신호의 이득은 7.5 \$\\mathrm{dB}\$, Q-path의 LO 신호의 이득은 7.6 \$\\mathrm{dB}\$로크기 부정합 특성은 0.1 \$\\mathrm{dB}\$ 이상인가요?", "동작주파수에서 I-path와Q-pat간의 LO 신호 위상은 몇 도인가요?", "설계한 LO 발생기의 입력 매칭 특성인 S11은 몇 이하의 값을 갖게 되나요?", "사용한 저항과 트랜지스터는 레이아웃 후 무엇을 추출해 시험 하였는가?", "표 2. 공정 및 온도 변화에 따른 24 GHz I/Q LO 발생기의 성능 요약에 의하면 TT, -40도에서 Gain/Phasemismatch의 값은 몇 이니?", "표1에 의하면 Gain (dB)으로 도출되는 TT, 25도의 값은 몇인가요?", "표 1. 설계된 24 GHz I/Q LO 발생기의 성능 요약에 따르면 Technology의 TT, 25도 값은 뭐야?", "표 1에 따르면 Operatingfrequency의 TT, 25도 값은 몇인가?", "표 2를 참고해보면 TT, -40도 일 때 S11의 값은 몇 인가요?", "S11 (dB)은 TT, 25도가 몇 입니까?", "표 2에 의하면 FF, 90도 일 때는 Gain의 값이 몇 인가요?" ]
bf3a7cfd-9e8e-4bfb-b054-6509f29a8a8d	인공물ED	심장박동 측정 레이더를 위한 $24\mathrm{GHz}$ I/Q LO 발생기	<h1>IV. 결 론</h1><p>본 논문에서는 LPF와 HPF를 이용한 24 $\mathrm{GHz}$ I/QLO 발생기를 제안하였다. 제안한 LO 발생기는 65 $\mathrm{nm}$ CMOS 공정을 사용하여 설계하였고, 전원 전압 1$\mathrm{V}$에서전류 8 $\mathrm{mA}$를 소모한다. 24 $\mathrm{GHz}$ 대역에서 7.5 $\mathrm{dB}$의 이득, 2.3 $\mathrm{dB}$의 잡음 지수, 모든 공정 및 온도 변화에 대해 I와 Q의 LO 신호간의 위상 차이가 4.3도 이내, 크기차이는 0.1 $\mathrm{dB}$ 이내의 성능을 보여주어 협대역 통신을하는 24 $\mathrm{GHz}$ 대역 심장 박동 측정 레이더 시스템에 적합하다.</p>	[ "어떤 공정을 사용하여 제안한 LO 발생기가 설계되었니?", "제안한 LO 발생기의 전원 전압 1\$\\mathrm{V}\$에서 소모되어지는 전류는 몇이니?", "24 \$\\mathrm{GHz}\$ I/QLO 발생기를 이용해 24 \$\\mathrm{GHz}\$ 대역에서 어느 정도의 이득을 발생시켰는가?", "본 논문에서 24 \$\\mathrm{GHz}\$ I/QLO 발생기를 제안하기 위해 사용한 것은 HPF와 무엇인가?", "24 \$\\mathrm{GHz}\$ I/QLO 발생기로 획득한 잡음 지수는 얼마인가?", "무엇과 LPF를 사용하여 24 \$\\mathrm{GHz}\$ I/QLO 발생기를 제안하였나요?", "본 논문에서 제안한 24 \$\\mathrm{GHz}\$ I/QLO 발생기는 어떤 시스템에 적합하니?", "어떤 시스템에서 본 논문에서 제안한 24 \$\\mathrm{GHz}\$ I/QLO 발생기가 적합한가요?", "제안한 LO 발생기에서 전류 8 \$\\mathrm{mA}\$ 소모하기 위해 전원 전압은 몇 \$\\mathrm{V}\$ 필요한가?" ]
59cd8733-c85d-44f2-a587-a2c0105119ba	인공물ED	심장박동 측정 레이더를 위한 $24\mathrm{GHz}$ I/Q LO 발생기	<h1>I. 서 론</h1><p>최근 졸음운전 사망사고율이 증가하고 있고, 고령화 사회에 접어들면서 고령자 운전에 의한 부주의, 졸음,신체적 돌발사고가 급증하고 있다.</p><p>이러한 사회적 문제의 해결책으로 IT 기술을 접목한스마트 카 연구 및 개발이 활발히 진행되고 있다. 국내에서는 24 $\mathrm{GHz}$ 물체감지센서용 무선기기의 기술기준 조건으로 주파수 대역을 24.05 $\mathrm{GHz}$에서부터 24.25$\mathrm{GHz}$의 주파수 대역을 사용하게 되어 있다.</p><p>이러한 시스템은 밀리미터파 대역의 주파수를 활용하기 때문에 LO 발생기의 설계가 중요하다. 보통 10$\mathrm{GHz}$ 이하의 RF 주파수 대역에서는 동작하는 RF 주파수의 2배 주파수에서 동작하는 전압 제어 발진기를 사용하여 나누기 2 회로를 사용하여 I/Q LO 신호를 발생하는 방법을 많이 사용한다. 그러나, 밀리미터파 대역에서는 좋은 성능을 갖는 전압 제어 발진기와 나누기 2회로의 설계가 어렵다. 다른 방법은 RC 폴리페이즈 필터를 이용하여 I/Q LO 신호를 발생하는 방법이 있다.이 방법은 신호의 손실이 크다는 단점이 있다.</p><p>논문에서는 심장 박동 측정 레이더 시스템을 위한 24 $\mathrm{GHz}$ I/Q LO 발생기를 인덕터와 캐패시터를 사용한LPF와 HPF의 기반의 24 $\mathrm{GHz}$ I/Q LO 발생기를 제안하고 65 $\mathrm{nm}$ CMOS 공정을 사용하여 설계하였다.</p>	[ "국내에서는 물체감지센서용 무선기기의 대역폭은 어떻게 설정되었나요?", "본 논문에서 제시된 졸음 운전의 원인 중 하나로 이것을 설명하고 있는데 이것은 무엇인가요?", "국내에서는 24 \$\\mathrm{GHz}\$ 물체 감지 센서용 무선기기의 주파수 대역을 24.00 \$\\mathrm{GHz}\$에서부터 24.99\$\\mathrm{GHz}\$의 주파수 대역을 사용하게 되었니?", "무선기기의 LO발생기의 설계가 중요한 이유는 무엇인가요?", "보통 I/Q LO신호를 발생하는 방법은 무엇인가요?", "논문에서는 24 \$\\mathrm{GHz}\$ I/Q LO 발생기를 어떻게 만들었나요?", "본 논문에서 인용된 주파수 30~300기가헤르츠(GHz) 대역 전파로 파장이 1㎜~1㎝로 짧아 전자회로 등을 작게 만들 때 쓸모가 있지만 공기나 물 때문에 전파가 약해지기 때문에 데이터를 전송할 수 있는 거리가 짧은 이 대역의 이름은 무엇인가요?", "RC 폴리페이즈 필터를 이용하여 I/Q LO 신호를 발생하는 방법의 단점은 무엇인가요?", "고령 운전자의 부주의, 졸음,신체적 돌발사고는 어떻게 급증하게되었나요?", "고령자 운전에 의한 부주의, 졸음,신체적 돌발사고가 급증하는 문제를 어떻게 해결하나요?", "무선기기의 LO 발생기의 작동은 어떻게 이루어지나요?", "보통 10\$\\mathrm{GHz}\$ 이하의 RF 주파수 대역에서는 I/Q LO 신호를 발생은 어떻게하나요?", "보통 10\$\\mathrm{GHz}\$ 이하의 RF 주파수 대역에서는 동작하는 RF 주파수의 2배 주파수에서 동작하는 전압 제어 발진기는 밀리미터파 대역의 설계 현황은 어떻게되나요?", "밀리미터파 대역의 주파수를 활용하여 I/Q LO 신호를 발생하기 비교적 쉬운 방법은 어떻게하는 건가요?", "논문에서는 심장 박동 측정 레이더 시스템을 어떻게 구성하였나요?", "논문의 결론에서24 \$\\mathrm{GHz}\$ I/Q LO 발생기를 어떻게 설계했나요?", "논문에서는 심장 박동 측정 레이더 시스템을 어떻게 제작하였나요?", "보통 사용되는 I/Q LO 신호를 발생하는 방법의 단점은 무엇인가요?" ]
26a6e59e-42d5-44a0-9df0-5e51322b64f0	인공물ED	심장박동 측정 레이더를 위한 $24\mathrm{GHz}$ I/Q LO 발생기	<h1>요 약</h1><p>본 논문에서는 심장박동 측정 레이더 송수신기용 24 $\mathrm{GHz}$ I/Q 발생기를 제안한다. 공정 변화에 따른 I/Q LO 신호간의 부정합 특성을 개선하기 위하여 인덕터와 캐패시터로 구성된 high-pass 위상천이기와 low-pass 위상천이기 기반 24 $\mathrm{GHz}$ I/Q LO발생기를 제안하였다. 제안한 24 $\mathrm{GHz}$ I/Q 발생기는 LO 버퍼와 high-pass 위상천이기와 low-pass 위상천이기 구성된 24 $\mathrm{GHzI}$/Q LO 발생기는 65 $\mathrm{nm}$ CMOS 공정에서 설계되었고, 전원 전압 1 $\mathrm{V}$에서 8 $\mathrm{mA}$의 전류를 소모하면서 24.05 $\mathrm{GHz}$에서 24.25$\mathrm{GHz}$의 주파수 대역에서 7.5 $\mathrm{dB}$의 전압 이득, 2.3 $\mathrm{dB}$의 잡음 지수, 공정 및 온도 변화에 대해 0.1 $\mathrm{dB}$의 I/Q 이득 부정합, 4.3도의 I/Q 위상 부정합의 성능을 보인다.</p>	[ "24 \$\\mathrm{GHz}\$ I/Q LO발생기는 무엇을 개선하기 위해 제안되었나요?", "24 \$\\mathrm{GHzI}\$/Q LO 발생기는 CMOS 공정에서 얼마의 길이로 설계되었나요?", "24 \$\\mathrm{GHz}\$ I/Q 발생기는 어떤 측정 레이더의 송수신기용으로 제안했나요?", "I/Q LO 신호간의 부정합 특성은 어떤 변화에 따른건가요?", "어떤 변화로 인해 0.1 \$\\mathrm{dB}\$의 I/Q 이득 부정합, 4.3도의 I/Q 위상 부정합의 성능을 보이나요?" ]
3e18fd59-1284-44dd-8570-50767192a9d8	인공물ED	GPS 수신기를 위한 3 차원 배열 안테나의 도래각 추정 및 빔 형성 성능 분석	<h1>III. 컴퓨터 시뮬레이션 및 결과</h1> <p>상기의 5 가지 형태의 3 차원 배열 안테나 구조에 따른 DOA 추정 결과와 추정 오차 및 빔 형성을 통한 BER 의 분포 등을 컴퓨터 시뮬레이션 하였으며 이를 표 1 에 나타내었다. 여기서 $ (\mathrm{x}, \mathrm{y}) $ 는 $ \theta $ 와 $ \phi $ 의 값을 나타낸다.</p> <p>그림 3 의 (a), (b), (c), (d)는 MUSIC 알고리즘을 적용할 때 Flat 7-element 형과 Curved 7-element 형, Stack 7-element 형과 Cross 7-element 형의 DOA 추정 결과를 나타낸 것이다. MUSIC Spectrum상에서 4 개의 피크점이 분포되어 원하는 DOA 추정 결과를 3 가지의 안테나에서는 알 수 있지만 Stack 7-element 형은 $ \mathrm{x}, \mathrm{y}, \mathrm{z} $ 축 중 한축으로 배열된 형태이므로 추정 결과가 나쁨을 알 수 있다.</p> <p>그림 4는 Jammer의 전력에 따른 DOA 추정 오차를 나타낸 것으로서 추정 오차는 수직각을 고정시킨 후 수평각의 차이를 나타낸 것이다. 단일 Jammer 의 경우와 2 Jammer 의 경우를 나타낸 것으로 GPS 각도와 크기를 (5,5) 와 $ 0 \mathrm{~dB} $, Jammer 각도와 크기를 (40,10), (-40,-20) 와 $ 30 \mathrm{~dB} $ 씩 갖도록 변화하였다. 단일 Jammer 의 경우 Curved (B) 7-Element 가 가장 DOA 오차가 적은 것으로 나타났으며 2 Jammer의 경우 Cross 형태와 Flat 형태가 거의 동등한 성능을 보이고 Curved 배열이 조금 우수하며 가장 우수한 성능은 Curved (B) 7-element임을 알 수 있다. 또한 Jammer의 수가 증가할수록 DOA 오차가 커짐을 알 수 있다.</p> <table border><caption>표 1. 시뮬레이션 파라메터</caption> <tbody><tr><td>SNR</td><td>0dB</td></tr><tr><td>GPS 신호 각도</td><td>(0,0)</td></tr><tr><td>GPS 신호 크기</td><td>0dB</td></tr><tr><td>Jammner 각도</td><td>(40,10)(-40,20)(40,60)(-20,20)</td></tr><tr><td>Jammer 크기</td><td>30dB(30dB)(30dB)(30dB)</td></tr></tbody></table> <p>이와 같은 배열 구조에서 DOA 추정 결과를 이용하는 통신 시스템을 구성할 때 빔 형성의 결과를 보이기 위한 BER 특성을 분석하였으며 변복조 방식으로는 BPSK를 적용하였으며 빔 형성 알고리즘으로는 LCMV을 사용하였고 GPS 방향을 모르는 경우는 방향으로 (0,0) 로 가정하였다. 그림 5 는 Jammer의 수를 3,4 로 하였을 때 GPS 정보를 이용할 때와 모를 때 이들 3 차원 배열 안테나를 사용할 때의 비토 오율 특성을 나타낸 것이다. 그림에서 3 차원의 경우 Curved (B) 형이 가장 우수함을 알 수 있지만 Jammer의 수가 증가함으로써 매우 양호한 톡성을 얻을 수 있음을 알 수 있다.</p> <p>그러나 실제적인 채널은 매우 복잡하며 신호의 광대역성과 평면파 가정이 성립되지 않으므로 실제로 입사되는 신호는 일정 각도를 중심으로 퍼져서 수신될 것이다. 이와 같은 각도 퍼짐 (Angle Spread)는 DOA 추정 결과를 떨어뜨려서 시스템의 성능 저하의 원인이 된다. 각도 퍼짐 현상을 최소화하기위한 방안으로 GPS 정보를 이용한다. 그림 6 은 각도 퍼짐을 0에서 10 도 단위로 90 도 까지 변화시킬 때 GPS 방향 정보가 없을 때와 있을 때의 single jammer 전력이 $ 30 \mathrm{~dB} $ 일 때의 BER 분포를 나타낸 것으로서 각도 퍼짐이 커질수록 BER 이 매우 열악해짐을 알 수 있으며 GPS 정보를 이용함으로써 이를 크게 개선할 수 있음을 알 수 있다.</p>	[ "표에서 신호대 잡음비와 같은 값을 가진 파라미터는 무엇일까?", "표에서 (0,0)의 값을 가지는 파라미터는 뭐야?", "표에서 시뮬레이션에서 사용한 Jammer 크기는 얼마일까?", "본문에서 각도 퍼짐 현상을 줄이기 위해서 어떻게 하였나?", "시뮬레이션에서 신호대잡음비는 얼마를 사용하였나?", "표에서 시뮬레이션에 사용한 Jammner 각도 크기가 가장 큰 것은 뭐야?" ]
f0c90eb1-48dc-466c-86da-813c59af32c2	인공물ED	병렬연결법에 의한 1.8V CMOS Self-bias 고속 차동증폭기의 이득 개선	<p>본 논문에서는 CMOS 자기바이어스 차동증폭기의 이득을 증가시키는 새로운 방법을 제안하고자 한다. 본 논문에서 제안한 병렬연결 방법을 이용한 것으로써 이 방법을 통하여 구성한 병렬형 CMOS 자기바이어스 차동증폭기를 그림 4에 나타내었다. 그림 4(a)의 회로는 CMOS 자기 바이어스 차동증폭기의 입력과 출력을 각각 병렬로 구성한 회로이며 이 회로의 특성을 분석하기 위한 소신호 등가회로를 그림 4(b)에 나타내었다.</p><p>이 회로는 좌우 완전대칭의 병렬형 구조이기 때문에 그림 4(b) 의 소신호 등가회로를 구성할 때 그림 1(b)의 소신호 등가회로 두개를 병렬로 구성할 수 있으며 두 회로가 공통연결되는 부분은 전압 $ V_{2} $ 와 $ V_{3} $ 의 사이인 $ 2 \mathrm{gd} $ 가 직렬연결된 부분이다. 그러므로 이 회로의 해석은 한 개의 이득단 만을 가질 때의 해석한 식(1)에서 식(7)까지의 결과를 사용할 수있으며 이 방법에 의하여 각각 좌우측의 소신호 회로를 해석한 전압이득 결과를 식 (8)과 (9)에 나타내었다.</p><p>$ A_{d m 1} \cong \frac{v_{o u t}^{+}}{v_{i n 1}-v_{i n 2}} \cong \frac{\left(g_{m 1 a}+g_{m 2 a}\right)}{\left(g_{d 3 a}+g_{d 4 a}\right)} $<caption>(8)</caption></p><p>$ A_{d m 2} \cong \frac{v_{\text {out }}-}{v_{\text {in } 2}-v_{i n 1}} \cong \frac{\left(g_{m 1 b}+g_{m 2 b}\right)}{\left(g_{d 3 b}+g_{d 4 b}\right)} $<caption>(9)</caption></p><p>결과적으로 식(8)과 (9)에 의하여 차동입력에 대한 차동출력이 식(10)과 같이 얻어진다.</p><p>$ A_{d m} \cong \frac{v_{\text {out }}{ }^{+}-v_{\text {out }}^{-}}{v_{\text {in1 }}-v_{\text {in2 }}} \cong \frac{2\left(g_{m 1}+g_{m 2}\right)}{\left(g_{d 3}+g_{d 1}\right)} $<caption>(10)</caption></p><p>식(10)은 한 개의 이득단으로 구성하였던 식(8)과 식(9)에 비하여 그 이득이 2 배의 크기를 가질 수 있음을 보여 주고있다. 이 결과를 HSPICE 시뮬레이션을 통하여 확인해 본 결과 그림 5와 같은 특성을 얻을 수 있었다. 그림 5에서 (a)의 경우 기존의 CMOS 자기바이어스 차동증폭기의 이득이 $ 58 \mathrm{~dB} $ 에 비해 제안된 (b)의 병렬연결형 CMOS 자기바이어스 차동증폭기의 경우, $ 64 \mathrm{~dB} $ 로써 거의 2 배의 크기 $ (6 \mathrm{~dB}) $ 만큼의 이득이 증가되었음을 확인 할 수 있었다. 또한 주파수 특성에 있어서도 제안된 차동증폭회로의 단위이득 주파수 값이 $ 49 \mathrm{MHz} $ 로써 그림 1 의 기존 원회로의 $ 20 \mathrm{MHz} $ 에서 $ 29 \mathrm{MHz} $ 로주파수 특성도 증가할 수 있음을 확인하였다.</p><p>그러나 제안된 병렬연결형 CMOS 자기바이어스 차동증폭기의 위상특성을 분석한 결과는 좋지 않은 결과를 얻었는데 이를 해결하기 위하여 $ M_{\mathrm{c} 1} $ 과 $ M_{\mathrm{c} 2} $ 의 보상회로를 구성하고 최종적으로 완성한 회로를 그림 6에 나타내었다. 그림 7은 제안된 증폭기의 위상을 특성을 보여주고 있는데 개선 전의 특성인 (a)의 경우에 일부 주파수 구간에서 60 도에 가까운 값으로 떨어져 있었으나 개선 후의 특성인 (b)의 경우를 볼때, 단위이득 주파수 이내의 모든 대역에서 위상이 90 도 이상으로 우수한 위상 특성을 갖을 수 있음을 확인하였다.</p><p>본 논문에서 제안된 그림 6의 병렬연결형 CMOS 자기바이어스 차동증폭기를 표준 $ 0.8 \mu \mathrm{m}$ CMOS 공정 파라메타를 이용하여 전체특성을 시뮬레이션 하였고 그림 1의 CMOS 자기바이어스 차동중폭기와 그 특성을 비교하여 표 1에 나타내었다.</p><table border><caption>표 1 CMOS자기바이어스 증폭기들의 특성 비교</caption><tbody><tr><td>Simulation parameter</td><td>Typical CMOS self-bias differential Amplifier, Reference [1]</td><td>Proposed parallel CMOS self-bias differential amplifer, [This paper]</td></tr><tr><td>Parameter</td><td>$ 0.8 \mu \mathrm{m} $ CMOS</td><td>$ 0.8 \mu \mathrm{m} $ CMOS</td></tr><tr><td>Supply voltage</td><td>$ 1.8 \mathrm{~V} $</td><td>$ 1.8 \mathrm{~V} $</td></tr><tr><td>Load capacitor</td><td>$ 1 \mathrm{pF} $</td><td>$ 1 \mathrm{pF} $</td></tr><tr><td>Unity gain frequency</td><td>$ 20 \mathrm{MHz} $</td><td>$ 49 \mathrm{MHz} $</td></tr><tr><td>Open loop gain</td><td>$ 58 \mathrm{dB} $</td><td>$ 64 \mathrm{dB} $</td></tr><tr><td>Phase margin</td><td>$ 60^{\circ} $</td><td>$ 93^{\circ} $</td></tr><tr><td>Power dissipation</td><td>$ 0.08 \mathrm{~mW} $</td><td>$ 0.16 \mathrm{~mW} $</td></tr></tbody></table><p>$ 1.8 \mathrm{V} $ 의 같은 공급전압과 $ 1 \mathrm{pF} $ 의 같은 부하조건하에서 시행된 시뮬레이션 결과, 제안된 병렬연결 방법에 의하여 설계된 차동증폭기의 특성이 기존 CMOS 자기바이어스 차동증폭기의 비하여 소비전력이 다소 증가되는 단점이 있기는 하지만 이득 및 주파수 그리고 위상 특성을 모두 개선할 수있음을 확인할 수 있다.</p>	[ "다음 중 그림4의 회로는 어떤 방법으로 구성되어있는가?", "논문이 제시하는 새로운 방법은 어떻게 되는가?", "회로를 해석하기 위해 사용되는 해석은 어떻게 되는가?", "회로를 구성할 때 소신호 등가회로가 공통연결된 곳은 어떻게 되는가?", "CMOS 자기 바이어스 차동증폭기의 입력과 출력이 병렬로 구성된 회로의 특성은 어떻게 나타내어졌는가?", "병렬연결형 CMOS 자기바이어스 차동증폭기의 이득은 어떻게 되는가?", "\$ A_{d m 2} \\cong \\frac{v_{\\text {out }}-}{v_{\\text {in } 2}-v_{i n 1}} \\cong \\frac{\\left(g_{m 1 b}+g_{m 2 b}\\right)}{\\left(g_{d 3 b}+g_{d 4 b}\\right)} \$<caption>(9)</caption>이 식은 이득단이 어떻게 구성되어있는가?", "CMOS 자기 바이어스 차동증폭기가 구성된 회로의 구조는 어떻게 되는가?", "회로를 해석 할 때 한 개의 이득을 가진 결과를 이용하여 전압이득의 결과를 어떻게 구하는가?", "개선이 된 후의 특성인 (b)의 결과는 어떻게 되는가?", "제안된 병렬연결형 CMOS 자기바이어스 차동증폭기의 결과가 나빴기에 보완하기 위해 어떻게 구성되었는가?", "\$ A_{d m} \\cong \\frac{v_{\\text {out }}{ }^{+}-v_{\\text {out }}^{-}}{v_{\\text {in1 }}-v_{\\text {in2 }}} \\cong \\frac{2\\left(g_{m 1}+g_{m 2}\\right)}{\\left(g_{d 3}+g_{d 1}\\right)} \$<caption>(10)</caption>식은 무엇이 어떻게 얻어지는가?", "기존의 CMOS 자기바이어스 차동증폭기의 이득은 어떻게 되는가?", "병렬연결형 CMOS 자기바이어스 차동증폭기가 작동되어 어떻게 시뮬레이션 되었는가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Parameter의 Typical CMOS self-bias differential Amplifier, Reference 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Supply voltage\t의 Typical CMOS self-bias differential Amplifier, Reference 는 무엇인가?", "개선 전의 특성인 (a)의 특성은 어떻게 되는가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Load capacitor\t\t의 Typical CMOS self-bias differential Amplifier, Reference 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Unity gain frequency의 Typical CMOS self-bias differential Amplifier, Reference 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Open loop gain\t의 Typical CMOS self-bias differential Amplifier, Reference 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Phase margin\t의 Typical CMOS self-bias differential Amplifier, Reference 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Power dissipation의 Typical CMOS self-bias differential Amplifier, Reference 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Power dissipation의 Proposed parallel CMOS self-bias differential amplifer 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Phase margin\t의 Proposed parallel CMOS self-bias differential amplifer 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Open loop gain\t의 Proposed parallel CMOS self-bias differential amplifer 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Unity gain frequency의 Proposed parallel CMOS self-bias differential amplifer 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Load capacitor\t의 Proposed parallel CMOS self-bias differential amplifer 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Supply voltage\t의 Proposed parallel CMOS self-bias differential amplifer 는 무엇인가?", "CMOS자기바이어스 증폭기들의 특성에 대해서 Parameter의 Proposed parallel CMOS self-bias differential amplifer 는 무엇인가?", "\$ 1.8 \\mathrm{V} \$ 와 동일한 크기의 전압을 공급하고 \$ 1 \\mathrm{pF} \$ 와 동일한 조건에서 시뮬레이션한 결과는 어떻게 되는가?", "제안하는 차동증폭기의 좌측 신호 회로의 전압이득 결과는 어떻게 나타낼 수 있나요?" ]
7714dc68-7c04-49c4-87b5-58debf869173	인공물ED	3GPP W-CDMA 시스템에서 개선된 초기 셀 탐색 알고리즘	<h1>III. 셀 탐색 시뮬레이션 모델 및 수식적 분석</h1> <p>그림 2는 초기 셀 탐색 시뮬레이션을 위한 모델로서, 동기 채널 외에 해당 기지국에서 전송되는 신호와 타 기지국에서 전송되는 신호, 그리고 열잡음 등이 수신된다. 해당 기지국에서 동기 채널을 제외한 신호들은 동기 채널과 직교성이 유지되지 않기 때문에 AWGN으로 모델링 할 수 있다. 한편, 타 기지국에서 전송되는 신호와 열잡음은 AWGN으로 모델링 하였다. 그리고 페이딩 채널을 위해 4개의 다중 경로를 갖는 Jake's model 의 레일리 페이딩 채널을 고려하였다.</p> <p>그림 3은 수신기 구조를 나타내고 있다. 여기에서 두 번째 단계에서는 주 동기 코드로부터 위상 정보를 받아 위상 보상을 수행하는 coherent 검출기를 고려하였다.</p> <p>본 시뮬레이션에서는 현재 비동기 IMT-2000 규격인 $ 3.84 \mathrm{Mcps} $ 의 칩 속도와 $ 2 \mathrm{GHz} $의 carrier 주파수를 고려 하였다. 두 동기 코드 길이는 256칩이며, 한 프레임은 $ 10 \mathrm{msec} $로 15개의 슬롯으로 구성되며, 한 술롯은 2560 칩으로 이루어진다. 본 논문에서는 이동국이 셀 탐색을 시작하는 시각은 한 프레임 내에서 균일한 분포를 가 지며, 평균적인 성능을 계산하기 위해 이동국이 하나의 셀 내에서 균일하게 분포하는 것으로 가정하였다. 또한, 주 동기 채널과 부 동기 채널의 전력은 각가 해당 기지국에서 전송되는 전력의 $ 2.5 \% $로 설정하였다. 한편, 세 번째 단계의 동작은 한 프레임을 탐색하면 제대로 찾는다고 가정하고 확산코드를 찾는 과정은 생략하였다. 또한, 첫 번째 단계를 위해 256탭(Tap)의 디지털 정합 필터를 이용하여 칩 당 하나의 샘플을 이용하는 구조를 가정하였다. 본 시뮬레이션에서는 두 번째 단계 까지 탐색이 끝난 후 첫 번째 단계와 두 번째 단계 중에서 적어도 하나의 단계에서 오류가 발생된 경우에는 벌칙 시간(Penalty time)이 추가되면서 첫 번째 단계부 터 다시 시작하게 된다. 본 시물레이션에서는 3프레임 의 신호를 복조하면 맞는지 틀린지를 판단할 수 있다고 가정하고 벌칙 시간을 $ 30 \mathrm{~ms} $ 로 하였다. 본 논문에서는 다양한 채널환경을 고려하기 위해 이동국의 속도롤 $ 3 \mathrm{~km} / \mathrm{h} $와 $ 120 \mathrm{~km} / \mathrm{h} $로 설정하였으며, 첫 번째 단계에서 찾은 슬롯 동기가 다중경로 신호 중 하나와 동일한 경우에 오류 없이 포착된 것으로 가정하였다. 표 1은 본 논문에서 고려한 다중 채널 모델로서 ITU-R TG8-1의 vehicular A 모델을 칩 단위로 수정한 다중 경로 모델이다.</p> <table border><caption>표 1. 수정된 ITU-R 다중경로 채널 모델</caption> <tbody><tr><td>경로</td><td>상대적인 지연($\mathrm{nsec}$)</td><td>평균 전력 ($\mathrm{dB}$)</td></tr><tr><td>1</td><td>0</td><td>0.0</td></tr><tr><td>2</td><td>260</td><td>-1.0</td></tr><tr><td>3</td><td>780</td><td>-9.0</td></tr><tr><td>4</td><td>1040</td><td>-10.0</td></tr></tbody></table> <p>또한, 본 시뮬레이션은 자기 기지국 이외에서 수신된 신호의 칩 단위 전력에 대한 자기 기지국의 칩 단위 총 전력에 대해 수행되었으며, 이동국이 속한 셀의 경계 지역을 신호(자기 기지국의 총 전력)대 잡음(다른 기지국에서 수신된 총 전력+열잡음)비가 $ 0 \mathrm{~dB} $인 지점으 로 설정하였으벼 중삼 지역의 신호 대 잡음비를 $ 12 \mathrm{~dB} $로 설정하였다. 따라서, 본 논문의 시뮬레이션은 신호 대 잡음비가 $ 0 \sim 12' \mathrm{dB} $인 영역에서 수행되었다.</p> <p>또한, 기존의 알고리즘에 대해 셀 탐색 첫 번째 단계인 슬롯의 동기를 제대로 찾을 확률을 수식적으로 분 석하였다. 이 수식적 분석의 목적은 시뮬레이션이 지금까지의 기준값을 두고 판단을 하는 방법이 아닌 가장 큰 값을 이용하는 알고리즘에 대해 수행되었는데 이런 방법에 의해 수행된 셀 탐색 시뮬레이션 관련 자료가 없는 관계로 시뮬레이션이 제대로 수행되었는지를 검증하는데 있다. 따라서, 수식적 분석에서는 다중 경로 신호와 도플러 효과는 고려하지 않고 레일리 페이딩 채널만 고려하였다. 또한, 수식적 분석에서는 슬롯 동기 확률만 분석하였다. 실제 셀 탐색에 있어서 오보 확률(false-alarm probability)도 중요하지만 현재 3GPP에서 제안된 셀 탐색 방법은 3단계를 거친 후 기지국을 찾게 되는데 이 과정에서 미리 정해진 기준 값을 이용해서 동기를 찾는 것이 아니고 겁증 단계 없이 가장 큰 값을 기준으로 동기를 찾게 된다. 따라서, 데이터를 복조한 후에야 제대로 찾았는지를 알 수 있다. 그러므로 가장 큰 값을 기준으로 셀을 찾는 방넙에서는 오보 확률이 '1-동기 확률'이 된다. 수식적인 분석 결과 슬롯 동기 확률 $ P_{s l o t} $는 다음과 같이 나타낼 수 있으며 자세한 수식유도는 부록에 나와 있다.</p> <p>$ \begin{aligned} P_{\text {slot }} &=\int_{0}^{\infty} \int_{0}^{\infty} \int_{0}^{\infty} \frac{1}{4 \cdot 2^{L} \cdot \sigma_{a}^{2} \cdot \sigma_{c}^{2} \cdot \sigma_{d}^{2 L} \cdot \Gamma(L)} \cdot d^{L-1} \\ & \cdot\left(\frac{a}{s^{2}}\right)^{(2 L-2) / 4} \cdot I_{L-1}\left(\frac{\sqrt{a} s}{\sigma_{a}^{2}}\right) \cdot \exp \left(-\left(\frac{s^{2}+a}{2 \sigma_{a}^{2}}+\frac{c}{2 \sigma_{c}^{2}}+\frac{d}{2 \sigma_{d}^{2}}\right)\right) \\ & \cdot\left[\int_{0}^{a} \frac{1}{2^{L} \cdot \sigma_{b}^{2 L} \cdot \Gamma(L)} \cdot b^{L-1} \cdot \exp \left(-\frac{b}{2 \sigma_{b}^{2}}\right) d b\right]^{2559} d a d c d d \end{aligned} $</p> <p>여기서,</p> <p>$ \sigma_{a}^{2}=\sigma_{b}^{2}=\frac{\alpha^{2} P_{\text {och }}}{512}+\frac{1}{512} $ $ \sigma_{c}^{2}=\sigma_{d}^{2}=0.5 $ $ s^{2}=\frac{1}{2} P_{s c h} \sum_{m=1}^{L} \alpha_{m}^{2} $</p>	[ "표 1. 수정된 ITU-R 다중경로 채널 모델에서 상대적인 지연(\$\\mathrm{nsec}\$)의 최댓값은 얼마지?", "표 1. 수정된 ITU-R 다중경로 채널 모델에서 경로 4의 상대적인 지연(\$\\mathrm{nsec}\$)값은 얼마야?", "표 1. 수정된 ITU-R 다중경로 채널 모델에서 -1.0이라는 평균 전력 (\$\\mathrm{dB}\$)을 갖는 경로는 어느 것이지?", "표 1. 수정된 ITU-R 다중경로 채널 모델에서 전체 경로의 평균 전력 (\$\\mathrm{dB}\$) 중 최솟값은 얼마야?", "표 1. 수정된 ITU-R 다중경로 채널 모델에서 상대적인 지연(\$\\mathrm{nsec}\$)값이 두번째로 높은 경로는 무엇이지?", "본 연구에서 시뮬레이션을 진행하기 위한 첫 번째 단계를 위해 어떤 방법을 취했습니까?", "본 시뮬레이션에서 첫 번째 단계로 돌아가 시작되게 되는 과정은 어떻게 진행됩니까?", "본 연구에서 시뮬레이션을 위한 모델은 어떤 방법으로 모델링 됐지?" ]
2807cafd-9c7b-4fc7-a60d-bfebb152322c	인공물ED	동적 분할 기법을 이용한 비디오 데이터의 대표키 프레임 추출	<h1>IV. 구현 및 평가</h1> <p>비디오 자료의 내용 및 분야별 특성을 고려하여, 동적 분할 기법을 적용하여 대표키 프레임을 추출하는 방법을 평가하기 위하여, 실험에 사용된 시스템 전체의 구조와 설계된 시스템 각각의 구성 요소들을 기술하고, 그 결과를 평가하였다.</p> <h2>1. 시스템 구조</h2> <p>전체 시스템의 구조는 그림2와 같으며, 이 논문에서는 표시된 부분과 같이 비디오 자료의 분석 부분과 대표키 프레임 추출 부분을 다루었다. 비디오 자료의 구조화를 통하여 나온 대표키 프레임은 객체 지향 모델에서 비디오 자료에 관한 내용 기반 검색을 위한 색인을 구성하기 위한 메타 데이터로 이용하게 된다.</p> <p>비디오 자료의 입력은 비디오 분석기(Video Analyzer)에서 메타 데이터를 위한 주석 처리 부분 (Annotation System)과 비디오 자료 색인을 위한 대표키 프레임을 추출하기 위한 분석 작업을 한다. 생성된 메타 데이터와 비디오 색인을 이용하여, 비디오의 시간적 특성이 표현된 시간 지원 비디오 데이터 모델(Temporal Video Data Model)은 객체 지향 데이터베이스를 기반으로 한다. 구축된 비디오 자료는 메타 데이터와 비디오 색인과 시간 특성이 반영된 시간 질의 모델(Temporal Query Model)에 의해 사용자(User)가 이용할 수 있다.</p> <h2>2. 구현</h2> <p>구현은 Windows98 환경에서 Visual $ \mathrm{C}++6.0 $을 이용하여 MFC라이브러리와 MCI(Media Control Interface) 기능을 이용하여 AVI, MPG, WAV, MID, RMI 파일을 대상으로 하였다. 그림3은 구현된 프로그램의 수행 과정이다. 실험 자료 중의 하나인 광고에서 대표키 프레임을 추출하여 일부 프레임들을 보여주고 있으며, 대표키 프레임의 프레임 번호를 화면상에 표시하였다.</p> <p>대표키 프레임을 추출하기 위해서 자료가 있는 드라이브를 선택하고, 비디오 영상이 있는 폴더를 지정한다. 비디오 자료형을 선정한 후, 프레임 추출 버튼을 누른다. 그러면, 선택한 비디오 자료의 전체 프레임 수와 수행 시간, 추출된 대표키 프레임 수와 해당 대표키 프레임의 영상을 보여준다. 추출된 대표키 프레임 수가 화면에 나타난 것보다 많을 경우에, 자세히 보기 버튼을 누르면 모든 대표키 프레임과 사용된 영상을 확인 할 수 있다.</p> <h2>3. 제안 알고리즘의 효율성 및 결과 분석</h2> <p>실험에 사용된 분야별 동영상들을 표 2에 제시하였다. 수집된 자료는 초당 프레임 수가 각기 달랐으며, 표2에서는 비교를 위하여 초당 프레임 수를 초당 30프레임으로 변경하여 계산되었다. 표에에 의해 분야별, 내용별로 샷당 프레임 수에 차이가 있음을 알 수 있다.</p> <p>정확성은 주어진 비디오 자료의 대표키 프레임을 추출하도록 하여, 이를 사람이 판단할 수 있는 대표키 프레임 수와 비교하였다. 제안된 방법으로 추출된 대표키 프레임은 표3과 같이 실제 눈으로 확인된 거의 모든 대표키 프레임을 찾을 수 있다.</p> <p>또한 제안한 비디오 자료의 특성을 적용한 동적 분할 방법은 추출할 대표키 프레임 수나 분야 등을 지정하지 않고, 어떤 동영상 자료에서도 대표키 프레임을 효율적이고 정확히 추출하였다.</p> <table border><caption>Title</caption> <tbody><tr><td></td><td colspan=2>Commercials</td><td colspan=2>Movie Clip</td><td colspan=2>Music Video</td><td colspan=2>News</td></tr><tr><td></td><td>C.D</td><td>F.D</td><td>C.D</td><td>F.D</td><td>C.D</td><td>F.D</td><td>C.D</td><td>F.D</td></tr><tr><td>균등 분할</td><td>6</td><td>4</td><td>5</td><td>4</td><td>4</td><td>3</td><td>4</td><td>2</td></tr><tr><td>클러스터링</td><td>4</td><td>6</td><td>4</td><td>5</td><td>3</td><td>4</td><td>3</td><td>3</td></tr><tr><td>특징 차이</td><td>8</td><td>2</td><td>6</td><td>3</td><td>6</td><td>1</td><td>5</td><td>1</td></tr><tr><td>동적 분할</td><td>9</td><td>1</td><td>7</td><td>2</td><td>6</td><td>1</td><td>6</td><td>0</td></tr></tbody></table> <p>표 3의 결과는 실제 눈으로 확인 가능한 씬의 개수와 실험을 통하여 추출된 대표키 프레임과 비교하여 산출한 것으로, 제안한 방법이 다른 방법 보다 정확함을 보였다. 계승된 특징 차이를 이용한 방법에서는 사용자가 원하는 대표키 프레임 수에 의한 균등 분할 방법을 사용하였기 때문에, 사용자가 원하는 대표키 프레임 수가 다를 경우 대표키가 아니거나 혹은 대표키임에도 불구하고 추출되지 않은 경우가 발생한다.</p> <p>전체 프레임 수가 $ \mathrm{N} $이고, 대표키 프레임의 수가 $ \mathrm{n} $, 분할 수가 p인 비디오 자료를 가정하자. 제안한 알고리즘은 비디오 자료를 $ \mathrm{p} $ 개로 분할하므로 특징 산출 시간이 $ \mathrm{p} $만큼 필요하다. 다음의 각 단계부터는 추가적인 하나의 특징 산출 시간이 필요하고, 분할 기준을 위한 시간은 최대 $ 0.15 \mathrm{~N} $ 이 필요하다. 그러므로 제안한 알고리즘은 $ \mathrm{n} $개의 대표키 프레임이 추출 될 때까지 반복하게 되므로, 작업에 필요한 특징 산출 시간은 최대로 $ \mathrm{O}(0.15 \mathrm{~N}+2 \mathrm{p}-\mathrm{n}-1) $이다</p> <p>반면에 일반적인 방법에서는 컷 검출을 통하여 키 프레임을 추출한 후, 비슷한 키 프레임을 집단화하여 대표키를 추출한다. 일반적으로 키 프레임을 찾기 위해서는 모든 프레임 $ \mathrm{N} $에 대하여 조사해야 하므로 전체 특징 산출 시간은 $ \mathrm{O}(\mathrm{N}) $가 필요하다. 여기서 $ \mathrm{N} \gg \mathrm{p} $이고 대략 $ p=\left(\frac{1}{30} \sim \frac{1}{180}\right) N $이므로 기존 방식의 $ \mathrm{N} $ 보다 제안된 방식은 $ 0.15 \mathrm{~N}+2 \mathrm{p}-\mathrm{n}-1 $이므로 매우 효율적임이 증명된다.</p>	[ "표에서 동적 분할 행에서 가장 큰 값이 몇이야?", "표에서 균등 분할의 Commercials의 C.D 값이 뭐야?", "표에서 특징 차이 행에서 1 값을 나타내는 열 중에서 F.D의 음악에 관련된 열의 이름이 뭐야?", "표에서 클러스터링 행 중에 가장 높은 값에 해당하는 Commercials\t은 뭐야?", "표에서 가장 큰 값이 해당하는 행의 이름이 뭐지?", "표에서 C.D값이 9인 행의 이름이 뭐야?", "표에서 0값은 News의 어떤 열이 포함해?", "표에서 클러스터링 행에서 가장 높은 값은 몇이야?", "표에서 News에 대한 균등 분할 행 중에서 더 작은 값에 속하는 열의 이름이 뭐야?", "표에서 Movie Clip의 F.D 값의 특징 차이는 몇이야?" ]
d62ddf35-6e17-465f-b9a0-d53ccab602ce	인공물ED	동적 분할 기법을 이용한 비디오 데이터의 대표키 프레임 추출	<h2>2. 분할 기준 선정</h2> <p>비디오의 분야별 툭성을 파악하기 위하여 실험을 통하여 표1로 정리하였다. 표1에서와 같이 분야별로 샷당 평균 프레임 수가 다른 특징이 있었다. 즉 비디오 자료는 분야별로 표현하려는 내용에 따라 편집 기법이 다르기 때문이다. 즉 30초 분량의 상업용 광고의 경우 총 프레임 수가 2455 , 샷이 65개로 샷당 평균 프레임 수는 38개 프레임이 된다. 뉴스의 경우는 14분 분량일 때 프레임 수가 25628개, 샷이 210개로 샷당 평균 프레임 수는 122개 프레임이다. 이와 같이 상업용 광고라는 분야 특성상 샷당 프레임 수가 뉴스보다 적은 특성을 가지고 있다. 이런 자료의 분야별 특성을 이용하여 분할 기준을 제시할 수 있으나 같은 분야의 비디오도 내용별로 샷당 평균 프레임 수 크게 다르다. 따라서 이 연구에서는 비디오 자료에 따른 특성을 고려한 동적 분할 기법을 적용한 대표키 프레임 추출을 제안한다.</p> <p>표 1은 분야별 샷당 평균 프레임 수를 나타낸 것으로 이를 위한 기본 자료는 표2에 제시한 비디오 영상을 기초로 하여 계산하였다. 이를 보면 비디오는 분야 별로 특징이 있음을 알 수 있을 뿐만 아니라 같은 분야에서도 내용별로 차이가 많이 있음을 알 수 있다.</p> <table border><caption>표 1. 비디오 자료의 특성</caption> <tbody><tr><td>Video Sequence</td><td># Frames</td><td># Shots</td><td>Min:Sec</td><td>Frames per average shot</td></tr><tr><td>Commercials</td><td>2455</td><td>65</td><td>1:48</td><td>38</td></tr><tr><td>Movie cip</td><td>12329</td><td>187</td><td>6:44</td><td>66</td></tr><tr><td>Music Video</td><td>14395</td><td>108</td><td>7:52</td><td>133</td></tr><tr><td>News</td><td>25628</td><td>210</td><td>14:00</td><td>122</td></tr></tbody></table> <p>비디오는 분야가 갖는 특성에 의해 샷당 평균 프레임 수가 다르며, 이는 어떤 의미의 구분을 나타내는 씬에 해당하는 영상의 길이도 해당 분야별로 다른 특징을 나타내고 있다. 비디오는 표1에서와 같이 샷당 프레임 수가 각각의 영상 분야별로 특징이 있음을 알 수 있다. 즉, 광고나 뮤직 비디오같이 많은 내용을 짧은 시간에 함축적으로 표현하는 분야는 샷당 프레임 수가 적고, 드라마나 뉴스 스포츠 등과 같이 그 내용이 설명적이거나 어떤 사실을 보여주는 분야는 샷당 프레임 수가 매우 크다. 이런 분야별 특징을 반영하지 않고 일정한 크기로 분할하여 대표 키 프레임을 추출하는 것은 문제가 있다. 그러므로 대표키 프레임을 추출하기 위한 분할 기준을 비디오의 특징에 맞도록 적용을 해야 한다. 그러나 기존의 대표키 프레임을 추출하는 기법에서는 분할 기준을 일정한 크기로 고정하거나, 사용자가 원하는 대표키 프레임 수의 일정 배수가 되도록 분할 기준을 정하고 있다.</p> <p>대표키 프레임은 임의의 어떤 장면에 해당하는 씬을 대표하는 키 프레임을 말한다. 즉 씬의 범위 안에서 분할이 이루어지는 것이 가장 효율적이다. 이러한 특성을 배제하고 일정한 길이로 분할하는 것은, 과도한 분할이 되거나 혹은 적은 분할로 대표키 프레임을 찾는데 효율성이나 정확성이 낮아지게 된다. 이런 문제점을 해결하고자 우선 분할 기준을 선정하는 다음과 같은 알고리즘을 제안한다.</p> <ul> <li>단계1) 비디오 자료 중에서 일정량의 자료를 선정한다.</li> <li>단계2) 선정된 범위 길이 내의 샷과 프레임 수를 추출한다.</li> <li>단계3) 추출된 샷당 프레임 수를 산출한다.</li> <li>단계4) 샷당 가장 큰 프레임 수와 가장 작은 프레임 수를 제거한다.</li> <li>단계5) 나머지로 샷당 평균 프레임 수를 계산하여 이 를 분할 기준인 $ P $로 사용한다.</li></ul> <p>설정된 비디오 자료에 대하여 샷의 수와 샷당 프레임 수를 히스토그램 비교법(샷을 추출할 수 있는 다른 방법들도 가능함)을 이용하여 추출한다. 추출된 자료중에서 샷당 프레임 수가 가장 많은 자료와 적은 자료는 제외시키는데 이는 전체 평균수에 미치는 영향이 매우 크기 때문이다. 이렇게 계산된 샷당 평균 프레임 수는 분할 기준인 $ \mathrm{P} $가 된다.</p> <p>$ \mathrm{P} $를 구하는 식은</p> <p>$ P=\frac{\sum_{i=1}^{n} F S_{i}-F \max -F \min }{n-2} $<caption>(6)</caption></p> <p>식 (6)에서 FS는 $ i $번째 샷의 프레임 수이며, Fmax는 프레임 수가 가장 많은 것, Fmin은 프레임 수가 가장 작은 것, $ n $ 은 샷 수를 나타낸다.</p> <p>씬은 1 개 이상의 샷으로 이루어진다. 한 개의 샷으로 구성된 씬의 경우에 분할 기준 $ P $ 를 적용하면 샷 단위로 분할되어 적어도 모든 샷을 구분할 수 있게 된다. 이러한 근거로 $ \mathrm{P} $를 분할 기준으로 선택한다.</p> <p>하나의 동영상 자료 안에서도 도입, 전개, 결말, 즉 내용의 전개상 샷의 길이가 다르다. 따라서 이 논문에서도 하나의 비디오 자료 중에서도 도입, 전개, 결말의 3개 부분으로 나누어서, 분할 기준을 선정하여 적용하였다. $ P $를 위한 자료의 선정이 일정 분량 이상을 선정하면, 계산 량이 많아지게 되므로 비효율적이 되고, 너무 적으면 정확도가 떨어지게 된다.</p> <h2>3. 동적 분할 기법 이용 키 추출 과정</h2> <p>제안한 알고리즘은 어떤 분야의 비디오라도 자료의 특성을 고려하여 동적 분할 기준을 선정하여 적용할 수 있어 기존의 균등 분할로 인한 문제점을 해결하였으며, 사용자가 대표키 프레임의 수를 지정하는 등의 사용자 개입을 배제 할 수 있어 자동화가 가능하다.</p> <p>다음은 대표키 프레임을 추출하기 위해서 비디오 자료의 특성이 고려된 동적 분할 기법을 적용한 제안하는 전체 알고리즘이다.</p> <p>단계1) 동적 분할 기준 알고리즘을 적용하여 분할 기준 $ \mathrm{P} $를 선정</p> <p>단계2) $ P $로 비디오 자료를 분할하여 경계지점의 프레임들을 추출하여 대표키 프레임의 후보로 선정한다.</p> <p>단계3) 후보로 선정된 프레임 중 연속된 두 프레임 $ F_{i} $과 $ F_{j} $을 선택하고, 두 프레임간의 특징 차이 값은, 선택된 두 프레임과 두 프레임의 중간 프레임과의 각각의 차이 값들 중 가장 큰 값을 선택하고, 이들 값이 임계값 보다 작으면, 두 개의 프레임 $ F_{i} $ 과 $ F_{j} $ 를 선택하고 단계3)으로 가고, 특징 차이가 임계값 보다 큰 두 프레임 $ F_{i} $과 $ F_{j} $은 대표키 프레임으로 선정된다.</p> <p>단계4) 두 프레임의 $ F_{i}, F_{j} $를 해당 프레임 집단의 중간 프레임인 $ \mathrm{F}(\mathrm{i}+\mathrm{j}) / 2 $ 로 대치한다.</p> <p>단계5) 더 이상 특징 차이가 임계값 보다 적은 것이 없으면 멈추고, 그렇지 않으면 단계3)으로 돌아간다.</p> <p>단계3)에서 연속된 두 프레임과 두 프레임의 중간 프레임과의 특징 차이 값을 비교하는 이유는, 두 프레임은 각기 다른 씬을 나타내지만 우연히도 특징이 비슷하여 히스토그램의 값이 비슷할 수도 있다. 이 경우에는 중간 프레임과의 값의 차이로 인하여, 두 프레임이 각각 다른 씬을 나타내는 대표키 후보에서 탈락되는것을 방지할 수 있다.</p>	[ "Frames per average shot의 수가 가장 적은 것은 어느 비디오 자료인가?", "Music Video는 Min:Sec의 시간이 몇인가?", "# Frames을 볼 때 Music Video의 수는 몇인가?", "News의 Frames per average shot의 수는 얼마인가?", "Movie cip의 # Shots는 몇인가?", "# Shots에서 News는 몇으로 나오는가?", "# Frames의 수가 가장 높은 비디오 자료는 어떤 것인가?", "표 1. 비디오 자료의 특성에서 Commercials의 # Frames는 몇인가?" ]
215a5926-eab4-44ed-886f-4fe84b3131bb	인공물ED	NFC와 ANN을 이용한 IPMSM 드라이브의 속도 추정 및 제어	<h1>5. 시스템의 성능결과</h1> <h2>5.1 시뮬레이션 결과</h2> <p>본 연구에서 사용한 IPMSM의 파라미터는 표 2 와 같다.</p> <table border><caption>표 2 IPMSM의 파라미터</caption> <tbody><tr><td>극수</td><td>4</td></tr><tr><td>전기자 저항 $ \mathrm\ R_{s} $</td><td>$0.98 [\Omega]$</td></tr><tr><td>영구자석 쇄교자속 $ \phi_{a} $</td><td>$0.47 [\mathrm {Wb} ]$</td></tr><tr><td>정격 주파수</td><td>$60 [\mathrm {Hz} ]$</td></tr><tr><td>전기자 최대전류$ \mathrm\ I_{am} $</td><td>$14 [\mathrm {A} ]$</td></tr><tr><td>전기자 최대전압$ \mathrm\ V_{am} $</td><td>$200 [\mathrm {V} ]$</td></tr><tr><td>$d$ 축 인덕턴스$ \mathrm\ I_{d} $</td><td>$9.1 [\mathrm {mH} ]$</td></tr><tr><td>$q$ 축 인덕턴스$ \mathrm\ L_{q} $</td><td>$18.82 [\mathrm {mH} ]$</td></tr><tr><td>정격 속도</td><td>$1800 [\mathrm {rpm} ]$</td></tr><tr><td>정격 토크</td><td>$11.9 [\mathrm {N}\cdot {m} ]$</td></tr><tr><td>정격 출력</td><td>$2.5 [\mathrm {kW} ]$</td></tr></tbody></table> <p>그림 5 는 PI, 직접 퍼지제어기 및 NFC제어기의 스텝 지령속노 변화와 부하토크 인가하였을 경우의 속도를 비교한 시뮬레이션의 결과이다. $ 0.2[\mathrm{sec}] $ 에서 스텝지령속도를 $ 1000[\mathrm{rpm}] $ 으로 운전하다가 $ 0.6[\mathrm{sec}] $ 에서 지령속도를 $ 1800[\mathrm{rpm}] $ 으로 변화시키고 $ 1.0[\mathrm{sec}] $ 에서 $ 1.5[\mathrm{sec}] $ 까지 부하토크를 $ 3[N \cdot \mathrm{m}] $ 인가하였을 경우의 응답특성이다. 그림 5(a) 는 샘플링 주기를 $ T_{s}=1[\mathrm{msec}] $ 로 하고 스텝 지령속도롤 상승시킬 때 NFC제어기의 속도는 종래의 PI 제어기와 직접 펴지제어기의 속도에 비해 고속으로 추종하며 오버슈트가 매우 작게 나타난다. 그림 5(b) 는 샘플링 주기를 $ T_{s}=3[\mathrm{msec}] $ 로 하고 그림 5(a)와 같이 스텝 지령속도를 변화시켰을 경우의 특성이다. 그림 5(c)는 부하토크 변화에 대한 속도의 추종도 NFC 제어기가 속도 변화도 작고 정상상태에 고속으로 추종하고 있다. 그림 5(d) 는 관성을 3 배 증가시켜 그림 5(c)와 같이 부하를 인가하였을 경우의 응답특성이다. 샘플링 주기를 길게 하거나 관성을 증가시켰을 때 제어기는 속도변화의 폭이 증가하고 안정화시간이 약간 길어진다. 그러나 NFC 제어기는 파라미터의 변동에도 양호하게 추종하며 PI 및 직접 퍼지제어기 보다 매우 양호한 응답특성이 나타난다.</p> <p>본 연구에서 제시한 NFC 와 ANN 를 이용하여 속도추종과 제어에 대하여 다양한 운전조건에서 검토한다. 그립 6은 $ 1000[\mathrm{rpm} $ 으로 운전 중, $ 0.5[\mathrm{sec}] $ 에서 $ 0.8[\mathrm{sec}] $ 까지 스텝 지령속도를 $ 1800[\mathrm{rpm}] $ 으로 증가시키고 $ 0.7[\mathrm{sec}] $ 에서 부하토크를 $ 3[N \cdot \mathrm{m}] $ 인가하였을 경우의 응답특성이다. 그림 6(a)는 지령속도와 실제속도를 나타내고 그림 6(b)는 지령속도와 추정속도를 나타낸다. 스텝 지령속도의 변화와 부하를 인가하였을 경우에 실제속도와 추정속도는 지령속도에 양호한 응답특성을나타난다. 그림6(c)는 $ q $ 축 전류, 그림 6(d)는 실제 회전각과 추정 회전각을 나타내며 그림 6(e)는 실제속도와 추정속도의 오차를 나타낸다. 실제속도와 추정속도의 오차는 과도상태에서 $1[\%] $이하로 나타나며 정상상태에서는 $0[\%]$에 근접하게 나타난다.</p> <p>그림 7은 스텝 지령속도를 $ 5[\mathrm{rpm}] $ 에서 $ -5[\mathrm{rpm}] $ 으로 반복적으로 변화시켰을 때의 응답특성이다. 저속에서 정◦역회전 시켰을 경우에도 지령속도에 대한 실제속도와 추정속도의 응답톡성은 양호하며 추정속도와 추정 회전각은 실제속도와 실제 회전각에 양호하게 추종되고 있다.</p> <p>그림 8은 4 상한 운전 중, $ 0.7[\mathrm{sec}] $ 에서 부하토크를 $ 3[\mathrm{~N} \cdot \mathrm{m}] $ 인가하였을 때의 응답특성을 나타낸다. 부하토크를 인가한 상태에서 속도를 변화시킨 경우에도 지령속도에 대한 속도 응답특성과 실제속도에 대한 속도추종성능이 양호하게 나타난다.</p> <p>그림 9는 계수 $ \alpha $ 값의 변화에 따른 응답특성을 나타낸다. $ \alpha_{1} $ 은 $ -8 \times 10^{-2} $ 값으로 설정하였으며 그림 $ 9(\mathrm{a}) $ 는 $ \alpha=\alpha_{1} $ 이고 그림 9(b)는 $ \alpha=10 \times \alpha_{1} $ 이다. 그림 9(a)에서 $ \alpha $ 의 작은 값으로 인해 큰 진동이 나타나고 속도의 오차도 증가하였다. 이 진동을 감소시키고 속도 오차를 감소시키기 위하여 그림 9(b)에서 10 배로 증가시켰다. $ \alpha $ 값을 증가시키면 추정속도의 진동은 더욱 작 게 나타난다. 추정속도가 실제속도에 양호하게 추정하고 추종속도에 의한 벡터제어가 양호하게 이루어지기위하여 반복시험으로 $ \alpha=10 \times \alpha_{1} $ 값이 가장 좋은 값으로 나타났다. 따라서 본 연구에서는 이 값을 이용하여 성능결과를 얻었다.</p> <h2>5.2 실험 결과</h2> <p>본 연구에서 제안한 알고리즘은 시물레이션과 같은조건에서 TMS320C31 DSP로 구현되었다.</p> <p>그림 10은 스텝 지렁속도를 $ 1800[\mathrm{rpm}] $ 과 - $ 1800[\mathrm{rpm}] $으로 정역회전 시컸을 경우의 직접퍼지 제어기의 실험결과이다. 그림 11은 그림 10과 같은 조건에서 운전하였을 경우 NFC제어기의 실험결과이다. 스텝 지령속도를 변화시켰을 경우 NFC제어기는 DFC에 비해 오버슈트가 감소하고 정상상태에 빠르게 도달한다.</p> <p>그림 12 는 4 상한 운전시 ANN에 의한 센서리스 제어의 응답특성을 나타내고 있다. 4상한 운전시 추정속도는 실제속도에 양호하게 추정되고 있다.</p>	[ "표2의 극수는 뭐야?", "무엇이 표2의 극수일까", "IPMSM의 영구자석 쇄교자속 \$ \\phi_{a} \$는 얼마지?", "표 2 IPMSM의 파라미터에서 \$60 [\\mathrm {Hz} ]\$의 값을 가지는 것은 어떤거야?", "전기자 최대전류\$ \\mathrm\\ I_{am} \$의 값은 뭐야?", "\$d\$ 축 인덕턴스\$ \\mathrm\\ I_{d} \$의 값은 뭐야?", "\$q\$ 축 인덕턴스\$ \\mathrm\\ L_{q} \$값은 표2에서 나타낸 값은 얼마야?", "IPMSM의 파라미터중 정격 토크의 값은 뭐야?", "정격 출력값은 얼마야?", "얼마가 정격 출력값이지", "전기자 최대전압\$ \\mathrm\\ V_{am} \$의 피라미터 값은 얼마지?", "표2의 정격 속도는 얼마지?", "IPMSM의 파라미터중 전기자 저항 \$ \\mathrm\\ R_{s} \$의 값은 얼마야?" ]
9365906b-ced1-42ea-acd0-6ccdd8122acc	인공물ED	NFC와 ANN을 이용한 IPMSM 드라이브의 속도 추정 및 제어	<h1>3. NFC의 설계</h1> <p>NFC는 신경회로망과 퍼지제어를 혼합 구성하며 강력한 표현의 유연성과 수치 처리능력을 가지고 있다. NFC는 퍼지룰의 조건부와 결론부를 클러스터링 방법과 다층 신경회로망으로 구성한다. NFC는 신경회로망과 같은 고도의 적응제어의 능력 및 퍼지제어와 같은 강인성 제어의 장점을 가지게 된다.</p> <p>그림 2는 NFC의 구성을 나타내며 여기서 두 개의 입력변수는 오차 $ e $ 와 오차의 변화분 $ c e $ 이고 출력변수는 제어변수 $ u^{*} $ 이다.</p> <h2>3.1 제어기의 조건부의 구현</h2> <p>그림 2 에서 $ A_{1} $ 층에서 $ A_{3} $ 층 사이에 신경회로망은 퍼지룰의 조건부의 구현을 나타낸다. 조건부의 멤버쉽함수를 효과적으로 설계하기 위하여 신경회로망의 구조를 간단하게 하고 수렴속도를 개선하기 위하여 클러스터링 방법을 적용한다. 표 1 은 퍼지제어룰의 집합을 나타낸다.</p> <p>퍼지 룰베이스에서 입력공간은 49 개의 부분 공간으로 나눈다. 룰이 동일한 동작일 경우 같은 입력공간으로 클러스터링한다. 그런 다음 새로운 클러스터링과 일치하는 룰은 전문가에 의해 재 설계되고 신경회로망으로 구현한다. 퍼지룰의 수는 클러스터링 방법에 의해 매우 감소시킬 수 있다. 또한 이러한 구현은 비선형 함수를 설계할 수 있으며 신경세포의 sigmoid 특성에 의해 퍼지의 입력공간을 분할한다. $ A_{3} $ 층에서 각 신</p> <table border><caption>표 1 퍼지룰 표</caption> <tbody><tr><td>$cew_{r}$ \ $ew_{r}$</td><td>$ NL $</td><td>$ MM $</td><td>$ NS $</td><td>$ ZE $</td><td>$ PS $</td><td>$ PM $</td><td>$ PL $</td></tr><tr><td>$ NL $</td><td>$ NF $</td><td>$ NL $</td><td>$ NL $</td><td>$ NL $</td><td>$ MM $</td><td>$ NS $</td><td>$ ZE $</td></tr><tr><td>$ MM $</td><td>$ NL $</td><td>$ NL $</td><td>$ NL $</td><td>$ MM $</td><td>$ NS $</td><td>$ ZE $</td><td>$ PS $</td></tr><tr><td>$ NS $</td><td>$ NL $</td><td>$ NL $</td><td>$ MM $</td><td>$ NS $</td><td>$ ZE $</td><td>$ PS $</td><td>$ PM $</td></tr><tr><td>$ ZE $</td><td>$ NL $</td><td>$ MM $</td><td>$ NS $</td><td>$ ZE $</td><td>$ PS $</td><td>$ PM $</td><td>$ PF $</td></tr><tr><td>$ PS $</td><td>$ MM $</td><td>$ NS $</td><td>$ ZE $</td><td>$ PS $</td><td>$ PM $</td><td>$ PL $</td><td>$ PL $</td></tr><tr><td>$ PM $</td><td>$ NS $</td><td>$ ZE $</td><td>$ PS $</td><td>$ PM $</td><td>$ PL $</td><td>$ PL $</td><td>$ PL $</td></tr><tr><td>$ PL $</td><td>$ ZE $</td><td>$ PS $</td><td>$ PM $</td><td>$ PL $</td><td>$ PL $</td><td>$ PL $</td><td>$ PL $</td></tr></tbody></table> <p>경세포의 출력은 각 부분 공간에서 퍼지룰의 진리값이다. 퍼지 클러스터링과 학습을 실현하기 위하여 이전 49 룰과 같은 효과를 얻는 NFC 제어기는 오차의 함수가 필요하다.</p> <p>오차함수를 정의한 후, 오차를 최소화하기 위하여 다음 단계는 오차 역전파 알고리즘에 의해 $ A_{1} $ 층과 $ A_{3} $층 사이에 가중치 $ W_{j k} $ 와 $ W_{i j} $ 를 조절한다. 가중치 조절을 통하여 신경회로망은 클러스터 된 퍼지룰의 조건부를 완전하게 구현할 수 있다.</p> <p>학습과정 동안 진동을 피하고 수렴속도를 개선하기 위하여 다음과 같은 모멘텀(momentum) 항으로 새로운 조절을 수행한다.</p> <p>$ W_{j k}(t+1)=W_{j k}(t)+\Delta W_{j k}+\alpha\left[W_{j k}(t)-W_{j k}(t-1)\right] $<caption>(5)</caption></p> <p>$ W_{i j}(t+1)=W_{i j}(t)+\Delta W_{i j}+\alpha\left[W_{i j}(t)-W_{i j}(t-1)\right] $<caption>(6)</caption></p> <h2>3.2 제어기의 결론부의 구현</h2> <p>그림 2 에서 $ A_{3} $ 층과 $ A_{4} $ 층 사이의 신경회로망은 퍼지룰의 결론부의 구현을 나타낸다. 오차함수를 정의한 후, 오차를 최소화하기 위하여 다음 단계는 오차 역전파 알고리즘에 의해 $ A_{3} $ 층과 $ A_{4} $ 층 사이에 가중치 $ W_{c i} $를 조절한다.</p> <p>$ W_{c i}(t+1)=W_{c i}(t)+\Delta W_{c i}+\alpha\left[W_{c i}(t)-W_{c i}(t-1)\right] $<caption>(7)</caption></p>	[ "본문의 표 1 퍼지룰 표에서 행이 \$ NL \$이고 열이 \$ ZE \$일 때 값은 뭘까?", "본문의 표 1 퍼지룰 표에서 행이 \$ NL \$이고 열이 \$ PS \$일 때 값은 무엇인가?", "본문의 표 1 퍼지룰 표에서 행이 \$ NL \$이고 열이 \$ PL \$일 때 값은 무엇으로 보여?", "본문의 표 1 퍼지룰 표에서 행이 \$ NL \$이고 열이 \$ NL \$일 때 값은 뭐야?", "본문의 표 1 퍼지룰 표에서 행이 \$ NL \$이고 열이 \$ MM \$일 때 값은 뭐지?", "본문의 표 1 퍼지룰 표에서 행이 \$ NL \$이고 열이 \$ NS \$일 때 값은 뭐지?", "본문의 표 1 퍼지룰 표에서 행이 \$ NL \$이고 열이 \$ PM \$일 때 값은 무엇일까?" ]
53e64fc7-e490-43e9-950c-bfe20ca5bf64	인공물ED	전파음영 채널 환경에서 소프트 핸드오프 기법이 CDMA 셀룰러 시스템의 셀 커버리지에 미치는 영향	<h2>3-2 CDMA 셀룰러 시스템의 셀 커버리지</h2> <p>이동국과 기지국의 선로손실, 안테나 이득, 이동국이 빌딩 내에 있을 경우 등 추가적인 신호 감쇠를 고려하여 신호 전력을 셀 반경에 대한 식으로 바꾸어 셀 커버리지와 사용자 용량과의 관계를 분석한다. 간섭이 존재하지 않을 때 기지국 수신기에 수신되는 단일 CDMA 사용자의 최소 신호전력을 $P_S^{\prime}$, 간섭이 존재할 때 기지국 수신기에 수신되는 신호 전력을 $P_S$라 할 때 $P_S$와 $P_S^{\prime}$은 다음과 같은 관계를 가진다.</p> <p>\[\frac{P_S}{\sigma^{2}+I_{T}}=\frac{P_S^{\prime}}{\sigma^{2}}\] 또는 \[\frac{P_{S}}{P_{S}^{\prime}}=\frac{\sigma^{2}+I_{T}}{\sigma^{2}}\]<caption>(10)</caption></p> <p>여기서 $\sigma^{2}$은 잡음 전력, $I_{T}$는 동일 셀 내에서의 다중접속 간섭과 주변셀로부터 받는 다중접속 간섭을 더한 전체 간섭 전력을 나타낸다. 따라서 $P_S^{\prime}(\mathrm{dBm})$은 다음과 같이 나타낼 수 있다. \[\begin{array}{l}P_{S^{\prime}}(\mathrm{dBm})=\left(\frac{E_{b}}{N_{0}}\right)_{\text {req }}(\mathrm{dB})+N_{0}(\mathrm{dBm} / \mathrm{Hz}) \\ +W(\mathrm{dBHz})-P G(\mathrm{dB})-G_{S H}(d B)\end{array}\]</p> <caption>(11)</caption></p> <p>여기서 $N_{0}(\mathrm{dBm} / \mathrm{Hz})$는 배경잡음 전력, $W(\mathrm{dBHz})$는 확산 대역폭, $P G(\mathrm{dB})$는 처리이득을 나타내며, 일반적으로 기지국 수신기에서의 잡음 전력은 $-169.0 \mathrm{~dBm} / \mathrm{Hz}$이다. $G_{S H}(\mathrm{dB})$는 소프트 핸드 오프 이득을 나타낸다. 그리고 링크의 신뢰도를 높였을 때 기지국 수신기에 수신되는 $P_S(\mathrm{dBm})$은 차단 확률 및 수신신호 전력의 표준편차에 따라 $\left(E_{b} / N_{0}\right)_{req}$에 소프트 핸드오프 마진을 더해 주어 다음과 같이 나타낼 수 있다. \[\begin{array}{c}P_S(\mathrm{dBm})=P_S^{\prime}(\mathrm{dBm})+M_{S H}(\mathrm{~dB}) \\ -10 \log _{10}\left(1-\frac{N}{N_{\max }}\right)\end{array}\]<caption>(12)</caption></p> <p>여기서 $N_{\max }$는 섹터당 최대 사용자 용량을 의미한다. 소프트 핸드오프 기법을 사용하는 IS-95 CDMA 셀룰러 시스템에서 통화 용량에 영향을 미치는 대표적인 요소들로는 처리이득, 음성 활동율, 주변셀 간섭, 수신신호 전력의 표준편차 등이 있으며, 이러한 요소들을 고려했을 때의 역방향 링크 용량은 다음과 같이 나타낼 수 있다. \[\begin{aligned} N_{\max } &=\frac{(W/R)}{\left(E_{b} / N_{0}\right)_{req}(1+f) \alpha} \\ \cdot & \frac{1}{\exp \left[\beta M_{SH}(\mathrm{dB})\right]} \end{aligned}\]<caption>(13)</caption></p> <p>여기서 $ f $ 는 간섭보정 계수로 두 셀 사이에서 소프트 핸드오프가 발생할 때 주변셀 전체 수신신호 전력을 동일 셀 전체 수신신호 전력으로 나눈 값이며, 본 논문에서는 [13]에서와 같이 $ \mu=4 $이고, 수신신호 전력의 표준편차가 $ 8 \mathrm{~dB} $ 인 로그노말 분포된 전파음영 환경으로 가정하여 $ f=0.77 $로 가정한다. 그리고 $ \beta=\ln 10 / 10 $이다. $ \alpha $는 역방향 링크 평균 음성 활동율이고, CDMA 셀룰러 시스템은 9개의 FA를 사용한다. 또한 링크의 신뢰도를 높이기 위해서 $ \left(E_{b} / N_{0}\right)_{req} $ 값에 차단 확률 및 수신신호 전력의 표준편차에 따른 소프트 핸드오프 마진을 더해 최대 통화 사용자 수를 산출한다. 또한 기지국에 수신되는 이동국의 신호 전력은 표 1의 역방향 링크 전력 버짓 파라미터를 사용하여 다음과 같이 나타낼 수 있다 \[P_S(\mathrm{dBm})=\left.P_{R}(\mathrm{dBm})\right\|_{\text {no loss }}-L_{\max }\]<caption>(14)</caption></p> <p>여기서 $\left.P_{R}(\mathrm{dBm})\right\|_{\text {no loss }}$는 전파손실이 없을 때 기지국에 수신되는 이동국의 송신전력을 의미하며, 다음과 같이 계산할 수 있다. \[\begin{array}{l}\left.P_{R}(\mathrm{dBm})\right\|_{\text {no loss }}=\mathrm{P}_{\mathrm{m}}-\mathrm{L}_{\mathrm{m}}+\mathrm{G}_{\mathrm{m}}-\mathrm{L}_{\mathrm{p}}-\mathrm{L}_{\mathrm{b}} \\\\+G_{c}-L_{c}\end{array}\]<caption>(15)</caption></p> <p>그러므로 역방향 링크 최대 전파손실 $L_{\max }$는 다음과 같이 나타낼 수 있다. \[\begin{aligned}L_{\max }=&\left.P_{R}(\mathrm{dBm})\right\|_{\text {no loss }}-\left[\mathrm{Ps}^{\prime}(\mathrm{dBm})\right.\\&\left.+M_{S H}(\mathrm{dB})-10 \log _{10}\left(1-\frac{\mathrm{N}}{\mathrm{N}_{\max }}\right)\right]\end{aligned}\]<caption>(16)</caption></p> <p>이러한 역방향 링크 최대 전파손실을 셀 반경에 대한 식으로 변환하면 다음과 같다. \[ \begin{aligned} R &\left(\mathrm{dB}_{\mathrm{km}}\right)=10 \log _{10}\left(R_{\mathrm{km}}\right)=\frac{L_{\max }-L_{f_{MHz}}}{\mu} \\ &=\frac{1}{\mu}\left[\left.P_{R}(\mathrm{dBm})\right\|_{no~loss}-P_S^{\prime}(\mathrm{dBm})\right.\\ &\left.-M_{SH}(\mathrm{~dB})+10 \log { }_{10}\left(1-\frac{N}{N_{\max }}\right)-L_{f_{MHz}}\right] \end{aligned} \]<caption>(17)</caption></p> <p>전파 손실이 없을 때 기지국에 수신되는 이동국의 신호전력은 표 1로부터 구할 수 있으므로, 도심 환경에서 소프트 핸드오프 기법을 사용하는 CDMA 셀룰러 시스템의 셀 커버리지는 셀룰러 대역폭의 중심 주파수가 각각 $850 \mathrm{~MHz}$ 및 $1,900 \mathrm{~MHz}$일 때 다음과 같이 나타낼 수 있다. \[R_{f_{MHz~1}}(\mathrm{km})=6.09\left(1-\frac{N}{N_{\max }}\right)^{0.284}\] \[ \cdot\left[10^{\frac{1}{10}} \cdot\left(\left(\frac{E_{b}}{N_{0}}\right)+M_{S H}-G_{S H}\right)\right]^{-0.284} \]<caption>(18)</caption>\[R_{f_{MHz~2}}(\mathrm{km})=2.50\left(1-\frac{N}{N_{\max }}\right)^{0.284}\] \[ \cdot\left[10^{\frac{1}{10}} \cdot\left(\left(\frac{E_{b}}{N_{0}}\right)+M_{S H}-G_{S H}\right)\right]^{-0.284} \]<caption>(19)</caption></p> <table border><caption>표 1. CDMA 역방향 링크에 대한 전력 버짓 파라미터</caption> <tbody><tr><td>파라미터</td><td>심 볼</td><td>값</td></tr><tr><td>이동국 송신기 전력</td><td>$ P_{m} $</td><td>$ 23 \mathrm{~dBm} $</td></tr><tr><td>이동국 선로 손실</td><td>$ L_{m} $</td><td>$ 0 \mathrm{~dB} $</td></tr><tr><td>이동국 안테나 이득</td><td>$ G_{m} $</td><td>$ 2.1 \mathrm{~dBi} $</td></tr><tr><td>이동국안테나 방위손실</td><td>$ L_{p} $</td><td>$ 3 \mathrm{~dB} $</td></tr><tr><td>빌딩투과 손실</td><td>$ L_{b} $</td><td>$ 10 \mathrm{~dB} $</td></tr><tr><td>기지국 안테나 이득</td><td>$ G_{c} $</td><td>$ 14.1 \mathrm{~dBi} $</td></tr><tr><td>기지국 선로 손실</td><td>$ L_{c} $</td><td>$ 2 \mathrm{~dB} $</td></tr></tbody></table>	[ "본 논문에서 링크의 신뢰도를 높이기 위해 어떤 방법으로 최대 통화 사용자 수를 계산해냈지?", "링크의 신뢰도를 본 논문에서 더 쌓아가기 위해 어떤 방법으로 최대 통화 이용자 수를 계량하였지?", "기지국에 수신되는 이동국의 신호 전력은 어떤 방법을 통해 나타낼 수 있지?", "어떤 방법을 통해 기지국에 수신되는 이동국의 신호 전력을 표현해내었지?", "표 1. CDMA 역방향 링크에 대한 전력 버짓 파라미터에서 이동국 송신기 전력의 심볼은 무엇입니까?", "표 1. CDMA 역방향 링크에 대한 전력 버짓 파라미터에서 \$ 23 \\mathrm{~dBm} \$라는 값을 나타내는 파라미터는 무엇이지?", "빌딩투과 손실이라는 파라미터의 심볼은 표 1.에서 무엇으로 나타나 있습니까?", "표 1. CDMA 역방향 링크에 대한 전력 버짓 파라미터 중 \$ L_{p} \$의 값은 얼마입니까?", "표 1. CDMA 역방향 링크에 대한 전력 버짓 파라미터 중 \$ 2 \\mathrm{~dB} \$라는 값을 가지는 파라미터는 무엇이지?" ]
6bea5fd2-8a26-43dd-81af-6b5a36fd9bdf	인공물ED	전파음영 채널 환경에서 소프트 핸드오프 기법이 CDMA 셀룰러 시스템의 셀 커버리지에 미치는 영향	<h1>IV. 수치 해석</h1> <p>본 논문은 소프트 핸드오프 기법에 의한 셀 커버리지 확장을 기지국에 수신되는 이동국의 신호 전력을 바탕으로 분석하였다. 실제 환경에 맞는 셀 커버리지를 분석하기 위해 도심지역의 경로 손실을 모델링한 Hata 모델을 사용하여 신호 전력을 셀 커버리지에 대해 계산하였고, 링크의 신뢰도를 높이기 위해 차단 확률 및 수신신호 전력의 표준편차에 따라 $\left(E_{b} / N_{0}\right)_{req}$에 소프트 핸드오프 마진을 더해 주었다. 또한 기지국에 수신되는 이동국의 신호 전력은 CDMA 역방향 링크 전력 버짓 파라미터를 사용 하여 계산하였다.</p> <table border><caption>표 2. 수신신호 전력의 표준편차와 차단 확률에 따른 핸드오프 마진값</caption> <tbody><tr><td rowspan=2>$ P_{out} $</td><td colspan=2>하드 핸드오프 마진 $ \left(M_{H H}(\mathrm{dB})\right) $</td><td colspan=2>소프트 핸드오프 마진 $ \left(M_{S H}(\mathrm{dB})\right) $</td><td colspan=2>소프트 핸드오프 이득 $ \left(G_{S H}(\mathrm{dB})\right) $</td><td rowspan=2>셀 커버리지 증가율</td></tr><tr><td>$\sigma=8$</td><td>$\sigma=2.5$</td><td>$\sigma=8$</td><td>$\sigma=2.5$</td><td>$\sigma=8$</td><td>$\sigma=2.5$</td></tr><tr><td>0.1</td><td>10.25</td><td>3.20</td><td>6.16</td><td>1.93</td><td>4.09</td><td>1.27</td><td>1.66</td></tr><tr><td>0.05</td><td>13.16</td><td>4.11</td><td>8.96</td><td>2.80</td><td>4.20</td><td>1.31</td><td>1.46</td></tr><tr><td>0.02</td><td>16.43</td><td>5.13</td><td>11.76</td><td>3.68</td><td>4.67</td><td>1.45</td><td>1.39</td></tr></tbody></table> <p>표 2는 소프트 핸드오프 기법을 사용하는 CDMA 셀룰러 시스템에서 셀 경계에 위치한 이동국이 특정 차단 확률을 만족하기 위해 더 전송해야 하는 전력의 크기를 하드 핸드오프 기법을 사용했을 경우와 비교하여 보여주고 있다. 하드 및 소프트 핸드오프 마진은 차단 확률을 이용하여 기지국에 수신된 이동국의 신호 세기를 일정 기준치와 비교하여 그 이하로 떨어지는 확률로 계산하였다. 로그노말 분포된 전파음영 환경에서 차단 확률이 0.02이고, 수신 신호 전력의 표준편차가 $2.5 \mathrm{~dB}$이면, 하드 핸드오프 마진은 $5.13 \mathrm{~dB}$, 소프트 핸드오프 마진은 $3.68 \mathrm{~dB}$가 된다. 따라서 동일한 크기의 셀에서 하드 핸드오프 기법에 비해 소프트 핸드오프 기법을 사용하게 되면 상대적으로 더 작은 전력이 요구됨을 알 수 있 다. 또한 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$일 때의 소프트 핸드오프 이득은 $1.27 \sim 1.45 \mathrm{~dB}$이고, 수신신호 전력의 표준편차가 $8\mathrm{~dB}$일 때의 소프트 핸드오프 이득은 $ 4.09 \sim 4.67 \mathrm{~dB} $가 되어 수신신호 전력의 표준편차가 $8 \mathrm{~dB}$일 때의 소프트 핸드오프 이득이 $2.82 \sim 3.22 \mathrm{~dB}$ 만큼 더 크게 됨을 알 수 있다. 그리고 차단 확률이 0.1일 때의 셀 커버리지 증가율은 1.66이고, 차단 확률이 0.02 일 때의 셀 커버리지 증가율은 1.39가 되어 차단 확률이 0.1에서 0.02로 작아짐에 따라 셀 커버리지 증가율이 0.27 만큼 감소하는 것을 알 수 있다.</p> <p>그림 1은 Hata 모델을 사용했을 때 도심 지역, 교외 지역, 개방 지역에서의 전파 손실을 셀 커버리지에 따라 나타내고 있다. 이때 셀룰러 대역폭의 중심 주파수는 각각 $850 \mathrm{~MHz}$ 와 $1,900 \mathrm{~MHz}$를 사용하였다. 이동국과 기지국의 안테나 높이를 각각 $1.5 \mathrm{~m}$, $30 \mathrm{~m}$라고 가정할 때 도심 지역에서의 전파손실이 제일 크고, 교외 지역, 개방 지역의 순서로 전파 손실이 크게 된다. 또한 셀룰러 대역폭의 중심 주파수가 $850 \mathrm{~MHz}$일 때 도심 지역에서의 전파손실과 $1,900 \mathrm{~MHz}$일 때 교외 지역에서의 전파손실은 거의 차이가 없음을 알 수 있다. 그리고 주파수에 따른 셀 커버리지를 살펴보면, 셀룰러 대역폭의 중심 주파수가 $1,900 \mathrm{~MHz}$인 경우에 비해 $850 \mathrm{~MHz}$일 때의 전파손실이 작으므로, 셀룰러 대역폭의 중심 주파수가 $850 \mathrm{~MHz}$일 때 셀 커버리지가 더 크게 되는 것을 알 수 있다.</p> <p>그림 2와 그림 3은 소프트 핸드오프 기법이 $9.6$$\mathrm{kbps}$의 음성 부호화 율로 $850 \mathrm{~MHz}$ 대역에서 동작하는 CDMA 셀룰러 시스템의 셀 커버리지에 미치는 영향을 나타내고 있다.</p> <p>CDMA 셀룰러 시스템에서, 모든 이동국은 역방향 링크 통화 채널을 유지하기 위한 최소 전력만을 송신하도록 해당 기지국에 의해 전력제어 된다. 전력제어 방법으로는 개루프 전력제어와 폐루프 전력 제어가 있으며, 폐루프 전력제어는 순방향 링크와 역방향 링크의 경로손실이 같다는 가정 하에서 이루어지는 개루프 전력제어 방식의 부정확성을 개선하기 위해 기지국이 수신한 이동국의 신호 세기를 $1.25 \mathrm{~ms}$ 마다 이동국에게 알려 기지국에 도달하는 신호의 세기가 일정하도록 이동국의 출력을 제어하는 방식이다. 그러나 이러한 전력제어에도 불구하고 불안정한 채널 환경이나 이동국의 빠른 이동으로 인해 전력제어 오차가 발생하게 되고, 이동국으로부터 기지국에 수신되는 신호 전력은 로그노말 분포를 하게 된다. 여기서 전력제어 오차는 로그노말 분포를 하는 신호의 표준편차를 의미한다. 따라서 셀 커버리지를 분석함에 있어서 불완전한 전력제어로 인한 전력제어 오차를 고려해야만 한다.</p> <p>그림 2는 도심지역에서 Hata 모델을 사용하고, 셀룰러 대역폭의 중심 주파수가 $850 \mathrm{~MHz}$ 일 때 $\left(E_{b} / N_{o}\right)_{req}$ 값에 따른 셀 커버리지와 섹터당 통화 사용자 수를 나타내고 있다. 수신신호 전력의 표준 편차가 $2.5 \mathrm{~dB}$ 일 때 차단 확률이 0.1인 경우와 0.02인 경우로 나누어 나타내었다. $\left(E_{b} / N_{o}\right)_{req}=7 \mathrm{~dB}$ 일때 차단 확률이 0.1이면 셀 커버리지는 $3.69 \mathrm{~km}$가 되고, 차단 확률이 0.02이면 셀 커버리지는 $3.33 \mathrm{~km}$가 된다. 따라서 차단 확률이 0.1일 때 셀 경계부근에서 더 전송해야 하는 전력이 작으므로 셀 커버리지는 $0.36 \mathrm{~km}$ 만큼 증가한다. 또한 차단 확률이 0.02일 때 $ 0.36 \mathrm{~km} $ 만큼 증가한다. 또한 차단 확률이 0.02일 때 $ \left(E_{b} / N_{o}\right)_{req}=7 \mathrm{~dB} $ 이면 셀 커버리지는 $ 3.33 \mathrm{~km} $, $ \left(E_{b} / N_{o}\right)_{req}=6 \mathrm{~dB} $ 이면 $ 3.55 \mathrm{~km}$, $\left(E_{b} / N_{o}\right)_{req}=5 \mathrm{~dB} $ 이면 $ 3.79 \mathrm{~km} $가 되어 $ \left(E_{b} / N_{o}\right)_{req} $ 값이 $ 7 \mathrm{~dB} $에서 $ 6 \mathrm{~dB}, 5 \mathrm{~dB} $로 감소함에 따라 셀 커버리지는 각각 $ 0.22 \mathrm{~km}, 0.46 \mathrm{~km} $ 만큼 감소하는 것을 알 수 있다.</p> <p>그림 3은 도심지역에서 Hata 모델을 사용하고, 셀룰러 대역폭의 중심 주파수가 $850 \mathrm{~MHz}$일 때 차단 확률에 따른 CDMA 셀 커버리지와 섹터당 통화 사용자 수를 나타내고 있다. $\left(E_{b} / N_{o}\right)_{req}=7 \mathrm{~dB}$일 때 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$인 경우와 8$\mathrm{~dB}$인 경우로 나누어 나타내었다. 차단 확률이 0.02일 때 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$이면 셀 커버리지는 $3.33 \mathrm{~km}$가 되고, 수신신호 전력의 표준편차가 $8 \mathrm{~dB}$이면 셀 커버리지는 $2.42 \mathrm{~km}$가 된다. 따라서 차단 확률이 0.02이고 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$일 때 셀 경계부근에서 더 전송해야 하는 전력이 작으므로 셀 커버리지는 $0.91 \mathrm{~km}$ 만큼 증가한다. 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$일 때 차단 확률이 0.1이면 셀 커버리지는 $3.69 \mathrm{~km}$, 차단 확률이 0.05이면 $3.49 \mathrm{~km}$, 차단 확률이 0.02이면 $3.33 \mathrm{~km}$가 되어 차단 확률이 0.1에서 0.05, 0.02로 작아짐에 따라 셀 커버리지는 각각 $0.2 \mathrm{~km}, 0.36 \mathrm{~km}$ 만큼 감소하는 것을 알 수 있다. 또한 소프트 핸드오프 이득으로 인해 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$일 때 차단 확률에 따른 셀 커버리지 변화율 보다 수신신호 전력의 표준편차가 $8 \mathrm{~dB}$일 때 차단 확률에 따른 셀 커버리지 변화율이 더 크게 된다. 따라서 수신신호 전력의 표준편차가 클수록 차단 확률에 따라 셀 커버리지가 심하게 변하는 것을 알 수 있다.</p> <p>그림 4와 그림 5는 소프트 핸드오프 기법이 $14.4$$\mathrm{~kbps}$의 음성 부호화율로 $1,900 \mathrm{~MHz}$ 대역에서 동작하는 CDMA 셀룰러 시스템의 셀 커버리지에 미치는 영향을 나타내고 있다.</p> <p>그림 4는 도심지역에서 Hata 모델을 사용하고, 셀룰러 대역폭의 중심 주파수가 $1,900 \mathrm{~MHz}$ 일 때 $\left(E_{b} / N_{o}\right)_{req}$ 값에 따른 셀 커버리지와 섹터당 통화 사용자 수를 나타내고 있다. 수신신호 전력의 표준 편차가 $2.5 \mathrm{~dB}$ 일 때 차단 확률이 0.1인 경우와 0.02인 경우로 나누어 나타내었다. $\left(E_{b} / N_{o}\right)_{req}=7 \mathrm{~dB}$일 때 차단 확률이 0.1이면 셀 커버리지는 $1.51 \mathrm{~km}$이고, 차단 확률이 0.02이면 셀 커버리지는 $1.36 \mathrm{~km}$가 되어 차단 확률이 0.1일 때 셀 경계부근에서 더 전송해야 하는 전력이 작으므로 셀 커버리지는 $0.15$$\mathrm{~km}$ 만큼 증가한다. 또한 차단 확률이 0.1이고 $\left(E_{b} / N_{o}\right)_{req}=7 \mathrm{~dB}$이면, 셀룰러 대역폭의 중심 주파수가 $1,900 \mathrm{~MHz}$일 때의 셀 커버리지가 $1.51 \mathrm{~km}$가 되어, $850 \mathrm{~MHz}$일 때의 셀 커버리지는 $3.69 \mathrm{~km}$인 것에 비해 $2.18 \mathrm{~km}$ 만큼 셀 커버리지가 감소하게 된다. 차단 확률이 0.02일 때 $\left(E_{b} / N_{o}\right)_{req}=7 \mathrm{~dB}$이면 셀 커버리지는 $1.36 \mathrm{~km},\left(E_{b} / N_{o}\right)_{req }=6 \mathrm{~dB}$이면 $1.46 \mathrm{~km},\left(E_{b} / N_{o}\right)_{req}=5 \mathrm{~dB}$이면 $1.55 \mathrm{~km}$가 되어 $\left(E_{b} / N_{o}\right)_{req}$값이 $1 \mathrm{~dB}$ 증가함에 따라 셀 커버리지는 약 $0.1 \mathrm{~km}$ 만큼씩 감소함을 알 수 있다.</p> <p>그림 5는 도심지역에서 Hata 모델을 사용하고, 셀룰러 대역폭의 중심 주파수가 $1,900 \mathrm{~MHz}$ 일 때 차단 확률에 따른 CDMA 셀 커버리지와 섹터당 통화 사용자 수를 나타내고 있다. $\left(E_{b} / N_{o}\right)_{req}=7 \mathrm{~dB}$일 때 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$인 경우와 $8 \mathrm{~dB}$인 경우로 나누어 나타내었다. 차단 확률이 0.02일 때 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$이면 셀 커버리지는 $1.36 \mathrm{~km}$가 되고, 수신신호 전력의 표준편차가 $8 \mathrm{~dB}$이면 셀 커버리지는 $0.99 \mathrm{~km}$가 된다. 따라서 차단 확률이 0.02이고 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$일 때 셀 경계부근에서 더 전송해야 하는 전력이 작으므로 셀 커버리지는 $0.37 \mathrm{~km}$ 만큼 증가한다. 그러므로 차단 확률이 0.02인 경우, 수신 신호 전력의 표준편차가 $2.5 \mathrm{~dB}$이고 셀룰러 대역폭의 중심 주파수가 $850 \mathrm{~MHz}$일 때의 셀 커버리지가 $3.33 \mathrm{~km}$인 것에 비해 $1,900 \mathrm{~MHz}$일 때의 셀 커버리지는 $1.36 \mathrm{~km}$가 되어 $1.97 \mathrm{~km}$ 만큼 셀 커버리지가 감소하게 된다. 또한 수신신호 전력의 표준편차가 $2.5 \mathrm{~dB}$일 때 차단 확률이 $0.1$이면 셀 커버리지는 $1.51 \mathrm{~km}$, 차단 확률이 0.05이면 $1.43 \mathrm{~km}$, 차단 확률이 0.02이면 $1.36 \mathrm{~km}$가 되어 차단 확률이 0.1에서 0.05, 0.02로 작아짐에 따라 셀 커버리지는 각각 $0.08$$\mathrm{~km}, 0.015 \mathrm{~km}$만 큼 감소하므로, 차단 확률에 따른 셀 커버리지는 거의 차이가 없음을 알 수 있다.</p>	[ "셀 커버리지를 실제 환경에 맞게 분석하려면 신호 전력을 어떻게 계산해야 돼?", "실제 환경에 맞게 셀 커버리지를 분석하려면 신호 전력을 어떻게 산출할 수 있는가?", "표2에서 \$\\sigma=8\$값들 중에서 가장 큰 값은 몇이니?", "표2에서 \$\\sigma=8\$값들 중에서 가장 큰 값의 \$ P_{out} \$값은 무엇이지?", "표2에서 소프트 핸드오프 이득 값 중에서 \$\\sigma=2.5\$ 중에 가장 큰 값의 \$ P_{out} \$ 값은 얼마지?", "표2에서 소프트 핸드오프 이득 값 중에서 \$\\sigma=2.5\$ 중에 가장 큰 값은 몇이니?", "수신되는 신호전력은 어떻게 산출하였어?", "어떻게 수신되는 신호전력을 계산했지?", "표2에서 0.1행의 셀 커버리지 증가율은 몇이야?", "0.1행의 셀 커버리지 증가율은 표2에서 얼마로 확인되지?", "표2에서 0.05행 하드 핸드오프 마진의 \$\\sigma=8\$열 값에 해당하는 값이 뭐야?", "표2에서 \$\\sigma=8\$값들 중에서 가장 큰 값이 속한 마진의 이름이 뭐니?", "표2에서 셀 커버리지 증가율이 가장 큰 값은 몇이지?", "셀 커버리지 증가율이 표2에서 얼마가 가장 크니?", "표2에서 셀 커버리지 증가율이 가장 큰 값의 \$ P_{out} \$값은 뭐야?", "표2에서 소프트 핸드오프 이득 값 중에서 4.5이상의 값은 뭐야?", "표2에서 소프트 핸드오프 이득 값 중에서 \$\\sigma=2.5\$ 중에 가장 큰 값이 해당하는 행에서 셀 커버리지 증가율은 얼마야?", "표2에서 0.05 행 중에서 10이상인 값은 얼마니?", "표2에서 0.05 행 중에서 10이상인 값의 마진 이름이 뭐야?", "표2에서 0.1값에 해당되는 행에서 셀 커버리지 증가율은 몇이니?", "표2에서 1.66이 있는 행의 이름은 어떤 \$ P_{out} \$값에 속해?" ]
125f6976-534c-461c-abee-bcd2c9a4e5c6	인공물ED	대규모 분산 시뮬레이션 환경을 위한 실시간성 지원 DDS/SDN 통합 아키텍쳐	<h1>II. Proposed Architecture</h1><p>이 장에서는 DDS 의 원격 탐색 문제 및 Deadline QoS 보장을 고려한 SDN 기반 제안 구조를 설명한다.</p><h2>1. 대규모 분산 시뮬레이션 환경을 위한 실시간성 지원 DDS/SDN 아키텍처</h2><p>분산 시를레이션 시스템에서 효율적 데이터 교환을 위해 통신 미들웨어인 DDS 를 사용하는 경우, 탐색 과정에서 원격 도메인 간에 탐책 문제가 발생한다. 또한 DDS 에서 제공하는 다양한 QoS 정책은 응용 계층에서만 고겨되고 네트워크 수준에서는 고려되지 않는다. 실시간 분산 시뮬레이션 시스템에선 전송 데이터의 실시간성 및 신뢰성이 중요하다. 그러나, DDS QoS가 응용 계층에서만 고려 될 경우 네트워크의 변동 사항에 의해 쉽게 QoS 위반이 일어날 수 있다. DDS에서 제공하는 QoS 중 Deadline QoS는 실시간 분산 시뮬레이션 시스템에서 실시간성과 연관된 QoS에 해당한다. 이러한 사항들을 고려하여 그림 2와 같이 SDN 기반 DDS 아키텍처를 구성하고, 실시간성을 보장할 수 있도록 DDS의 Deadline QoS 보장을 위한 컴포넌트를 SDN 컨트롤러에 추가한다.</p><h2>2. SDN 의 제어 계충과 응용계충 아키텍처</h2><p>기존 SDN 에서 제공하는 컨트롤러와 어플리케이션의 기능만으론 DDS 의 원격 탐색 문제 및 Deadline QoS 보장이 불가능하기 때문에 몇 가지 모듈이 추가적으로 필요하다. 각 모듈은 그림3과 같이SDN 의 제어 계층(Control layer)와 응용 계층(Application layer)에 위치한다.</p><h3>가. 제어 계층(Control layer)</h3><p>SDN 의 제어 계층에는 DDS Monitor 모듈과 Interface 모듈이 있다.</p><p>DDS Monitor 모듈은 컨트롤러로 전달 된 Packet-in 메시지 중 DDS 메시지를 확인하고 네트워크 상태를 파악하는 모듈이다. DDS 메시지는 SDN 스위치에서 SDN 컨트롤러로 전달 된 Packet-in 메시지 중 RTPS 프로토콜 사용 여부를 통해 확인한다. DDS 메시지에는 참여자 탐색 메시지(Participant Discovery Message), 종단적 탐색 메시지(Endpoint Discovery Message), 데이터 메시지(Data Message)가 있다. RTPS 프로토콜 사용 확인을 통하여 확인 된 DDS 메시지는 REST API를 사용해 응용 계충(Application layer)의 Message Parsing 모듈로 전달된다. DDS Monitor의 Network Status Monitor는 응용 계층의 Path Configure 모듈의 요청이 있을 때 네트워크 상태를 전달한다.</p><p>Interface 모듄은 path configure 모듈에서 전달 받은 네트워크 설정 정보를 SDN 스위치에 전달하는 모듈이다. SDN 스위치는 전달 받은 정보에 따라 상태가 변경 된다.</p><p>나. 응용 계층(Application Layer)</p><p>응용 계층에는 Message Parsing 모듈, Base Information DB 모듈, Path Configure 모듈이 있다. 그림 4는 응용 계층 모듈들의 동작을 나타낸다.</p><p>Message Parsing 모듈은 DDS monitor로부터 전달 받은 메시지에서 필요한 정보를 획득한다. 필요 정보의 종류로는 메시지가 발생한 호스트 (Host)의 정보, 토픽(Topic) 정보, QoS 정보 등이 있다. 획득 된 정보는 Base Information DB 모듈로 전달된다.</p><p>Base Information DB 모듈은 Message Parsing 모듈에서 전달 반은 정보를 분류하여 저장한다. 각 DB 에 저장 된 정보와 비교하여 중복되는 경우 저장하지 않는다. 변경되거나 새로운 정보가 전달되었을 때, DB 에 저장한다. 또한, Path Configure 모듈에서 정보를 요청할 경우 DB 에서 해당 정보를 전달한다.</p><p>Path Configure 모듈은 QoS 보장을 위한 데이터 경로와 원격 탐섹 문제 해결을 위한 경로를 계산한다. 경로 계산 이전에 Base Information DB와 DDS Monitor 모듈에 필요한 정보를 요청하고 SDN 컨트롤러에 포함된 컴포넌트에도 필요 정보를 요청한다. 원격 탐색 문제의 네트워크 설정을 변경하는 경우, Base Information DB 에 호스트 목록(Host List) 정보를 요청하고, SDN 컨트롤러의 컴포넌트에 토폴로지 정보를 요청한다. 네트워크 토플로지에서 참여자 탐색 메시지가 발생한 네트워크 목록와 비교하여 네트워크간의 최단 경로를 도출한다. 도출 된 경로는 동일한 Vlan ID를 가지도록 네트워크 설정을 변경해 준다. 이러한 네트워크 설정을 통해 도메인이 분리되지 않도록 하여 원격 탐색 문제가 발생하는 것을 방지한 다. 또한, SDN 에 연결된 전체 네트워크를 하나의 논리적 네트워크로 변경하여 원격 탐색 문제를 해결하는 방법보다 전체 네트워크의 평균 부하를 낮출 수 있다. DDS QoS 보장을 위한 Data 전달 경로를 설정하는 경우에는 Base Information DB 에서 토픽, QoS 정보를 요청하여 전달 받고, DDS Monitor에서 네트워크 상태 정보를 전달 받는다. 또한, SDN 컨트롤러에 포함된 컴포넌트로부터 토폴로지 정보를 요청하여 전달받아 데이터 전송 경로를 도출한다. 이렇게 도출된 네트위크 설정 정보 및 데이터 경로(Data Path) 정보는 REST API를 통해 제어 계층(Control layer)의 Interface 모듈로 전달한다. 사항들은 Path Configure 모듈에서 계산하다. 참여자 탐색 과정을 위해 네트워크 설정 변경 사항을 도출하는 경우 Base Information DB 모듈에서 전달 받은 호스트 목록 간에 참여자 탐색 메시지가 전달될 수 있도록 변경한다. 참여자가 생성된 호스트와 관련 된 최소의 스위치만 포함 되도록 토폴로지에서 해당 호스트가 연견 된 스위치 사이의 경로를 다익스트라(Dijkstra) 알고리즘을 이용하여 계산한다.</p><p>데이커 전송 경로를 도출하는 경우 분산 시뮬레이션 요구 사항 중 종단간(End to End)의 전송시간 제한이 중요 사항으로 간주 된다. 때문에 DDS 에서 제공하는 QoS 중 Deadline QoS는 종단간의 전송 시간 제약을 규정하진 않지만 DataReader에서 Deadline QoS 설정 된 경우 데이터를 받지 못하면 위반 통보를 받는다. 때문에 DDS의 QoS 중 경로설정 시 Deadline QoS를 고려한다. 종단점 탐섹 이후 발간자(Publisher)와 구독자(Subscriber) 간의 데이터 전달 경로는 DDS QoS와 상관없이 네트워크 레벨에서 설정되는데 이는 네트워크 환경에 따라 다익스트라 (Dijkstra) 알고리즘에 의하여 결정되거나, 임의의 알고리즘에 따라서 경로가 설정될 수 있다. 이러한 경우, 같은 호스트에서 다수의 참여자가 셍성되어 데이터를 전송하면 동일한 경로에 전송 데이터의 부하가 가중될 수 있다. 전송 데이터의 부하 가중은 네트워크에 큰 부담을 주며, DDS QoS를 보장하지 못하는 원인이 될 수 있기 때문에 Deadline QoS를 고려하여 데이터전달 경로를 분산시켜 준다. 본 논문에서는 Deadline QoS의 존재 여부에 따라서 경로를 분산하였다. 분산을 위한 데이터 경로 설정 알고리즘은 아래 그림5와 같다. 또한 설정 된 경로는 이후 예약 방식을 통해 네트워크 상태가 변동되어도 QoS를 보장 할 수 있도록 한다.</p>	[ "Path Configure 모듈은 어떤 문제를 해결하고자 합니까?", "분산 시뮬레이션 요구 사항 중 종단간(End to End)의 전송시간 제한이 중요 사항으로 간주 되는 경우는 언제인가요?", "전송 데이터의 부하 가중은 DDS 측면에서 어떤 원인이 됩니까?", "Deadline QoS는 보장되어야 합니까?", "통신 미들웨어인 DDS 를 사용하는 경우 언제 문제가 발생합니까?", "DDS 에서 제공하는 다양한 QoS 정책은 응용 계층에서만 고려됩니까?", "DDS 에서 제공하는 다양한 QoS 정책은 어디서는 고려되지 않나요?", "전송 데이터의 실시간성 및 신뢰성은 어디서 중요합니까?", "실시간 분산 시뮬레이션 시스템에선 무엇이 중요합니까?", "DDS QoS가 응용 계층에서만 고려 될 경우 어떻게 됩니까?", "네트워크의 변동 사항에 의해 쉽게 QoS 위반이 일어나는 경우는 언제인가요?", "Deadline QoS는 무엇에 해당합니까?", "Deadline QoS는 어디서 발생하는 QoS입니까?", "DDS에서 제공하는 QoS 중 Deadline QoS는 비실시간 분산 시뮬레이션 시스템에서 실시간성과 연관된 QoS에 해당합니까?", "탐색 과정에서 원격 도메인 간에 탐책 문제는 왜 발생합니까?", "DDS 에서 제공하는 다양한 QoS 정책은 어디서만 고려됩니까?", "QoS는 DDS에서 제공합니까?", "왜 QoS 보장을 위한 컴포넌트를 SDN 컨트롤러에 추가할까요?", "왜 몇 가지 모듈이 추가적으로 필요합니까?", "그림 2는 어떤것 기반 DDS 아키텍처입니까?", "기존 SDN 에서 제공하는 컨트롤러와 어플리케이션의 기능만으론 충분합니까?", "기존 SDN 제공 컨트롤러와 어플리케이션은 DDS의 원격 탐색은 가능합니까?", "추가적으로 필요한 몇 가지 모델은 어디에 위치하나요?", "추가적으로 필요한 몇 가지 모듈은 몇 번 그림에 나와있나요?", "SDN 의 제어 계층에는 DDS Monitor 모듈과 Interface 모듈인가요?", "SDN 의 제어 계층은 무엇으로 구성되어 있습니까?", "DDS Monitor 모듈은 어떤 상태를 파악하는 모듈입니까?", "DDS Monitor 모듈은 컨트롤러로 전달 된 Packet-in 메시지 중 DDS 메시지를 확인하고 네트워크 상태를 파악하는 모듈입니까?", "DDS Monitor 모듈은 어떻게 네트워크 상태를 파악합니까?", "RTPS 프로토콜 사용 여부를 통해 확인한 메시지는 어디에서 어디로 전송되었나요?", "DDS 메시지에는 총 세 가지가 있습니까?", "DDS 메시지에는 무엇으로 구성되어있나요?", "RTPS 프로토콜 사용 확인을 통하여 확인 된 DDS 메시지는 어디로 전달됩니까?", "무엇을 사용해 Message Parsing 모듈로 전달 됩니까?", "Message Parsing 모듈은 어디에 위치했나요?", "RTPS 프로토콜 사용 확인을 통하여 DDS 메시지는 전달됩니까?", "REST API를 사용해 응용 계충(Application layer)의 Message Parsing 모듈로 전달되는 것은 어떤 메시지인가요?", "DDS Monitor의 Network Status Monitor는 언제 네트워크 상태를 전달합니까?", "Path Configure 모듈은 어디에 있나요?", "path configure 모듈에서 전달 받은 네트워크 설정 정보를 SDN 스위치에 전달하는 모듈을 뭐라고 하나요?", "Interface 모듄은 무엇입니까?", "SDN 스위치는 전달 받은 정보에 따라 상태가 변경됩니까?", "SDN 스위치는 언제 상태가 변경됩니까?", "Path configure 모듈에서 전달 받은 네트워크 설정 정보를 어디에 전달합니까?", "응용 계층에는 어떤 모듈이 존재하나요?", "Message Parsing 모듈은 어떤 역할을 합니까?", "응용 계층에는 총 세 가지 모듈이 동작합니까?", "DDS 메시지는 무엇을 통해 확인합니까?", "Message Parsing 모듈은 어디서 전달받은 메시지를 획득합니까?", "Message Parsing 모듈에서 획득하는 필요 정보의 종류는 무엇인가요?", "DDS monitor로부터 전달 받은 메시지에서 정보를 획득합니까?", "호스트 (Host)의 정보, 토픽(Topic) 정보, QoS 정보 등이 필요 정보입니까?", "호스트 (Host)의 정보, 토픽(Topic) 정보, QoS 정보 등은 어디로 전달됩니까?", "Base Information DB 모듈은 획득 정보를 모아두는 DB입니까?", "Base Information DB 모듈의 역할은 무엇입니까?", "Message Parsing 모듈에서 전달 받은 정보를 통합하는 것이 Base Information DB 모듈입니까?", "Base Information DB 모듈은 어디서 전달 받은 정보입니까?", "언제 DB 에 저장합니까?", "변경되거나 새로운 정보가 전달되었을 때 외에 DB에 정보를 전달하는 경우는 언제인가요?", "Path Configure 모듈은 무엇입니까?", "데이터 경로와 원격 탐섹 문제 해결을 위한 경로를 계산하는 이유는 무엇입니까?", "Base Information DB와 DDS Monitor 모듈에 필요한 정보를 요청하고 SDN 컨트롤러에 포함된 컴포넌트에도 필요 정보를 요청하는 것은 언제인가요?", "SDN 컨트롤러에 포함된 컴포넌트에도 필요 정보를 요청합니까?", "원격 탐색 문제의 네트워크 설정을 변경하는 경우 어떻게 정보를 요청합니까?", "경로 계산 이전에 SDN 컨트롤러 외에 어디에 정보를 요청합니까?", "원격 탐색 문제의 네트워크 설정을 변경하는 경우 호스트 목록 정보를 요청하는 곳은 어디입니까?", "원격 탐색 문제의 네트워크 설정을 변경하는 경우 어디의 컴포넌트에 토폴로지 정보를 요청합니까?", "Base Information DB 에 호스트 목록(Host List) 정보를 요청하고, SDN 컨트롤러의 컴포넌트에 토폴로지 정보를 요청하는 경우는 언제입니까?", "참여자 탐색 메시지가 발생한 네트워크 목록와 비교하여 네트워크간의 최단 경로를 도출하는 것은 어디입니까?", "도출 된 경로는 무슨 ID를 갖나요?", "동일한 Vlan ID를 가져야 하는 이유는 무엇인가요?", "SDN 에 연결된 전체 네트워크를 하나의 논리적 네트워크로 변경하면 무엇이 좋습니까?", "Data 전달 경로를 설정하는 경우 무엇을 목적으로 합니까?", "도출 된 경로는 상이한 Vlan ID를 가집니까?", "DDS QoS 보장을 위한 Data 전달 경로를 설정하는 경우 어떻게 네트워크 상태 정보를 전달 받습니까?", "Base Information DB 에서는 무엇을 전달받습니까?", "SDN 컨트롤러에 포함된 컴포넌트로 어떤 정보를 전달받나요?", "DDS Monitor에서는 무슨 정보를 전달 받나요?", "토폴로지 정보를 요청 받는 이유는 무엇인가요?", "토폴로지 정보를 요청하여 전달받아 데이터 전송 경로 도출은 어디서 합니까?", "네트위크 설정 정보 및 데이터 경로(Data Path) 정보는 무엇을 통해 Interface 모듈로 전달됩니까?", "네트워크 정보 등을 REST API를 통해 어디로 전달합니까?", "제어 계층(Control layer)의 어떤 모듈이 정보를 전달 받나요?", "사항들은 Path Configure 모듈에서 계산합니까?", "호스트 목록은 어디서 전달 받나요?", "Base Information DB 모듈에서 전달 받은 호스트 목록 간에 참여자 탐색 메시지가 전달될 수 있도록 변경하는 것은 언제인가요?", "토폴로지에서 해당 호스트가 연견 된 스위치 사이의 경로를 무엇을 통해 계산합니까?", "다익스트라(Dijkstra) 알고리즘을 이용하는 이유는 무엇인가요?", "참여자가 생성된 호스트와 관련 된 최대의 스위치만 포함 되고자 합니까?", "분산 시뮬레이션 요구 사항 중 하나는 종단간(End to End)의 전송시간 제한인가요?", "데이터를 받지 못하면 위반 통보를 받나요?", "데이터를 받지 못하면 위반 통보를 받는 경우는 언제인가요?", "Deadline QoS는 어디서 설정되었나요?", "Deadline QoS는 어디서 제공하나요?", "Deadline QoS는 종단간의 전송 시간 제약을 규정했나요?", "Deadline QoS 설정 된 경우 데이터를 받지 못하면 위반 통보를 받나요?", "Deadline QoS는 언제 고려해야합니까?", "왜 Deadline QoS를 고려해야 하나요?", "발간자(Publisher)와 구독자(Subscriber) 간의 데이터 전달 경로는 어떻게 됩니까?", "종단점 탐섹 이후 발간자(Publisher)와 구독자(Subscriber) 간의 데이터 전달 경로는 DDS QoS와 함께 네트워크 레벨에서 설정됩니까?", "발간자(Publisher)와 구독자(Subscriber) 간의 데이터 전달 경로는 어디서 설정됩니까?", "같은 호스트에서 다수의 참여자가 셍성되어 데이터를 전송하면 어떻게 됩니까?", "다익스트라 (Dijkstra) 알고리즘은 무엇에 따라 결정됩니까?", "DDS QoS와 상관없이 네트워크 레벨에서 설정되는 데이터 전달 경로는 무엇인가?", "DDS QoS와 상관없이 네트워크 레벨에서 설정되는데 이는 네트워크 환경에 따라 결정됩니까?", "데이터 전달 경로는 종단점 탐색 이후 어떻게 됩니까?", "발간자(Publisher)와 구독자(Subscriber) 간의 데이터 전달 경로는 임의의 알고리즘에 의해 설정됩니까?", "동일한 경로에 전송 데이터의 부하가 가중될 수 있는 이유는 언제입니까?", "전송 데이터의 부하 가중은 어떤 결과를 초래하나요?", "DDS QoS를 보장하지 못하는 원인을 어떻게 해결하고자 합니까?", "DDS QoS를 보장하지 못하는 이유는 무엇인가요?", "본 논문은 데이터전달 경로를 어떻게 분산시켰나요?", "설정 된 경로는 이후 예약 방식을 통해 네트워크 상태가 변동되어도 QoS를 보장 할 수 있어야 합니까?", "QoS를 보장하는 것 중요한가요?", "실시간 분산 시뮬레이션 시스템에선 전송 데이터의 실시간성 및 신뢰성이 중요하지 않습니까?", "QoS 위반은 무엇에 의해 일어날 수 있나요?", "Deadline QoS 보장을 하기 위해 어떻게 했나요?", "SDN 기반 DDS 아키텍처를 구성하고, 실시간 성을 보장하기 위해 어떻게 합니까?", "QoS 보장을 위한 컴포넌트를 어디에 추가합니까?", "Packet-in 메시지는 어디로 전달 된 메시지인가요?", "Path Configure 모듈에서 정보를 요청할 경우 어떻게 됩니까?", "네트워크 토플로지에서 어떻게 네트워크간의 최단 경로를 도출합니까?", "네트워크간의 최단 경로를 도출 된 경우 네트워크 설정은 어떻게 변경됩니까?", "네트워크 설정을 통해 원격 탐색 문제가 발생하는 것을 방지하기도 합니까?", "원격 탐색 문제가 발생하는 또 다른 방법은 무엇입니까?", "전체 네트워크의 평균 부하를 낮추는 방법 중 하나느 SDN을 이용한 것입니까?", "네트워크 상태 정보를 전달 받는 경우는 어디입니까?", "SDN 컨트롤러에 포함된 컴포넌트로부터 전달 받은 토폴로지 정보를 통해 네트위크 설정 정보 및 데이터 경로(Data Path) 정보는 REST API를 통해 제어 계층(Control layer)의 Interface 모듈로 전달합니까?", "그림 4는 응용 계층 모듈들의 동작을 나타냈습니까?", "도메인이 분리되는 경우 어떤 문제가 발생할까요?", "제어 계층에는 Message Parsing 모듈, Base Information DB 모듈, Path Configure 모듈이 있습니까?", "SDN 컨트롤러에 포함된 컴포넌트에도 필요 정보를 요청하나요?", "참여자 탐색 과정을 위한 네트워크 설정 변경 사항을 도출하는 경우는 어디서 전달받은 호스트 목록을 참고하게 됩니까?", "데이터 전송 경로를 도출하는 경우 무엇이 중요 사항으로 간주 됩니까?" ]
9fccface-e94f-4aec-8996-ab98d0165bb2	인공물ED	대규모 분산 시뮬레이션 환경을 위한 실시간성 지원 DDS/SDN 통합 아키텍쳐	<h1>요 약</h1><p>최근 개발 시스템의 대형화로 순차적 시뮬레이션 방법으로는 오랜 시간이 소요되거나 실시간으로 결과가 요구되는 시스템 검증이 불가능해졌다. 때문에 여러 프로세스로 나누어 시뮬레이션하는 분산 시뮬레이션 시스템의 연구가 진행되었다. 그리고 실시간 시스템의 시뮬레이션을 위해 분산된 시스템들 간의 효율적인 데이터 교환이 필요하다. Data Distribution Service는 Object Management Group에서 제안한 데이터 중심의 통신 미들웨어로 효울적인 데이터 교환과 다양한 QoS를 제공한다. 그러나 광역에 분포되어 있는 대규모 분산 시뮬레이션 환경에서는 데이터 교환시 도메인 분리로 참여자 탐색 문제와 QOS 보장의 어려움을 갖는다. 따라서, 본 논문에서는 SDN 기반의 네트워크에서 QoS보장과 효과적인 참여자 탐색이 가능한 DDS/SDN 아키텍처틀 제안한다.</p>	[ "대형화된 시스템의 실시간 시스템 검증 결과를 얻기 위해 사용되는 시뮬레이션 시스템은 뭐야?", "순차적 시뮬레이션 방법으로는 대형화된 시스템의 실시간 시스템 검증이 불가능해?" ]
b8d45d12-6ef1-4b3d-b0e1-de84c13b5760	인공물ED	대규모 분산 시뮬레이션 환경을 위한 실시간성 지원 DDS/SDN 통합 아키텍쳐	<h1>IV. 결론</h1><p>본 논문에서는 분산 시뮬레이션 환경에서 DDS 를 사용하여 데이터 교환이 이루어질 때, 원격 탐색 문제와 실시간성과 연관 된 Deadline QoS 지원을 위한 SDN 기반 DDS 아키텍처를 제안하였다. 제안 된 아키텍처는 원격 도메인간의 탐색 문제를 시뮬레이션에 참여하는 네트워크가 포함 된 경로만 논리적 통합하는 형태로 해결하고 전체 발생 메시지 수를 감소시킨다. 또한 DDS의 Deadline QoS 보장을 위해 SDN 컨트롤러에서 QoS값과 네트워크 상황을 고려한 Data 전달 경로를 설정한다. QoS를 고려한 분할 경로를 통해 Data가 전달되기 때문에 특정 링크의 과부하로 인한 Deadline QoS 위반율을 낮추고 자원 예악을 통해 가변적인 네트워크 상황에서도 실시간성을 지원이 가능하다.</p><p>현재 실시간성 지원을 위해 DDS에서 제공하는 QoS 중 Deadline QoS만을 고려하였으나 향후 DDS 에서 제공하는 다른 QoS 고려한 알고리즘의 추가 및 실시간성을 보장할 수 있도록 하는 연구가 필요하다.</p>	[ "분산 시물레이션 환경에서 데이터 교환이 이루어질 때 무엇을 사용해?", "DDS를 사용하여 데이터 교환이 이루어지는 환경은 어떤 환경이야?", "어떤 환경으로 DDS를 사용하여 데이터 교환이 이루어지니?", "원격 탐색 문제와 실시간성과 연관된 무엇을 지원하기 위해서 DDS 아키텍처를 제안하였어?", "제안된 DDS는 무엇을 기반하고 있어?", "무엇에 제안된 DDS는 기반하고 있어?", "제안된 아케텍처는 원격 도메인간의 탐색문제를 어떤 방법으로 처리하고 있어?", "어떤 방법으로 제안된 아케텍처는 원격 도메인간의 탐색문제를 처리하고 있어?", "제안된 아키텍처는 어떤 문제를 해결할 수 있어?", "QoS값과 네트워크 상황을 고려한 Data 전달 경로를 설정하는 장치는 뭐야?", "제안된 아키텍처는 전체 발생 메시지 수를 증가시켜?", "전체 발생 메시지 수를 제안된 아키텍처가 증가시키니?", "SDN 컨트롤러에서 QoS값과 네트워크 상황을 고려한 Data 전달 경로를 설정하는 이유가 뭐야?", "SDN 컨트롤러에서 Data 전달 경로를 설정할 때 네트워크 상황과 함께 고려해야하는 것은 뭐야?", "QoS를 고려한 분할 경로를 통해 data가 전달 되면 특정 링크의 과부하로 인한 무엇을 낮출 수 있어?", "QoS를 고려한 분할 경로를 통해 무엇을 낮출 수 있지?", "본문에서 Data가 전달되는 경로는 뭐야?", "자원 예약을 통해 어떤 상황에서도 실시간성 지원이 가능해?", "실시간성 지원이 자원 예약을 통해 어떤 상황에서도 가능해?", "본문의 실험에서는 어떤 QoS만을 고려했어?", "향후 연구에서는 DDS에서 제공하는 다른 QoS를 고려하여 무엇에 대한 연구가 필요해?", "무엇에 대한 연구가 향후 연구에서 DDS에서 제공하는 다른 QoS를 고려하여 필요해?", "QoS는 무엇이 제공해?" ]
704b963e-aca1-4183-ae6d-9cc93b1e36ab	인공물ED	대규모 분산 시뮬레이션 환경을 위한 실시간성 지원 DDS/SDN 통합 아키텍쳐	<h1>I. 서론</h1><p>분산 시뮬레이션이란 통합 된 시뮬레이션을 여러 프로세스로 나누어 시뮬레이션 하는 것을 말한다. 최근 개발되는 다양한 시스템들은 기존 시스템들의 비해 대형화되어 순차적 시뮬레이션 방법으로는 검증이 불가능하거나 결과 도출까지 오랜 시간이 소요되는 경우가 증가하고 있다. 최신 개발 시스템 검증을 위해 여러 프로세스에 시뮬레이션을 나누어 실행하는 분산 시뮬레이션 시스템의 적용 및 통합 시뮬레이션 환경을 만드는 연구가 진행되었다. 특히, 분산 시뮬레이션에서 실시간 시스템 검증 시 실시간성, 신뢰성 등을 위해 시뮬레이터간의 효율적 데이터 교환이 필요하다. OMG(Object Management Group)에서 제안한 DDS(Data Distribution Service)는 통신 미들웨어로 효율적 데이터 교환을 위한 메커니즘과 다양한 QoS를 제공 한다.</p><p>DDS는 데이터 전송 이전에 탐색(Discovery) 과정을 거친다. 탐색 과정은 도메인(Domain)에 포함 된 참여자(Participant)와 종단점(Endpoint) 정보를 파악하기 위한 참여자 탐색(Participant Discovery) 과정과 종단점 탐색(Endpoint Discovery) 과정으로 구성된다. 이때 참여자 탐색 과정은 같은 도메인 내에 포함 된 참여자만 발견 가능하며 도메인이 분리되는 경우 참여자 발견이 불가능한 문제점이 있다. 데이터 전송 이전에 발생하는 이러한 문제를 해결하기 위해 OMG는DDS 도메인간의 연결을 위해 Bridging Mechanism을 제공 한다. 하지만 이 방식은 동일한 네트워크 스위치에 연결 된 도메인에서만 효과를 발휘한다. 멀리 떨어진 도메인 사이의 네트워크는 고려되지 않는다.</p><p>DDS의 탐색과정 완료 후에는 데이터(Data) 전송이 이루어진다. DDS에서 제공하는 QoS는 미들웨어의 특성상 응용 수준(Application level)에서만 고려되기 패문에 다양한 어플리케이션이 요구하는 QoS를 보장하지 못한다. L Bertaux는 분산된 실시간 어플리케이션과 가변적인 요구사항 충족을 위해 DDS와 SDN의 결합을 제안하였다. DDS QoS를 캡처하고 녜트워코 최적화를 위해 SDN을 활용하여 네트워크 2계층과 3계층에 적용하는 아키텍처를 제안하였다. 그러나 시스템에 대한 세부 사항, 성능평가는 제공되지 않는다.본 논문에서는 실시간 분산 시뮬레이션 환경에서 DDS를 통해 데이터 교환 시 발생하는 원격 탐색 문제와 QoS 보장을 위한 SDN기반의 아키텍처(Architecture)를 제안한다.</p>	[ "DDS는 어째서 메커니즘과 다양한 QOS를 제공하는가?", "분산 시뮬레이션에서 시뮬레이터 간의 효율적 데이터 교환이 필요한 이유가 무엇인가?", "DDS는 무엇을 제공하는가?", "통합된 시뮬레이션을 여러 프로세스로 나누어 시뮬레이션 하는 것을 무엇이라고 하는가?", "참여자 탐색 과정에는 어떠한 문제점이 있는가?", "탐색과정은 참여자 탐색 과정과 종단점 탐색으로 구성되는가?", "분산 시뮬레이션이 무엇인가?", "OMG에서 제안한 DDS는 무엇인가?", "OMG에서 제공하는 Bridging Mechanism 방식은 무엇을 고려하지 않는가?", "최근 개발되는 시스템들은 기존 시스템에 비해 대형화 되어 순차적 시뮬레이션으로 검증이 불가하거나 시간이 오래 소요되는가?" ]
9b818af8-ea99-45e3-a5f8-091fb1ce05f2	인공물ED	대규모 분산 시뮬레이션 환경을 위한 실시간성 지원 DDS/SDN 통합 아키텍쳐	<h1>III. 실험 및 분석</h1><p>이 장에서는 제안 구조에서 발생하는 참여자 탐색 메시지의 수와 평균 딜레이 성능을 비교한다. 시뮬례이션은 우분투(Ubuntu) 12.04에서 가상 네트워크 환경을 구성한다. 가상 네트워크 환경은 미너넷(Mininet) $ 2.2 .1 $ 및 Open vSwitch 2.5.3을 통해 구성되었으며, SDN 컨트롤러는 RYU 컨트롤러를 사용하고 데이터 전송에는 OpenDDS 3.11를 사용한다. 구성 된 가상 네트워크 환경의 화면은 아래 그림 6과 같다.</p><p>분산 네트워크 환경에서 탐색 불가능한 문제 해결을 위해 SDN 을 적용하고 분산 시뮬레이션 네트워크 환경을 논리적으로 통합하는 방식으로 원격 탐색 문제를 해결 할 수도 있다. 기존 DDS 에서 참여자 탐색 메시지는 도메인 내에 존재하는 참여자의 수만큼 탐색 메시지가 발생한다. SDN 을 적용하여 분산 시뮬레이션 네트워크 환경을 통합하면 참여자 메시지는 원격 도메인의 참여자에게 전달된다. 이때 발생하는 참여자 탐색 메시지의 수는 분산 시뮬레이션에 참여하는 스위치의 수만큼 증가하게 된다. 분산 시뮬레이션 환경에 $ x $ 개의 도메인이 존재할 때, $ i $ 번째 도메인에 속한 참여자의 수를 $ P_{i} $ 라 하고 스위치가 $ S $ 개 존재한다 할 때, 층 발생 메시지 수는 아래 수식 (1)과 같다.</p><p>$ \left(\sum_{i=1}^{x} P_{i}\right)(1+S) $<caption>(1)</caption></p><p>참여자 탐색은 가능하지만 많은 탐색 메시지가 전체 네트워크에 전송되어 영향을 미칠 수 있기 때문에 제안구조에선 논리적 네트워크 설정시 시뮬레이션의 참여하지 않는 경로는 통합 네트워크에서 제외 될 수 있도록 Vlan ID 를 활용한다. Vlan ID 를 할당 반지 못한 스위치의 수를 $ V $ 개라 할 때, 제안 구조에서 발생하는 메시지 수는 아래 수식 (2)와 같다.</p><p>$ \left(\sum_{i=1}^{x} P_{i}\right)(1+S-V) $<caption>(2)</caption></p><p>분산 시뮬레이션에 영향을 미치지 않는 스위치들을 배제함으로서 전체 네트위크에 전송되는 참여자 탐색 메시지를 감소시킨 수 있다.</p><p>가상 시뮬레이션 환경에서도 참여자 탐색 메시지 수, 종단간 평균 딜레이 성능 비교를 위헤 표 1 과 같은 시뮬레이션 파라미터를 사용한다.</p><p>아래 그림 7은 일정한 호스트 사이에서 스위치가 증가하는 경우 전체 네트워크에 전송되는 참여자 탐색 메시지 수를 비교 한다.</p><p>그림 8은 참여 호스트의 수가 증가하고 스위치 수는 동일할 때 전체 네트워크에 전송되는 참여자 탐섹 메시지 수를 비교한다.</p><p>SDN 을 통해 논리적으로 통합 된 네트워크는 제안 구조에서 시뮬레이션에 참여하는 호스트가 있는 경로만 설정해준 경로보다 많은 경로가 포함되지 때문에 더 많은 참여자 탐색 메시지가 발생하게 된다.</p><p>그림 9은 네트워크 혼잡 상황에서 전송 데이터 크기가 증가할 때 종단간의 평균 지연시간을 비교한다. SDN 기반 분산 시뮬레이션 환경에서 데이터 전송 경로는 각 SDN 컨트롤러의 규칙에 따라 설정된다. 시뮬레이션에 사용 된 RYU 컨트롤러는 라우팅을 할 때 다익스트라(Dijkstra) 알고리즘을 사용하여 경로를 설정하기 때문에 제안 구조와 Dijkstra 알고리즘을 비교한다. 또한 네트워크 혼잡 상황을 고려할 땐 대역폭을 가중치로 사용하는 포드 풀커슨(Ford-FulKerson) 알고리즘과도 비교한다. 두 알고리즘과 제안 된 구조의 종단간 평균 지연시간을 비교하였을 때 제안 구조의 종단 간 평균 지연 시간이 다익스트라 알고리즘보다 약 $ 15 \%-74 \% $, 포드 풀커슨 알고리즘 보다 약 $ 13 \%-73 \% $ 낮게 측정되는 것을 볼 수 있다.</p>	[ "SDN을 통해 논리적으로 통합된 네트워크는 호스트만 있는 경로만 설정해준 경로보다 많은 탐색 메시지가 발생하게 되는가?", "그림 7은 어느 때에 전체 네트워크에 전송하는 탐색 메세지 수를 비교하는가?", "분산 네트워크 환경에서 탐색 불가능한 문제 해결을 위해 무엇을 적용하는가?", "기존 DDS에서 참여자 탐색 메시지는 무엇만큼 발생하는가?", "그림 6에는 무엇이 구성되어있는가?", "SDN을 적용하여 네트워크 환경을 통합하면 참여자 메세지는 원격 도메인 참여자에게 전달되는가?", "그림 8이 참색 메세지 수를 비교하는 때는 언제인가?", "분산 네트워크 환경에서 SDN을 적용하고 분산 시뮬레이션 네트워크 환경을 논리적으로 통합하는 방식으로 탐색 불가능한 문제를 해결할 수 있는가?", "시뮬레이션은 우분투 12.04에서 무슨 환경을 구성하는가?", "그림 9는 어떤 때에서 종단간의 평균 지연시간을 비교하는가?" ]
d8ed50eb-a831-48d8-840b-14347ef23343	인공물ED	실리콘 나노 와이어 기반의 무접합 MOSFET의 최적 설계 및 기본적인 고주파 특성 분석	<h1>I. 서 론</h1><p>전기적 특성 향상 및 경제성 제고를 위하여 반도체 소자의 채널 길이가 짧아짐에 따라 설계한 유효 채널 길이를 확보하기 위한 공정을 개발하는데 어려움이 나타나고 있다. 특히 constant-field scaling rule에 의하여 소스/드레인 접합은 점차 얕아지고 이에 따라 전 류 전도에 참여하는 전자를 제공할 이온의 수가 적어짐으로 인해 완전한 activation을 통하여 원하는 수준의 전류 레벨을 얻기 위해서는 thermal budget에 잠정적인 하한을 두게 된다. 하지만 유효 채널 길이의 확보를 위해서는 동시에 thermal budget의 상한을 고려하지 않으면 안된다. diffusion 효과를 정확하게 고려하지 않으면 $ 30 \mathrm{~nm} $ 이하의 채널을 갖는 초미세 소자에서 원하는 특성과 신뢰성을 얻기가 어렵게 된다. 근래에는 이러한 process margin를 완화할 수 있도록 기존의 $ \mathrm{n}+/ \mathrm{p}(+) / \mathrm{n}+ $ 의 이온 주입으로 형성되는 소스/채널/드레인 구조에서 채널에 해당하는 $ \mathrm{p}^{-\mathrm{type}} $ 영역 또한 $ \mathrm{n}+ $ 이온 주입하여 소스와 드레인 구분을 제거한 Junctionless(JL) MOSFET에 관한 연구가 이루어지고 있다. \mathrm{n} \)-type JL MOSFET은 채널의 모든 영역이 동일한 종류와 농도로 $ \mathrm{n} $-type 이온 주입되며 accumulation 상태로 동작하게 된다. 축퇴 도핑된 $ \mathrm{p} $-type polysilicon 게이트를 사용함으로써 문턱 전압 을 양의 값으로 상승시킬 수 있어 기존의 n-type MOSFET과 동일한 동작을 구현한다. 본 논문에서는 J MOSFET을 Silicon Nanowire (SNW) 구조에 적용 하여 초미세 소자의 제작을 위한 공정상의 장점과 SNW 구조의 MOSFET이 갖는 전기적 특성 면에서의 장점-채널에 대한 게이트의 높은 장악력, 향상된 subthreshold swing 특성, short channel effect의 효과적 억제, 높은 전류 구동 능력 등-을 동시에 기할 수 있는 JL SNW NMOSFET을 최적 설계한다. Low Standby Power(LSTP), High Performance (HP), Low Operating Power (LOP)로 대표되는 특정 반도체 소자의 용도 중에서 JL MOSFET가 가장 효과적으로 사용 될 수 있는 용도는 LSTP이다. 3차원 소자 시뮬레이션 (ATLAS, Silvaco International)을 통하여 차세대 LSTP 소자로서의 요건을 충족하는 π $ \mathrm{SNW} $ NMOSFET을 최적 설계하고 Transconductance (gm), Drain-source Conductance(gds), Current Gain Cut-off Frequency $ (\mathrm{fT}) $, Maximum Oscillation Frequency(fmax) 등의 고주파 특성을 기술하는 주요 parameter 들을 추출하였다. 동작 조건 $ (\mathrm{VGS}=\mathrm{VDS}=1.0 \mathrm{~V}) $ 에서 $ \mathrm{fT} $ 와 $ \mathrm{fmax} $ 는 각각 $ 367.5 \mathrm{GHz}, 602.5 \mathrm{GHz} $ 의 높은 값을 가지는 것으로 확인하였고 임의의 전압 조건하에서 $ \max $ 가 가질 수 있는 최대값은 $ 904.8 \mathrm{GHz} $ 인 것으로 나타났다.</p>	[ "J MOSFET을 Silicon Nanowire (SNW) 구조에 적용하여 어떤 MOSFET을 만들어?", "JL SNW NMOSFET의 장점은 뭐야?", "반도체 소자의 채널 길이가 짧아지면 어떤 것을 확보하는데 어려움이 생겨?", "thermal budget의 상한, 하한은 모두 고려되어야해?", "thermal budget의 상한은 왜 고려되어야 해?", "반도체 소자의 채널 길이가 짧아짐에 따라 thermal budget의 상한을 고려하는 것이 점점 어려워지고 있어?", "\$ 10 \\mathrm{~nm} \$의 채널을 갖는 소자에서 diffusion 효과는 고려되어야해?", "\$ 30 \\mathrm{~nm} \$ 이하의 채널을 갖는 초미세 소자에서 원하는 특성과 신뢰성을 얻으려면 어떤 효과를 고려해야해?", "\$ 30 \\mathrm{~nm} \$ 이하의 채널을 갖는 초미세 소자에서 diffusion 효과가 고려되어서 얻고자 하는것이 뭐야?", "기존의 \$ \\mathrm{n}+/ \\mathrm{p}(+) / \\mathrm{n}+ \$ 의 이온 주입으로 형성되는 소스/채널/드레인 구조에서 채널에 해당하는 \$ \\mathrm{p}^{-\\mathrm{type}} \$ 영역 또한 \$ \\mathrm{n}+ \$ 이온 주입한 모스펫을 뭐라고 해?", "축퇴 도핑된 \$ \\mathrm{p} \$-type polysilicon 게이트를 사용하면 어떤 변화가 생겨?", "Junctionless(JL) MOSFET에서 소스와 드레인 구분을 어떻게 제거했어?", "문턱 전압 을 양의 값으로 상승시키려면 어떻게 해야해?", "JL MOSFET은 축퇴 도핑된 \$ \\mathrm{p} \$-type polysilicon 게이트를 사용하면 무슨 MOSFET가 동일한 동작을 해?", "특정 반도체 소자에서 높은 효율을 원한다면 어떤 반도체 소자를 써야해?", "동작 조건은 얼마야?", "임의의 전압 조건하에서 \\maxmax 가 가질 수 있는 최대값은 어떻게 나와있어?", "\$ \\mathrm{fmax} \$값은 \$ 367.5 \\mathrm{GHz} \$야?", "반도체 소자의 채널 길이가 어느정도 이하로 낮아지게 되면, 오히려 유효 채널 길이가 확보되기가 어려워?", "소자의 채널 길이가 짧아지면 전기적 특성이 향상돼?", "소스/드레인 접합은 점차 얕아지면 전류 전도에 참여하는 이온이 적어져?", "전자를 제공할 이온의 수가 많아지면 원하는 수준의 전류 레벨을 맞추기가 보다 쉬워져?", "constant-field scaling rule에서 완전한 activation을 통하여 원하는 수준의 전류 레벨을 얻기 위해서는 어디에 잠정적인 하한을 둬야해?", "전류 전도에 참여하는 전자를 제공할 이온의 수를 증가시키는 방법 중 하나는 소스/드레인 접합을 깊게 만드는거야?", "유효한 채널 길이 확보를 위해서는 뭐를 고려해야해?", "diffusion 효과를 정확하게 고려하면, \$ 30 \\mathrm{~nm} \$ 이하의 채널을 갖는 초미세 소자에서 원하는 특성과 신뢰성을 얻을 수 있어?", "Junctionless(JL) MOSFET에 관한 연구가 이루어지는 이유가 뭐야?", "p-type MOSFET의 동작 구현은 JL MOSFET에 축퇴 도핑된 \$ \\mathrm{p} \$-type polysilicon 게이트를 사용하면 가능해?", "논문에서는 J MOSFET을 어디에 적용해?", "설계한 유효 채널 길이를 확보하기 위한 공정을 개발하는데 어려움이 나타나는 이유가 뭐야?", "반도체 소자의 채널 길이가 짧아지는 이유가 뭐야?", "완전한 activation을 통하여 원하는 수준의 전류 레벨을 얻기 위해서는 thermal budget에 잠정적인 하한을 두게 된다는 룰은 어떤 룰이야?", "Junctionless는 뭐와 뭐의 구분이 없어진거야?", "JL MOSFET가 가장 효과적으로 사용 될 수 있는 용도는 어떤 용도야?", "가장 효율적으로 JL MOSFET 사용하려면 Low Operating Power의 용도로 써야해?", "소스/채널/드레인 구조에서 채널은 어떤 이온들의 주입으로 형성돼?" ]
40b0bbd3-adc9-49c9-a769-ac7724cadd2b	인공물ED	실리콘 나노 와이어 기반의 무접합 MOSFET의 최적 설계 및 기본적인 고주파 특성 분석	<p>시뮬레이션 분석에 사용된 NMOSFET의 채널 길이와 반지름은 각각 $ 30 \mathrm{~nm}, 5 \mathrm{~nm} $ 로 고정하였다. SNW NMOSFET의 경우 채널 도핑을 boron $ 1 \times 10^{17} \mathrm{~cm}^{-3} $ 에서 $ 1 \times 10^{19} \mathrm{~cm}^{-3} $ 까지 변화시켰으며 JL SNW NMOSFET에 대해서는 유의미한 도평 영역인 arsenic $ 1 \times 10^{19} \mathrm{~cm}^{-3} $ 에서 $ 3 \times 10^{19} \mathrm{~cm}^{-3} $ 까지 변화시켰다. 드레인 전압이 증가함 에 따라 포텐셜 장벽의 높이가 낮아지는 현상은 공통적으로 확인할 수 있었다. 동일한 채널 길이를 갖는 소자에 대하여 드레인 전압을 증가시키는 것은 채널 길이를 줄이면서 동일한 드레인 전압을 인가하는 상황이므로 DIBL의 평가를 위한 동일한 실험으로 파악할 수 있다. SNW NMOSFET에서는 포텐셜 장병의 변화가 채널 도핑 농도와는 거의 무관하게 나타났으며 $ V_{D S}=0 \mathrm{~V} $ 에서 $ V_{D S}=5 $ V까지의 $ \mathrm{DIBL} $ 의 평균 변화율은 $ 2.80 $ $ \mathrm{mV} / \mathrm{V} $ 로 계산되었다. JL SNW NMOSFET에서는 arsenic $ 1 \times 10^{19} \mathrm{~cm}^{-3} $ 와 $ 3 \times 10^{19} \mathrm{~cm}^{-3} $ 두 가지 채널 도핑 농도 조건에 대하여 DIBL 의 변화를 살펴보았는데 후자의 경우에 DIBL 의 변화가 근소하게 커지는 결과를 확인하였다. 그러나 이전의 분석을 통해 $ 4 \times 10^{19} \mathrm{~cm}^{-3} $ 미만의 채널 도핑 농도를 갖도록 공정 설계를 해야 한다는 결과를 상기해불 때, $ 3 \times 10^{19} \mathrm{~cm}^{-3} $ 에서의 DIBL 변화가 허용 가능한 도핑 조건에서의 DIBL 변화의 최대값 근 방에서 나타나는 것으로 판단할 수 있다. 계산을 통해 JL SNW NMOSFET이 가질 수 있는 DIBL의 최대 평 균 변화율은 $ 1.55 \mathrm{mV} / \mathrm{V} $ 로서 동일한 dimension을 갖는 기존의 SNW NMOSFET 대비 $ 55.4 \% $ 수준에 해당한다. 이로써 최적의 DC 특성 확보를 위한 $ 1 \times 10^{19} \mathrm{~cm}^{-3} $ 이상의 채널 도핑 영역에서 JL SNW NMOSFET의 DIBL 특성 역시 SNW MOSFET보다 우수함을 검증하였다.</p><p>상기의 내용과 같이 채널 도핑 농도의 최적화를 위한 기준으로서 문턱 전압, $ I_{o n} $ 과 $ I_{o f f} $ 및 전류비, $ g_{m}, \mathrm{SS} $, $ \mathrm{DIBL} $ 등의 여러 가지 항목을 총체적으로 고려하였다. SNW 구조가 갖는 장점으로 인해 $ g_{m}, \mathrm{SS} $ 특성은 전반적으로 우수하여 이들 항목이 허용하는 채널 도핑 농도 의 범위 역시 $ 1-4 \times 10^{19} \mathrm{~cm}^{3} $ 로 여타의 항목이 제시하는 기준보다 넓음을 알 수 있다. $ I_{o r} / I_{\text {off }} $ 전류비와 문턱 전 압 특성은 각각 $ 3.7 \times 10^{19} \mathrm{~cm}^{-3} $ 이하와 $ 2-3 \times 10^{19} \mathrm{~cm}^{-3} $ 수준의 채널 도핑으로 공정이 이루어져야 함을 보여준다.가장 엄격한 조건인 $ I_{o n}, I_{o f f} $ 특성에서는 $ 3.4 \times 10^{19} \mathrm{~cm}^{-3} $ 의 농도 조건을 제시하고 있다. 이 값은 상기 고려 항목들 을 토대로 얻은 결과들과 거의 일치하며 향상된 DIBL 특성을 보이는 조건으로서 이후의 분석에서는 $ 3.4 \times 10^{19} $ $ \mathrm{cm}^{-3} $ 의 채널 도핑 농도를 최적화된 값으로 사용하였다.</p><h2>2. 채널 반지름에 대한 DC 특성의 최적화</h2><p>그림 11은 SNW 채널 반지름의 변화에 따른 $ I_{D}-V_{G S} $ 특성 곡선을 나타낸다. 채널 도핑 농도는 $ 3.4 \times 10^{19} \mathrm{~cm}^{-3} $으로 고정하였다. 반지름이 커짐에 따라 swing 특성이 열화되고 $ I_{\text {off }} $ 가 증가하였다. 채널의 반지름이 $ 7 \mathrm{~nm} $ 이하일 때 적절한 전달 특성을 얻을 수 있음을 알 수 있 다. 그림 12 는 채널 반지름에 대한 문턱 전압과 $ \mathrm{SS} $ 의 변화를 나타낸 그래프이다. $ 2-7 \mathrm{~nm} $ 의 유의미한 범위에서 $ \mathrm{SS} $ 는 $ 70 \mathrm{mV} / \mathrm{dec} $ 미만의 좋은 특성을 나타냈다. 각 경우 단위 width 당 전류로 환산한 후 $ I_{D}=0.1 \mu \mathrm{A} / \mu \mathrm{m} $ 에서의 게이트 전압을 추출하여 roadmap이 제시하는 LSTP 응용에 적합한 문턱 전압 범위와 비교하였을 때, 최적의 채널 반지름은 4-5 $ \mathrm{nm} $ 임을 확인할 수 있다.</p>	[ "시뮬레이션 분석에 사용된 NMOSFET의 채널 길이와 반지름은 각각 얼마야?", "시뮬레이션 분석는 PMOSFET이 사용되었어?", "NMOSFET은 시뮬레이션 분석 과정을 거쳤어?", "SNW NMOSFET의 경우 채널 도핑을 어떤 원소로 했어?", "SNW NMOSFET의 경우 채널 도핑을 boron을 얼마에서 얼마까지 변화시켰어?", "arsenic \$ 1 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 에서 \$ 3 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 까지 변화시킨 MOSFET은 어떤 MOSFET이야?", "드레인 전압이 증가하면 어떤 현상이 일어나?", "SNW NMOSFET은 드레인 전압이 증가하면 포텐셜 장벽의 높이가 낮아졌지만, JL SNW NMOSFET은 그렇지 않았어?", "포텐셜 장벽의 높이가 낮추려면 어떤 전압이 올라가야해?", "동일한 채널 길이를 갖는 소자에 대하여 드레인 전압을 증가시키는 것은 어떤 상황과 동일해?", "SNW NMOSFET에서는 포텐셜 장병의 변화를 확인할 때, \$ V_{D S} \$의 변화 최댓값은 얼마야?", "JL SNW NMOSFET에서는 채널 도핑 농도 조건이 올라갔을 때, DIBL의 값이 근소하게 커졌어?", "\$ V_{D S}=0 \\mathrm{~V} \$ 에서 \$ V_{D S}=5 \$ V까지의 \$ \\mathrm{DIBL} \$ 의 평균 변화율은 얼마야?", "DIBL의 최대 평 균 변화율은 \$ 1.55 \\mathrm{mV} / \\mathrm{V} \$는 어느 값이랑 동일해?", "NW NMOSFET에서는 포텐셜 장병의 변화는 어떤 값과는 거의 무관해?", "DIBL의 평가를 위한 동일한 실험으로 동일한 채널 길이를 갖는 소자에 대하여 드레인 전압을 증가시키는 것을 분석할 수 있어?", "JL SNW NMOSFET이 가질 수 있는 DIBL의 최대 평균 변화율은 얼마야?", "어느 농도 이상의 채널 도핑 영역에서는 JL SNW NMOSFET의 DIBL 특성 역시 SNW MOSFET보다 우수해?", "문턱 전압, \$ I_{o n} \$ 과 \$ I_{o f f} \$ 및 전류비, \$ g_{m}, \\mathrm{SS} \$, \$ \\mathrm{DIBL} \$ 등의 여러 가지 항목은 무엇을 위한 기준이야?", "\$ 1 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 이상의 채널 도핑 영역에서는 JL SNW NMOSFET의 DIBL 특성 역시 SNW MOSFET보다 우수해?", "\$ I_{o n} \$ 과 \$ I_{o f f} \$ 및 전류비는 채널 도핑 농도를 최적화 하는 곳에 이용될 수 있어?", "\$ I_{o r} / I_{\\text {off }} \$ 전류비와 문턱 전 압 특성을 통해서, 두 특성 모두 동일한 수준의 채널 도핑 공정을 이루어야함을 보여주고 있어?", "가장 엄격한 조건인 \$ I_{o n}, I_{o f f} \$ 특성은 어떤 수치의 농도 조건을 제시해?", "\$ g_{m}, \\mathrm{SS} \$의 항목들이 허용하는 채널 도핑 농도 범위는 얼마야?", "채널 도핑 농도의 최적화를 위한 기준으로서 해당되는 것은 뭐야?", "그림 11에는 어떤 채널 반지름의 변화가 나타나있어?", "\$ 3.4 \\times 10^{19} \$ \$ \\mathrm{cm}^{-3} \$ 값은 기 고려 항목들 을 토대로 얻은 결과들과 거의 일치해?", "채널 도핑 농도를 최적화된 값으로 사용된 채널 도핑 농도는 얼마야?", "그림 11에는 채널 반지름 변화에 따른 어떤 곡선이 나타나있어?", "채널 도핑 농도의 최적화를 위한 기준 중 가장 엄격한 조건이 뭐야?", "\$ I_{o r} / I_{\\text {off }} \$ 전류비와 문턱 전 압 특성은 채널 도핑 농도에 관한 정보를 제공해줘?", "채널의 반지름이 \$ 7 \\mathrm{~nm} \$ 이하일 때 어떤 특성을 얻을 수 있어?", "채널 반지름이 \$ 14 \\mathrm{~nm} \$이면 적절한 전달 특성을 얻기 힘들어?", "특선 곡선 중, 그림 11에 나타난 곡선은 뭐와 뭐에 관한 곡선이야?", "\$ I_{o n}, I_{o f f} \$ 특성에서 제시하는 농도 조건은 다른 특성들이 제시하는 값보다 항상 커?", "\$ I_{D}-V_{G S} \$ 특성 곡선은 그림 11에서 SNW 채널의 어떤 값의 변화에 따라 그려졌어?", "채널 길이가 얼마일때, \$ \\mathrm{SS} \$가 좋은 특성을 보였어?", "그림 11에서 채널 도핑 농도는 얼마야?", "\$ \\mathrm{SS} \$ 의 변화는 그림 12에서 확인하기 어려워?", "swing 특성을 열화, \$ I_{\\text {off }} \$ 가 증가시키려면 채널 반지름을 감소시켜야해?", "SNW 채널 반지름이 어떨 때, 적절한 전달 특성을 얻을 수 있어?", "체널 도핑 농도는 상황에 따라 지속적으로 변화시키면서 계산 되었어?", "SNW 채널 반지름이 커지면 어떤 변화가 생겨?", "채널 반지름은 그림 12를 통해서 보면 어떤 값을 변화시켜?", "그림 12는 어떤 값을 보여주고 있어?", "채널 반지름이 \$ 7 \\mathrm{~nm} \$일 때가, \$ 14 \\mathrm{~nm} \$일때보다, \$ I_{\\text {off }} \$가 작아?", "최적의 채널 반지름은 얼마야?", "각 경우 단위 width 당 전류로 환산한 후 어떤 조건에서 게이트 전압을 추출했어?", "\$ 2-7 \\mathrm{~nm} \$ 의 유의미한 범위에서 \$ \\mathrm{SS} \$ 는 어떤 값 미만의 특성을 보였어?", "채널 반지름이 변화하면 문턱 전압도 변해?", "시뮬레이션 분석에 사용된 NMOSFET의 채널 길이는 반지름의 6배야?", "채널 도핑 농도는 그림 11에서 \$ 2.4 \\times 10^{19} \\mathrm{~cm}^{-3} \$보다 큰 값이야?", "DIBL 의 변화는 JL SNW NMOSFET에서 몇가지 채널 도핑농도 조건에서 살펴보았어?", "\$ I_{o r} / I_{\\text {off }} \$ 전류비와 문턱 전 압 특성을 통해서 각각 어떤 수준의 채널 도핑으로 공정이 이루어져야함을 알 수 있어?", "\$ g_{m}, \\mathrm{SS} \$ 특성은 전반적으로 우수한 이유가 뭐야?", "허용되는 채널 도핑 농도 의 범위 \$ 1-4 \\times 10^{19} \\mathrm{~cm}^{3} \$ 값은 여타 항목들의 값보다는 좁은 값이야?", "\$ I_{o n}, I_{o f f} \$ 특성에서 고려된 농도 조건이 최적화 된 값으로 설정됐어?", "그림 11은 SNW 채널 지름의 변화에 따른 \$ I_{D}-V_{G S} \$ 특성 곡선을 나타내고 있어?" ]
f3b6ac29-34fc-49ef-8c8a-e414db288a76	인공물ED	실리콘 나노 와이어 기반의 무접합 MOSFET의 최적 설계 및 기본적인 고주파 특성 분석	<h1>II. $ 30 \mathrm{~nm} $ 급 JL SNW MOSFET의 최적 설계</h1><h2>1. 채널 도핑 농도에 대한 $ D C $ 특성의 최적화</h2><p>그림 1은 3차원 소자 시뮬레이션에서 사용한 $ 30 \mathrm{~nm} $ JL SNW MOSFET의 구조과 수치 해석을 위한 mesh 구조를 나타내고 있다. polysilicon gate depletion 현상 을 제거하기 위해 축퇴 도평한 p-type 게이트를 사용하였고, 소스/드레인 전극의 컨택 물질은 aluminum이라고 가정하였다. International Technology Roadmap for Semiconductors(ITRS)가 제시하는 향후 10 년 이내의 LSTP 소자가 갖는 산화막 두께인 $ 1 \mathrm{~nm} $ 로 정하여 구조적인 측면에서의 설계 조건은 채널 도핑 농도와 SNW 채널의 반지름의 두 가지로 압축하였다. 안정적인 누설 전류 억제를 위해 EOT(equivalent oxide thickness) 가 $ 1 \mathrm{~nm} $ 인 high- $ \kappa $ 물질을 사용할 수 있다. 그림 2 는 채 널 도핑에 따른 Л SNW NMOSFET의 전달 특성을 나타낸다. 채널 도핑은 arsenic $ 1 \times 10^{17} \mathrm{~cm}^{-3} $ 에서 $ 1 \times 10^{20} $ $ \mathrm{cm}^{-3} $ 까지 변화시켰으며 인가된 드레인 전압은 $ 1.0 \mathrm{~V} $ 이 고 $ \mathrm{SNW} $ 채널의 반지름은 $ 5 \mathrm{~nm} $ 이다.</p><p>그림 3은 채널 도핑 농도에 따른 문턱 전압의 변화를 살펴본 결과이다. 그림 2에서 얻은 raw data를 단위 width 당 전류로 환산한 후 constant current method를 통하여 문턱 전압을 추출하였다. 문턱 전압은 드레인 전류가 $ 0.1 \mathrm{\mu A} / \mathrm{\mu m} $ 일 때의 게이트 전압으로 정의하였다. 채널 도핑 농도에 대하여 linear scale, logarithm scale 로 살펴보았을 때 모두 채널 도핑이 증가함에 따라 문턱 전압은 단조 감소하는 결과가 나타났다. 가로 방향 의 빗금 영역은 roadmap이 제시하고 있는 LSTP 동작을 목표로 하는 소자의 문턱 전압인 $ 0.4 \mathrm{~V} \pm 0.1 \mathrm{~V} $ 근방을 나타내고 있으며 세로 방향의 빗금 영역은 해당 채널 도핑 농도를 나타낸다. 따라서 두 영역이 교차되는 영역에서 원하는 문턱 전압을 갖는 소자를 제작하기 위한 공정 조건을 모색할 수 있게 된다. $ 0.4 \mathrm{~V} \pm 0.1 \mathrm{~V} $ 근방의 문턱 전압을 갖도록 하는 해당 채널 도핑 농도의 범위는 $ 2-3 \times 10^{19} \mathrm{~cm}^{-3} $ 수준인 것으로 확인할 수 있다. 그림 4 는 roadmap이 제시하고 있는 on-state current $ \left(I_{o n}\right) $ 의 하한 $ (500 \mu \mathrm{A} / \mathrm{\mu m}) $ 및 off-state current $ \left(I_{o f}\right) $ 의 상한을 고려하여 최적 채널 도핑 농도를 구한 결과이다. 그림 2 3에서의 결과와 마찬가지로 드레인에 구동 전압 $ \left(V_{D D}\right) $ 이 인가되어 있는 상태에서 파악하는 전류 수준이 의미를 갖는다는 점에서 드레인에는 $ V_{D S} $ $ =V_{D D}=1.0 \mathrm{~V} $ 를 인가하고 $ \mathrm{SNW} $ 의 반지름은 $ 5 \mathrm{~nm} $ 로 정하였다. 단위 width 당 전류로 환산하여 비교 분석을 수행하였다. 동일한 채널 도핑 농도에서의 $ I_{o n}, I_{o f f} $ 가 동시에 빗금친 영역에 포함될 수 있도록 하는 채널 도핑 농도는 $ 3.4 \times 10^{19} \mathrm{~cm}^{-3} $ 부근인 것으로 확인하였다. 이 값 은 채널 도핑 농도에 따른 문턱 전압의 변화를 보여주 는 그림 3에서 적절한 채널 도핑 농도로 제시된 $ 2-3 \times 10^{19} \mathrm{~cm}^{-3} $ 수준과 거의 일치하는 결과를 나타낸다. 그림 5 는 채널 도핑 농도에 따른 $ I_{o n} / I_{o f f} $ 전류비를 나타낸 결과이다. 채널 도핑 농도가 증가함에 따라 전류비는 단조 감소하는 결과를 확인할 수 있다. 전류비에 관 하여 정량적으로 제시된 기준은 존재하지 않지만 $ I_{o n} $, $ I_{0 \text { of }} $ 는 order만을 고려한다면 각각 단위 width당 $ \mu \mathrm{A} $ 와 $ \mathrm{pA} $ 수준을 나타내므로 이들의 비를 상회하는 값인 $ 10^{7} $ 을 유의미한 하한으로 규정해볼 수 있다. 그림 5의 결과로부터 $ 10^{7} $ 이상의 전류비를 얻기 위해서는 채널 도 핑 농도가 $ 3.7 \times 10^{19} \mathrm{~cm}^{-3} $ 이하가 되어야 함을 확인할 수 있다. 이 부근에서는 $ I_{o n} $ 이 선형적으로 증가함에 반해 $ I_{a f f} $ 는 지수적으로 변화하여(그림 4) 그 결과 전류비의 변화가 가장 급격한 영역으로 나타남을 알 수 있다.</p>	[ "\$ 10^{7} \$ 이상의 전류비를 얻기 위해서 필요한 채널 도핑농도는 몇입니까?", "채널 도 핑 농도가 \$ 3.7 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 이하인 부근에서의 전류비 변화가 급격한 영역으로 나타나는 선형적 증가 때문인가요?", "그림 3은 무엇의 문턱 전압의 변화를 나타낸건가요?", "그림 3은 채널 도핑 농도에 따른 무엇을 살펴본 결과입니까?", "raw data를 무엇으로 환산하였나요?", "그림 2에서 얻은 data를 통해 문턱 전압을 어떻게 추출하였나요?", "constant current method를 통해 추출한 문턱전압은 어떻게 정의됩니까?", "채널 도핑 농도에 대한 두 가지 scale은 각각 어떤 것이었습니까?", "드레인 전류가 \$ 0.1 \\mathrm{\\mu A} / \\mathrm{\\mu m} \$의 전압은 채널 도핑 농도에 대해 어떤 추세였나요?", "logarithm scale의 채널 도핑 농도와 문턱 전압은 상관성이 있었습니까?", "linear scale의 채널 도핑 농도와 문턱 전압의 관계는 반비례했습니까?", "가로 방향 의 빗금 영역의 목표는 무엇입니까?", "LSTP 동작에 대한 내용은 어디에 표시되어 있습니까?", "세로 방향의 빗금 영역은 무엇을 나타냅니까?", "채널 도핑 농도에 따라 문턱 전압과 채널 도핑의 관계는 어떻게 관찰되었습니까?", "제시문에 의하면 LSTP의 최대 문턱전압은 0.5입니까?", "제시문에 의하면 LSTP의 최대 문턱전압은 0.3입니까?", "\$ 0.4 \\mathrm{~V} \\pm 0.1 \\mathrm{~V} \$ 에서의 채널 도핑 농도의 범위는 몇입니까?", "\$ 0.4 \\mathrm{~V} \\pm 0.1 \\mathrm{~V} \$ 채널 도핑 농도의 범위 내에서 문턱 전압이 감소한다면 채널 도핑 농도는 어떻게 변합니까?", "그림 4 에서 최적 채널 도핑 농도는 어떻게 구했습니까?", "on-state current \$ \\left(I_{o n}\\right) \$의 하한 값은 몇인가요?", "\$ \\mathrm{SNW} \$의 반지름은 몇인가요?", "드레인의 구동 전압은 몇인가요?", "동일한 채널 도핑 농도에서의 채널 도핑 농도는 얼마정도로 확인되었습니까?", "on-state current와 off-state current는 각각 어디에 포함되게 했습니까?", "\$ 2-3 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 수준의 도핑 농도는 어느정도로 판단됩니까?", "\$ I_{o n}, I_{o f f} \$ 가 \$ 3.4 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 인 것은 무슨 의미입니까?", "드레인에 구동전압과 드레인 전압을 인가한 뒤 무엇을 했습니까?", "채널 도핑 농도가 증가함에 따라 전류비는 단조 감소하는 결과를 그림 5 에서 확인 할 수 있었습니까?", "채널 도핑 농도에 따른 \$ I_{o n} / I_{o f f} \$ 전류비를 정량적으로 제시된 기준은 존재합니까?", "비를 상회하는 값인 \$ 10^{7} \$ 이 왜 유의미한가요?", "채널 도핑 농도가 \$ 3.7 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 이하가 되어야 하는 이유가 있나요?", "채널 도핑 농도가 \$ 3.7 \\times 10^{19} \\mathrm{~cm}^{-3} \$ 부근에서의 특징은 무엇입니까?", "\$ I_{o n} \$, \$ I_{0 \\text { of }} \$ 는 order를 통해 단위 width 당의 수준은 무엇으로 대표할 수 있습니까?", "그림 5 의 채널 도핑 농도는 무엇에 관한 것입니까?", "이 부근에서는 \$ I_{o n} \$ 은 비선형적으로 증가합니까?", "전류비의 변화가 가장 급격한 영역의 원인은 무엇입니까?", "logarithm scale의 채널 도핑 농도와 문턱 전압은 어떤 상관성이 있었습니까?", "소자의 문턱 전압인 \$ 0.4 \\mathrm{~V} \\pm 0.1 \\mathrm{~V} \$ 근방을 나타낸 소자는 무엇입니까?", "드레인의 인가된 전압은 몇인가요?" ]
1d1a45e9-c70a-4795-87cb-f3d228c0417a	인공물ED	실리콘 나노 와이어 기반의 무접합 MOSFET의 최적 설계 및 기본적인 고주파 특성 분석	<p>그림 6은 채널 도핑 농도에 따른 최대 트랜스컨덕턴 스 $ \left(g_{m, \text { max }}\right) $ 의 변화를 보여준다. $ 1 \times 10^{19} \mathrm{~cm}^{-3} $ 부근에서 극 대값을 갖고 이후 단조 감소하지만 감소폭은 크지 않아 임의의 두 지점을 잡아 비교해보면 고농도 기준 $ 18.1 \% $ 이하의 값을 나타내며 특히 $ 1-4 \times 10^{19} \mathrm{~cm}^{-3} $ 영역에서의 변화는 $ 8 \% $ 미만이다. 그림 7은 채널 도핑 농도에 따른 Subthreshold Swing(SS)의 변화를 나타낸다. 게이트 장악력이 높은 $ \mathrm{SNW} $ 구조의 장점으로 $ \mathrm{SS} $ 는 silicon MOSFET이 가질 수 있는 이론적 최소값인 $ 60 \mathrm{mV} / \mathrm{dec} $을 형성한다. 이를 통해 문턱 전압을 원하는 수준으로 상향 조정이 가능하고 기존의 NMOSFET과 동일한 형 태의 $ I_{D}-V_{G S} $ 특성 곡선을 얻을 수 있게 된다. 그림 9의 그림은 동작 조건 $ \left(V_{G S}=V_{D S}=1.0 \mathrm{~V}\right) $ 에서의 에너지 밴 드로서 에너지 장벽이 소멸된 상태를 확인할 수 있다.</p><p>그림 10 은 여러 가지 채널 도핑 조건하에서 드레인 전압에 따른 전자의 포텐셜 에너지 장벽이 갖는 높이의 변화를 살펴본 시뮬레이션 결과이다. 이를 통하여 JL SNW NMOSFET의 Drain-Induced Barrier Lowering (DIBL) 특성을 정확하게 파악할 수 있다. Л $ \mathrm{SNW} $ NMOSFET과 기존의 SNW NMOSFET을 비교 분석하였다. 축적 상태에서 동작하는 JL SNW NMOSFET에 대해서는 arsenic의 농도를, 반전 상태에서 동작하는 SNW NMOSFET에 대해서는 채널 영역의 boron의 농도를 변화시키면서 소스 영역에서 채널 영역의 방향으 로 형성되어 있는 에너지 장벽의 높이 변화를 살펴보았다. DIBL 은 흔히 동일한 게이트 전압 조건에서 드레인 전압의 변화에 따른 드레인 전류의 변화를 드레인 전압 의 변화에 대한 문턱 전압의 변동으로 정량화 $ (\mathrm{V} / \mathrm{V}) $ 한다. 그러나 드레인 전압의 변화에 따른 전류의 변화는 문턱 전압, 즉 전자의 포텐셜 에너지 장벽의 변화 외에도 표동 속도 오버슛, 탄도 전송 등과 같은 경로 의존성에서도 기인한다. 따라서 전류의 변화를 문턱 전압의 변화로 환산하기보다는 앞서 그림 8에서 명시한 바와 같이 순수하게 에너지 장벽의 절대값만을 고려하 여 드레인 전압에 의한 에너지 장벽의 변화를 보다 엄밀하게 살펴보았다. 공정한 비교 분석을 위해 여타의 모든 농도 조건에서는 게이트 바이어싱을 하여 $ V_{D S}= $ $ 0 \mathrm{~V} $ 일 때의 에너지 장벽이 arsenic $ 3 \times 10^{19} \mathrm{~cm}^{-3} $ 로 도핑된 채널을 갖는 JL SNW MOSFET이 $ V_{G S}=V_{D S}=0 $ $ \mathrm{V} $ 일 때의 높이에 일치시켰다. 드레인 전압에 따른 에너지 장벽은 모두 $ V_{D S}=0 \mathrm{~V} $ 일 때의 값에 대해 정규화한 결과로 표현하여 신뢰성을 향상시켰다.</p>	[ "그림 6은 채널도핑 농도와 무엇의 관계를 보여주나요?", "극댓값은 어디에서 생기나요?", "무슨 값 이후 폭이 크지 않은 단조 감소 흐름을 보이나요?", "어디 영역에서 \$ 8 \\% \$ 미만의 변화를 보이나요?", "극댓값 이후 임의의 두 지점을 비교해보면 상대적으로 낮은 농도는 더 높은 농도 기준 몇 퍼센트 이하의 값을 나타내나요?", "본 논문에서는 기존의 SNW NMOSFET을 무엇과 비교했나요?", "그림 10에서는 채널 도핑 조건을 다양화한 후 드레인 전압에 따라 무엇을 관찰했나요?", "전자의 포텐셜 에너지 장벽은 무엇의 영향을 받나요?", "그림 10을 통해 JL SNW NMOSFET의 무슨 특성을 파악할 수 있나요?", "DIBL은 무엇의 약자인가요?", "JL SNW NMOSFET 채널에서는 무엇의 농도를 변화해봤나요?", "그림 7은 채널 도핑 농도에 따른 무엇의 변화를 보여주나?", "게이트 장악력이 높은 구조는 무엇인가요?", "무엇이 게이트 장악력이 높은 구조야?", "silicon MOSFET의 이론적 최소값은 얼마인가요?", "\$ \\mathrm{SNW} \$ 구조를 이용하면 얻을 수 있는 기존의 NMOSFET과 동일한 곡선은 무슨 형태를 띠나요?", "\$ \\mathrm{SNW} \$ 구조를 이용하면 무엇의 상향 조정이 가능해지나요?", "그림 9의 동작 조건은 무엇인가?", "그림 9에서 에너지 밴드를 확인하면 에너지 장벽이 어떻게 된 상태를 관찰 가능한가요?", "드레인 전압에 따른 전자의 포텐셜 에너지 장벽의 높이 변화를 관찰한 결과는 몇 번째 그림에서 볼 수 있나요?", "축적 상태에서 arsenic의 농도를 변화시킨 채널은 무엇인가요?", "축적 상태에서 비소의 농도를 변화시킨 채널은 어느 영역인가요?", "SNW NMOSFET은 어느 상태에서 동작하나요?", "반전 상태에서는 어디에서 boron의 농도를 변화해봤나요?", "JL SNW NMOSFET은 어느 환경에서 작동하나요?", "반전 상태에서 동작하는 SNW NMOSFET에서는 어떤 원소의 농도를 변화시켰나요?", "그림 9에서 에너지 장벽이 없는 상태는 무엇을 통해 확인하나요?", "JL SNW NMOSFET와 SNW NMOSFE에서 각각 비소와 붕소의 농도를 변화시키면서 소스 영역에서 무엇을 관찰했나요?", "에너지 장벽의 높이 변화는 소스 영역에서 어느 방향으로 형성되어 있을 때 관찰했니?", "DIBL은 어느 조건에서 이루어지나요?", "DIBL은 동일한 게이트 조건 하에서 전압의 영향을 받는 드레인 전류의 변화를 무엇으로 정량화 하나?", "DIBL이 드렌인 전압의 변화에 따 문턱 전압의 변화로 정량화 할 때 사용하는 단위는 무엇인가요?", "드레인 전압의 변화에 따른 전류의 변화는 문턱 전압의 변화 외에 어디에서도 기인하나?", "드레인 전압의 변화에 따른 전류의 변화에 영향을 요인 중 경로 의존성에 해당되지 않는 것은 무엇인가요?", "드레인 전압에 의한 에너지 장벽은 무엇을 기준으로 한 값에 대해 정규화했나요?", "몇 번 그림에서 드레인 전압에 따른 에너지 장벽의 변화를 나타내었는가?", "드레인 전압에 따른 에너지 장벽의 변화를 몇 번 그림에서 나타내니?", "JL SNW MOSFET는 무엇으로 도핑된 채널을 갖니?", "JL SNW MOSFET는 무엇으로 도핑된 채널을 갖지?", "공정한 비교 분석을 위해서 모든 농도 조건에서 무엇을 했지?" ]
dbb8891d-ce54-46dd-935f-287f20bea1d1	인공물ED	실리콘 나노 와이어 기반의 무접합 MOSFET의 최적 설계 및 기본적인 고주파 특성 분석	<h1>요약</h1><p>기존의 $ \mathrm{n} $-type metal-oxide-semiconductor field effect transistor(NMOSFET)은 $ \mathrm{n}^{+} / \mathrm{p}^{(+)} / \mathrm{n}^{+} $type의 이온 주입을 통하여 소스/채널/드레인 영역을 형성하게 된다. $ 30 \mathrm{~nm} $ 이하의 채널 길이를 갖는 초미세소자를 제작함에 있어서 설계한 유효 채널 길이를 정확하게 얻기 위해서는 주입된 이온들을 완전히 activation하여 전류 수준을 향상시키면서도 diffusion을 최소화하기 위해 낮은 thermal budget을 갖도록 공정을 설계해야 한다. 실제 공정에서의 process margin을 완화할 수 있도록 오히려 $ \mathrm{p} $-type 채널 을 형성하지 않으면서도 기존의 NMOSFET의 동작을 온전히 구현할 수 있는 junctionless(JL) MOSFET이 연구중이다. 본 논문에서는 3차원 소자 시뮬레이션을 통하여 silicon nanowire(SNW) 구조에 접목시킨 JL MOSFET을 최적 설계하고 그러한 조건의 소자에 대하여 conductance, maximum oscillation frequency $ \left(f_{\text {max }}\right) $, current gain cut-off frequency $ \left(f_{T}\right) $ 등의 기본적인 고주파 특성을 분석한다. 채널 길이는 $ 30 \mathrm{~nm} $ 이며 설계 변수는 채널 도핑 농도와 채널 $ \mathrm{SNW} $ 의 반지름이다. 최적 설계된 $ \mathrm{J} \mathrm{SNW} $ $ \mathrm{NMOSFET} $ 에 대하여 동작 조건 $ \left(V_{G S}=V_{D S}=1.0 \mathrm{~V}\right) $ 에서 각각 $ 367.5 \mathrm{GHz}, 602.5 \mathrm{GHz} $ 의 $ f_{T}, f_{m x} $ 를 얻을 수 있었다.</p>	[ "\$ 30 \\mathrm{~nm} \$ 이하의 초미세소자를 제작함에 있어 설계한 유효 채널 길이를 정확하게 얻기 위해 낮은 thermal budget을 갖도록 공정을 설계해야 하는 이유가 무엇인가요?", "본 논문에서는 몇 차원의 소자 시뮬레이션을 통해 MOSFET를 최적 설계하나요?", "기존의 NMOSFET은 이온 주입을 통해 어떠한 영역을 형성하나요?", "기존의 NMOSFET의 경우 이온 주입을 통해 어떠한 영역을 구축하니", "NMOSFET은 이온주입을 통해 소스, 드레인과 함께 어떤 영역을 형성하나요?", "본 논문에서 분석하지 않는 고주파 특성은 무엇인가요?" ]
fec59da3-4100-45d4-8e4e-62dc12990eeb	인공물ED	실리콘 나노 와이어 기반의 무접합 MOSFET의 최적 설계 및 기본적인 고주파 특성 분석	<h1>III. 최적 설계된 소자의 RF parameter 추출</h1><p>그림 13과 14는 동작 전압 조건에 따른 주요 컨덕턴스 특성, 즉 트랜스컨덕턴스 $ \left(g_{m}\right) $ 와 드레인-소스 컨덕턴 스 $ \left(g_{d s}\right) $ 의 변화를 살펴보았다. $ g_{m}, g_{d s} $ 는 다음의 식에서와 같이 각각 current gain cut-off frequency $ \left(f_{T}\right) $, maximum oscillation frequency $ \left(f_{\text {max }}\right) $ 를 결정한다. \[ f_{T}=\frac{g_{m}}{2 \pi C_{g}} \]<caption>(1)</catpion>\[ f_{\max } \approx \frac{f_{T}}{\sqrt{4 R_{g, e f f}\left(g_{d s}+2 \pi f_{T} C_{g d}\right)}}, R_{s e} \ll R_{g} \]<caption>(2)</catpion>$ \left(R_{g, e f f}\right. $; 유효 게이트 저항, $ C_{g d} $ : 게이트-드레인 간 커패시턴스, $ R_{s e} $ : 외인성 소스 저항)</p><p>식(1)로부터 $ f_{T} $ 를 향상시키기 위해서는 충분히 높은 $ g_{m} $ 을 확보해야 함을 알 수 있다. 그림 13 에서 $ g_{m}, g_{d s} $ 모두 게이트 전압이 증가함에 따라 단조 증가하며 $ V_{G S} $ $ =0.5 \mathrm{~V} $ 부근부터 포화되는 경향성을 보여준다. 따라서 높은 $ g_{m} $ 을 얻기 위한 동작 조건은 $ V_{G S} \geq 0.5 \mathrm{~V} $ 의 조건을 포함해야 한다. 그림 14 에서 $ g_{m} $ 은 드레인 전압이 증가함에 따라 단조 증가하지만 $ g_{d s} $ 는 단조 감소하는 경향성을 보여준다. 식(2)로부터 $ f_{\max } $ 는 $ g_{d s} $ 가 감소함에 따라 단조 증가하는 $ g_{d s} $ 에 대한 함수이므로 전력 이득 관점에서는 $ g_{d s} $ 를 충분허 낮은 수준으로 억제하는 것이 바람직하다. $ V_{D S} \geq 0.5 \mathrm{~V} $ 에서는 $ g_{m} $ 과 $ g_{d s} $ 의 변화가 모두 둔화되는 것을 확인할 수 있다. 즉, 충분히 높은 $ g_{m} $을 확보하면서도 $ g_{d s} $ 를 효과적으로 억제할 수 있으므로 동작 조건은 $ V_{D S} \geq 0.5 \mathrm{~V} $ 의 조건을 포함해야 한다.</p><p>그림 15 는 드레인/게이트 전압에 따른 $ f_{T} $ 의 변화를 나타낸 결과이다. $ f_{T} $ 의 드레인 전압에 대한 의존성을 확 인하기 위하여 게이트 전압을 $ 1.0 \mathrm{~V} $ 으로 고정시킨 후 드레인 전압은 $ 0.1 \mathrm{~V} $ 씩 변화시켰다. 게이트 전압에 대 한 의존성 분석에서는 반대의 조건을 적용하였다. 두 경우 모두 바이어스가 증가함에 따라 $ f_{T} $ 가 단조 증가하는 결과를 나타냈다. 동작 전압인 $ V_{G S}=V_{D S}=1.0 \mathrm{~V} $ 에서는 $ f_{T}=367.5 \mathrm{GHz} $ 를 얻을 수 있었다. 그림 16 은 그림 15 에서의 동일한 실험 방식으로 드레인/게이트 전압 조 건에 따른 $ f_{\text {max }} $ 의 변화를 살펴본 결과를 보여준다. $ V_{D S} $ 에 대한 의존성 실험에서는 $ V_{D S} $ 가 증가함에 따라 $ f_{\max } $ 가 단조 증가하였다. 반면 $ V_{G S} $ 의 변화에 대해서는 $ V_{G S}= $ $ 0.4 \mathrm{~V} $ 에서 극대값을 갖고 이후 단조 감소하는 결과를 나타냈다. 동작 전압 조건에서의 $ f_{\text {max }} $ 는 $ 602.5 \mathrm{GHz} $, 임 의의 조건에서 가질 수 있는 극대값은 $ 904.8 \mathrm{GHz} $ 였다. 이러한 주파수 특성은 기존의 2차원 구조의 MOSFET 이나 반전 동작 기반의 SNW MOSFET이 가질 수 있 는 $ f_{T}, f_{\max } $ 의 값을 크게 능가하는 결과를 보여준다.</p>	[ "\$ V_{D S} \\geq 0.5 \\mathrm{~V} \$ 에서는 \$ g_{m} \$의 변화는 가속되었나?", "\$ g_{m}, g_{d s} \$ 모두 게이트 전압이 증가함에 따라 감소하는가?", "낮은 \$ g_{m} \$ 을 얻기 위한 동작 조건은 \$ V_{G S} \\geq 0.5 \\mathrm{~V} \$ 의 조건을 포함해야하는가?", "\$ g_{d s} \$ 는 드레인 전압이 증가함에 따라 단조 증가하는가?", "\$ f_{T} \$ 의 드레인 전압에 대한 독립성을 확인하기 위하여 게이트 전압을 \$ 1.0 \\mathrm{~V} \$ 으로 고정시킨 후 드레인 전압은 \$ 0.1 \\mathrm{~V} \$ 씩 변화시켰는가?", "\$ V_{D S} \$ 가 증가함에 따라 \$ f_{\\max } \$ 가 단조 감소하였는가?", "두 경우 모두 바이어스가 증가함에 따라 \$ f_{T} \$ 가 단조 감소하는 결과를 나타냈는가?", "\$ V_{G S} \$ 의 변화에 대해서는 \$ V_{G S}= \$ \$ 0.4 \\mathrm{~V} \$ 에서 극소값을 가졌는가?", "게이트 전압에 대한 의존성 분석도 동일한 조건을 적용하였는가?", "\$ f_{T} \$ 를 향상시키기 위해서는 낮은 \$ g_{m} \$ 을 확보해야하는가?", "\$ g_{m} \$ 을 낮추는 것이 \$ f_{T} \$ 를 향상시킬 수 있는가?", "어떤 조건에 따른 주요 컨덕턴스 특성을 그림 13과 14에서 알아보았는가?", "무엇을 \$ 1.0 \\mathrm{~V} \$ 으로 고정시켜 \$ f_{T} \$ 의 드레인 전압에 대한 의존성을 확인하였는가?", "무엇이 동작 전압 조건에 따른 주요 컨덕턴스 특성이며 그림 13과 14에서 알아보았는가?", "트랜스컨덕턴스 \$ \\left(g_{m}\\right) \$ 와 무엇의 변화를 그림 13과 14에서 살펴보았는가?", "충분히 높은 \$ g_{m} \$ 을 확보하면 무엇을 향상시킬 수 있는가?", "무엇을 충분히 높게 유지해야 \$ f_{T} \$ 를 향상시킬 수 있는가?", "충분히 높은 \$ g_{m} \$ 을 확보하면 \$ f_{T} \$ 를 향상시킬 수 있는가?", "무엇이 증가함에 따라 \$ g_{m}, g_{d s} \$ 모두 증가하는가?", "어느 부근부터 \$ g_{m}, g_{d s} \$ 모두 포화되는 경향성을 보이는가?", "\$ V_{G S} \$ \$ =0.5 \\mathrm{~V} \$ 부근부터 \$ g_{m}, g_{d s} \$ 모두 포화되는 경향성을 보여주는가?", "\$ V_{G S} \\geq 0.5 \\mathrm{~V} \$ 의 조건은 높은 무엇을 얻기 위함인가?", "어떤 조건을 포함해야 높은 \$ g_{m} \$ 을 얻을 수 있는가?", "\$ g_{m} \$과 달리 드레인 전압이 증가함에 따라 단조 감소하는 것은?", "\$ g_{m} \$과 달리 \$ g_{d s} \$ 는 드레인 전압이 증가함에 따라 단조 감소하는가?", "\$ g_{d s} \$ 가 감소함에 따라 단조 증가하는 \$ g_{d s} \$ 에 대한 함수는 무엇인가?", "\$ g_{d s} \$ 를 어느 관점에서 충분히 낮은 수준으로 억제하는 것이 바람직한가?", "무엇을 전력 이득 관점에서 충분히 낮은 수준으로 억제하는 것이 바람직한가?", "\$ g_{d s} \$ 를 전력 이득 관점에서 충분히 높은 수준으로 억제하는 것이 바람직한가?", "\$ g_{m} \$ 과 \$ g_{d s} \$ 의 변화가 모두 둔화되는 것은 어떤 조건에서 확인할 수 있는가?", "\$ g_{m} \$ 과 \$ g_{d s} \$ 의 변화가 모두 둔화되는 것을 \$ V_{D S} \\geq 0.5 \\mathrm{~V} \$ 에서 확인할 수 있는가?", "\$ g_{d s} \$ 의 변화는 \$ V_{D S} \\geq 0.5 \\mathrm{~V} \$ 에서 가속되었나?", "\$ g_{d s} \$ 를 효과적으로 억제하는 방법 중 충분히 높은 무엇을 확보하는 방법이 있는가?", "무엇을 효과적으로 억제하기 위해 충분히 높은 \$ g_{m} \$을 확보하는 방법이 있는가?", "\$ g_{d s} \$ 를 효과적으로 억제하는 방법 중 충분히 높은 \$ g_{m} \$을 확보하는 것이 있는가?", "어떤 조건을 포함해야 충분히 높은 \$ g_{m} \$을 확보하면서도 \$ g_{d s} \$ 를 효과적으로 억제할 수 있는가?", "무엇의 변화를 그림 15에 나타내었는가?", "어떤 전압에 따른 \$ f_{T} \$ 의 변화를 그림 15에 나타내었는가?", "무엇을 확인하기 위해 게이트 전압을 \$ 1.0 \\mathrm{~V} \$ 으로 고정시킨 후 드레인 전압은 \$ 0.1 \\mathrm{~V} \$ 씩 변화시켰는가?", "게이트 전압을 몇 \$ \\mathrm{~V} \$ 으로 고정시켜 \$ f_{T} \$ 의 드레인 전압에 대한 의존성을 확인하고자 하였는가?", "게이트 전압을 \$ 1.0 \\mathrm{~V} \$ 으로 고정시킨 후 어떤 전압을 \$ 0.1 \\mathrm{~V} \$ 씩 변화시켜 \$ f_{T} \$ 의 드레인 전압에 대한 의존성을 확인하고자 하였는가?", "드레인 전압은 몇 \$ \\mathrm{~V} \$ 씩 변화시켜 \$ f_{T} \$ 의 드레인 전압에 대한 의존성을 확인하고자 하였는가?", "게이트 전압을 \$ 0.1 \\mathrm{~V} \$ 씩 변화시켜 \$ f_{T} \$ 의 드레인 전압에 대한 의존성을 확인하고자 하였는가?", "\$ f_{T} \$ 의 드레인 전압을 \$ 1.0 \\mathrm{~V} \$ 으로 고정시켰는가?", "반대의 조건을 적용하여 게이트 전압에 대한 의존성 분석을 하였는가?", "무엇의 단조 증가는 바이어스가 증가함에 따라 이루어지는가?", "\$ f_{T}=367.5 \\mathrm{GHz} \$를 동작 전압인 \$ V_{G S}=V_{D S}=1.0 \\mathrm{~V} \$ 에서 얻었는가?", "\$ f_{T}=367.5 \\mathrm{GHz} \$ 를 \$ V_{G S}=V_{D S}=0.1 \\mathrm{~V} \$ 에서 얻을 수 있는가?", "무엇의 변화를 그림 16에서 나타내었는가?", "\$ f_{\\max } \$ 가 단조 증가는 \$ V_{D S} \$ 가 증가함에 따라 이루어졌는가?", "\$ V_{G S}= \$ \$ 0.4 \\mathrm{~V} \$ 에서 무엇을 갖는가?", "임의의 조건에서 가질 수 있는 극대값은 몇인가?", "임의의 조건에서 가질 수 있는 극소값은 \$ 904.8 \\mathrm{GHz} \$ 였나?" ]
0955328e-3c8b-41a1-a628-61eb07f18019	인공물ED	실리콘 나노 와이어 기반의 무접합 MOSFET의 최적 설계 및 기본적인 고주파 특성 분석	<h1>IV. 결 론</h1><p>본 논문에서는 3차원 소자 시뮬레이션을 통하여 나 노와이어 구조를 갖는 무접합 MOSFET을 최적 설계 하고 해당 소자로부터 주요. RF parameter를 추출하였다. JL SNW MOSFET은 LSTP 응용에 매우 적합한 소자로서 roadmap이 제시하고 있는 향후 10 년 이내 LSTP 소자가 충족해야 하는 여러 가지 동작 요건을 기준으로 채널 도핑 농도와 반지름을 변수로 최적 설계하였다. 문턱 전압, $ I_{o n} $ 과 $ I_{o f f} $ 및 전류비, $ g_{m}, SS, DIBL 를 고려하였고 NMOSFET의 구현을 목표로 했을 때, 본 기준들을 만족하는 채널 도핑 농도는 arsenic \( 3.4 \times 10^{19} \mathrm{~cm}^{-3} $, 반지름은 4-5 nm으로 나타났다. 상기 조건에서 채널 길이 $ 30 \mathrm{~nm} $, 반지름 $ 5 \mathrm{~nm} $ 인 소자의 기본적인 RF 특성을 확인하였다. roadmap이 제시하는 LSTP 소자의 동작 조건인 $ V_{G S}=V_{D S}=1.0 \mathrm{~V} $ 에서 $ f_{T} $ 와 $ f_{\max } $ 는 각각 $ 367.5 \mathrm{GHz}, 602.5 \mathrm{GHz} $ 이고 $ f_{\max } $ 의 최대값은 $ 904.8 \mathrm{GHz} $ 인 것으로 나타났다. 무접합 구조로 열 공정 risk를 줄이고 SNW 의 장점을 살린 JL SNW MOSFET은 탁원한 RF 특성을 갖는 차세대 LSTP 소자로서 기능할 것이다.</p>	[ "roadmap이 제시하는 LSTP 소자의 동작 조건은 뭐야?", "LSTP 응용에 적합한 소자는 무엇인가요?", "3차원 소자 시뮬레이션을 통해 무엇을 최적 설계했나요?", "NMOSFET의 구현에 있어서 만족해야하는 채널 도핑 농도는 무엇인가요?", "무접합 MOSFET는 어떤 구조를 갖나요?", "NMOSFET의 구현에 있어서 만족해야하는 반지름은 몇 인가요?", "JL SNW MOSFET는 차세대 LSTP 소자로 사용 가능한가요?", "열 공정 risk를 줄일 수 있는 구조는 무엇인가요?", "\$ f_{T} \$ 와 \$ f_{\\max } \$ 는 각각 몇인가요?", "LSTP 소자가 충족해야 하는 여러 동작 요건을 제시한 주체는 무엇인가?" ]
445523b4-4fdd-419c-a264-e1eb2aeb40bb	인공물ED	자기회로의 위상학적 상사성을 이용한 전류제한기 구조에 관한 연구	<h2>2.3 구조 및 동작원리</h2> <p>본 논문에서 제안한 전류제한기를 이용하여 전류의 변화를 확인하기 위한 실험을 실시하였다. 실험시 사용한 파라미터는 표 1과 같고, 고장발생시 전류제한기의 2차권선의 스위치가 open되고 2차권선 secondary를 철심 밖으로 쳐 내기 전·후의 모습을 그림 7의 (a),(b)와 같이 나타내었다.</p> <table border><caption>표 1 시스템 파라미터</caption> <tbody><tr><td>파라미터</td><td>Value</td><td>파라미터</td><td>Value</td></tr><tr><td>AC Source ($\mathrm{V}$)</td><td>150</td><td>회로부하 저항 $ \mathrm{R}_{\mathrm{D}}(\Omega) $</td><td>4.0</td></tr><tr><td>1차권선 저항 $ \mathrm{R}_{1}(\Omega) $</td><td>0.40</td><td>2차권선 저항 $ \mathrm{R}_{2}(\Omega) $</td><td>0.35</td></tr><tr><td>1차권선 인덕턴스 $ L_{1}(\mathrm{mH}) $</td><td>59.88</td><td>2차권선 인덕턴스 $ L_{2}(\mathrm{mH}) $</td><td>68.32</td></tr></tbody></table> <h3>2.3.1 전류제한기 동작 전·후의 전압 및 전류의 변화</h3> <p>전류제한기 동작 전·후의 전압과 전류의 변화를 확인하기 위하여 그림 7의 (c)와 같이 실험장치를 구성하고 각각 권선의 전압과 전류를 측정한 후 그 결과를 표 2와 같이 나타내었다.</p> <p>표 2에서 알 수 있듯이 각 전원전압에 대하여 전류제한기가 동작하기 전과 동작한 후의 각각의 회로전류에 해당하는 1차권선의 전류를 비교하면 전류제한기가 동작한 후의 전류는 동작하기 전의 전류에 비하여 평균 약 $76\%$ 감소한 것을알 수 있다. 또한 1차권선의 전압도 전류제한기가 동작한 후에 크게 증가하여 1차권선의 전류를 제한하는 전압강하가 발생함을 또한 알 수 있다.</p> <h3>2.3.2 실험결과</h3> <p>본 논문에서 제안하는 전류제한기는 누설이 없는 이상적인 경우라면 정상상태에서는 1차권선에 유기되는 전압은 0이며, 따라서 전압강하가 없는 일반적인 회로로 작용을 하게 되고, 고장시에는 1차권선에 역기전력이 유기되어 회로 전류를 제한하게 되며 이 때 1차권선의 인덕턴스가 크면 클수록 전류제한 효과는 더 커진다.</p> <p>본 실험에서는 정상상태에서도 전원전압에 대하여 약 $14\%$의 1차권선 전압이 유기되고 있음을 알 수 있는데 이는 제작상 누설자속을 충분히 줄일 수 없었고 또한 권선에 감겨있는 도선의 자체저항으로 인하여 발생한 것으로 향후 연구 보완해야 할 사항으로 남게 되었다. 그러나 전력계통에서 고장전류 발생시 본 시스템을 적용하면 고장전류를 크게 줄일 수 있음을 확인할 수 있었고 따라서 차단설비도 더 적은 용량의 차단기 사용이 가능하므로 예산의 절감에도 기여할 수 있음을 예상할 수 있었다.</p> <table border><caption>표 2 전류제한기 동작 전‧후의 전압과 전류</caption> <tbody><tr><td rowspan=3>전원 전압 ($\mathrm{V}$)</td><td colspan=4>동작 전</td><td colspan=4>동작 후</td></tr><tr><td colspan=2>1차권선</td><td colspan=2>2차권선</td><td colspan=2>1차권선</td><td colspan=2>2차권선</td></tr><tr><td>전압($\mathrm{V}$)</td><td>전류($\mathrm{A}$)</td><td>전압($\mathrm{V}$)</td><td>전류($\mathrm{A}$)</td><td>전압($\mathrm{V}$)</td><td>전류($\mathrm{A}$)</td><td>전압($\mathrm{V}$)</td><td>전류($\mathrm{A}$)</td></tr><tr><td>50.5</td><td>7.0</td><td>9.77</td><td>01</td><td>9.31</td><td>47.3</td><td>2.27</td><td>47.1</td><td>0</td></tr><tr><td>100.1</td><td>14.2</td><td>19.35</td><td>0.2</td><td>18.60</td><td>93.3</td><td>4.51</td><td>93.2</td><td>0</td></tr><tr><td>147.6</td><td>21.7</td><td>27.70</td><td>0.3</td><td>27.00</td><td>140.5</td><td>6.93</td><td>140.2</td><td>0</td></tr></tbody></table>	[ "표 1 시스템 파라미터에서 파라미터 AC Source (\$\\mathrm{V}\$)의 값은 얼마야?", "표 1 시스템 파라미터 중 0.40이라는 값을 나타내는 파라미터는 무엇이지?", "표 1 시스템 파라미터에서 더 높은 인덕턴스 값을 가지는 파라미터는 무엇이지?", "표 2 전류제한기 동작 전‧후의 전압과 전류에서 전원 전압 (\\mathrm{V}V)이 50.5일 때 동작 전 1차권선 전압(\$\\mathrm{V}\$)의 값은 어떻게 돼?", "표 2 전류제한기 동작 전‧후의 전압과 전류 중 동작 전의 1차권선 전류(\$\\mathrm{A}\$)가 19.35로 측정된 전원 전압 (\$\\mathrm{V}\$)값은 얼마야?", "표 1 시스템 파라미터 중 1차권선 인덕턴스 \$ L_{1}(\\mathrm{mH}) \$의 값은 몇 \$ \\mathrm{mH}\$이지?", "표 2 전류제한기 동작 전‧후의 전압과 전류에서 동작 전의 1차권선 전압(\$\\mathrm{V}\$)이 가장 높은 값을 나타내는 전원 전압 (\$\\mathrm{V}\$)의 값은 얼마지?", "표 2 전류제한기 동작 전‧후의 전압과 전류 중 전원 전압 (\$\\mathrm{V}\$)이 147.6일 때 동작 후 2차권선 전압(\$\\mathrm{V}\$)은 얼마로 측정됐어?", "표 1 시스템 파라미터의 Value 값 중 59.88이라는 값을 가지는 파라미터는 무엇입니까?", "본 논문에서는 전류의 변화를 알아보는 실험을 위해 어떻게 했어?", "본 논문에서는 전류의 변화를 알아보는 실험을 위해 어떤 방법을 취했지?", "표 2 전류제한기 동작 전‧후의 전압과 전류에서 전원 전압 (\$\\mathrm{V}\$)의 최대값은 얼마야?", "전류제한기의 동작 전·후의 전압과 전류의 변화를 확인하기 위해 어떻게 했어?", "전류제한기의 동작 전·후의 전압과 전류의 변화를 확인하기 위해 어떤 방법을 이용했습니까?" ]
7bf1e52b-0ca9-4887-bc51-9707b5449dea	인공물ED	상용 65 n CMOS 공정을 이용한 100～110 GHz 저잡음 증폭기와 커플러	<h1>III. 제작 및 측정</h1><p>제안된 회로들을 검증하기 위해서 회로를 제작하여 측정하였다. 본 연구실은 W-대역 S-파라미터 측정 장비와 W-대역 잡음 지수 측정 셋업을 보유하고 있다. S-파라미터의 측정은 $ 110 \mathrm{GHz} $까지 지원하는 VNA(Vector Network Analyzer)인 한국 Agilent 사의 8510XF 제품을 이용한다. $ 110 \mathrm{GHz} $ 프루브를 사용해 on-wafer 방식으로 측정할 수 있다. 잡음 지수의 측정에 있어서는 잡음 지수 분석기(noise figure analyzer) 외에도 W-대역 잡음 소스(W-band noise source)가 필요하다. W-대역 잡음 소스는 W-대역의 잡음을 내보내므로, 이것이 회로를 통해 출력된 뒤에도 W-대역의 높은 주파수를 갖고 있다. 따라서 이것을 분석해 잡음 지수를 얻기 위해서는 W-대역 혼합기 (W-band mixer)를 통해 주파수를 하향 변환해야 한다. 이 혼합기의 구동을 위해서는 큰 LO(Local Oscillator) 전력이 필요한데, 여기에 W-대역 건 소스(W-band Gunn source)가 필요하다. 그림 9과 그림 10은 본 연구실에서 보유한 W-대역 S-파라미터와 잡음 지수의 측정 장비 셋업을 보여준다. 이를 통해서, S -파라미터와 잡음 지수의 측정을 수행하였다. 그림11 은 설계한 3 단 공통 소스 저잡음 증폭기의 측정결과이다. 기존 설계에서는 $ 94 \mathrm{GHz} $ 를 목표하는 중심 주파수로 하여 조금 더 낮은 주파수에서 설계하였으나, 실제 제작된 회로의 경우 주파수의 이동이 더 많이 일어나 이득이 $ 100 \mathrm{GHz} $ 에서 $ 110 \mathrm{GHz} $ 정도의 대역에서 형성되었다. 또한 실제 측정에 있어서 트랜지스터와 최상의 메탈까지 연결하는데 필요한 비아와 전송선로, MIM 캐패시터 등에서 고주파 손실이 발생하게 된다. 따라서 $ 100 \mathrm{GHz} $ 이상의 높은 주파수에서는 트랜지스터의 게인이 표 1 의 바이어스에서와 같이 그대로 나오지 않으므로 불가피하게 Vds를 표 1 의 $ 1.2 \mathrm{~V} $에서 $ 2.5 \mathrm{~V} $로 더 올릴 수밖에 없었다. 이 때 LNA 전체의 피크 게인은 약 $ 2 \mathrm{~dB} $ 정도 증가하였다. $ 100 \mathrm{GHz} $에서 $ 5.64 \mathrm{~dB} $의 이득, $ 110 \mathrm{GHz} $에서 최대 이득 $ 6.393 \mathrm{~dB} $을 얻었다. $ 110 \mathrm{GHz} $ 이상 대역에서도 이득이 존재할 것으로 예상되나, 측정할 수 없어서 검증은 하지 못했다. $ 110 \mathrm{GHz} $의 이득이 최대 이득이라고 한다면, 3-dB 대역폭이 충분히 $10\%$ 이상으로 얻어졌음을 확인할 수 있다. 주파수가 틀어짐으로 인해 반사 손실도 설계한 값과 달라졌다. 입력 단의 반사 손실은 $ 3-\mathrm{dB} $ 대역폭 안에서 약 $ 10 \mathrm{~dB} $ 이상을 유지하였고, 출력 단 반사 손실이 $ 7 \mathrm{~dB} $ 정도로 형성되었다. 이와 같이 $ S_{11} $ 과 $ S_{22} $ 의 매칭 중심 주파수가 틀어져 형성되었으나, $ 100 \sim 110 \mathrm{GHz} $ 대역에서 적당한 값 이하로 형성되어 회로의 정상적인 동작을 확인할 수 있었다. 매칭이 틀어진 이유로는 트랜지스터 모델과 CPW 선로 모델의 오차가 주요한 원인으로 여겨진다. 트랜지스터 모델의 비아 인덕턴스가 실제 값보다 크게 예상되면서 전체적으로 매칭 주파수가 높아졌을 것으로 생각된다. 또한 CPW 모델보다 실제 제작된 CPW 선로가 더 큰 손실과 더 낮은 특성 임피던스를 갖는 것으로 측정되었는데, 이것에 의한 영향도 매칭을 틀어지게 하는 원인으로 보인다.</p><p>이득이 나오는 주파수 대역에서의 잡음 지수 측정 결과는 그림 12 와 같다. $ 100 \mathrm{GHz} $에서 $ 11.66 \mathrm{~dB} $로 측정되는 등 전체 주파수 대역에서 약 $ 10 \mathrm{~dB} $에서 $ 15\mathrm{dB} $ 사이 값을 유지하고 있는 것으로 측정되었다. 제작된 저잡음 증폭기는 다른 W-대역 CMOS 저잡음 증폭기와 성능을 비교해 보았을 때, 비교할 수 있는 성능을 보였다. 이득 면에서 약간 모자라는 면이 있지만, 참고된 결과들은 3 단 캐스코드 토폴로지를 사용했고, 본 연구는 3 단 공통 소스 토폴로지를 사용했으므로, 같은 개수의 트랜지스터를 사용할 경우 비슷한 수준의 이득을 예상할 수 있다.</p><p>그림 13 은 설계한 커플러의 측정 결과이다. 저잡음 증폭기가 $ 100 \mathrm{GHz} $ 에서 $ 110 \mathrm{GHz} $ 에서 동작하도록 설계되었으므로, 커플러도 해당하는 대역에서의 특성을 보았다. 삽입 손실은 $ 100 \sim 110 \mathrm{GHz} $ 대역에서 $ 2 \sim 3 \mathrm{~dB} $ 정도이고, magnitude mismatch는 같은 대역 에서 $ 1 \mathrm{~dB} $ 이하로 측정되었다. 설계에 비해서 더 큰 손실을 갖는 회로가 제작되었는데, 이는 저잡음 증폭기 설계에서의 오차와 같이 CPW 선로의 모델보다 제작된 CPW 선로가 더 큰 손실을 갖고 있기 때문으로 보인다. Phase mismatch는 오히려 설계한 것보다 좋은 특성을 보이게 되었는데, $ 5^{\circ} $ 이하의 phase mismatch를 보였다. 이 또한 CPW 모델의 특성 임피던스와 제작된 CPW 선로의 특성 임피던스의 오차로 인하여 생긴 차이점으로 보인다. 결론적으로, 앞서 설명한 저잡음 증폭기와 커플러 모두 $ 100 \sim 110 $$ \mathrm{GHz} $ 대역에서 정상적으로 동작하도록 잘 설계 되었음을 확인할 수 있었다.</p><table border><caption>표 2. $ 100 \mathrm{GHz} $ (W-대역) CMOS 저잡음 증폭기의 이득과 잡음 지수 비교</caption><tbody><tr><td>참조문헌</td><td>주파수 ($ \mathrm{GHz} $)</td><td>이득 ($ \mathrm{dB} $)</td><td>잡음 지수 ($ \mathrm{dB} $)</td></tr><tr><td>[5]</td><td>78~102</td><td>11.8</td><td>11.6</td></tr><tr><td>[6]</td><td>75~91</td><td>13</td><td>7.5</td></tr><tr><td>[7]</td><td>75~95</td><td>12</td><td>7</td></tr><tr><td>본 연구</td><td>100~110</td><td>6.4</td><td>11.7</td></tr></tbody></table>	[ "연구실에서는 어떤 측정장비를 가지고 있어?", "어떤 측정장비가 연구실에서 구비되어 있어?", "연구실에는 어떤 측정 셋업을 가지고 있어?", "어떤 측정 셋업이 연구실에 준비되었어?", "잡음 지수 분석기 외에 잡음 지수를 측정하기 위해 어떤 것이 필요해?", "\$ 110 \\mathrm{GHz} \$ 인 무엇을 사용하여 on-wafer 방식으로 측정해?", "\$ 110 \\mathrm{GHz} \$ 프루브를 사용하여 어떤 방식으로 제안된 회로들을 거증하고 측정해?", "W-대역 잡음 소스는 어떤 대역의 잡음을 내보내?", "회로를 통해 출력된 뒤에 W-대역의 어떤 주파수를 가져?", "W-대역 혼합기의 구동을 위해 어떤 전력이 크게 필요해?", "주파수를 하향 변환을 통해 잡음 지수를 얻으려면 무엇을 사용해야되?", "설계하려고 하는 회로에서 목표로 하는 중심 주파수는 얼마야?", "W-대역 S-파라미터와 잡음 지수의 측정 장비 셋업을 통해 어떤 것을 측정을 할 수 있어?", "실제로 제작된 회로는 어떤 것이 많이 일어나서 이득이 \$ 100 \\mathrm{GHz} \$ 에서 \$ 110 \\mathrm{GHz} \$ 정도의 대역에서 형성되?", "필요한 비아와 전송선로, MIM 캐패시터 등에서 무엇이 발생해?", "실제 측정을 하기 위해 무엇과 최상의 메탈까지 연결해?", "어느 대역의 주파수에서 트랜지스터의 게인이 표1과 같이 그대로 나오지 않아?", "\$ 100 \\mathrm{GHz} \$에서 얻을 수 있는 이득은 얼마야?", "\$ 110 \\mathrm{GHz} \$에서 측정되는 최대 이득은 얼마야?", "\$ 110 \\mathrm{GHz} \$의 이득이 최대 이득이라고 가정하면 어디에서 충분히 \$10\\%\$ 이상으로얻을 수 있음을 확인할 수 있어?", "주파수가 틀어짐으로 인해 어떤 것이 설계한 값과 달라져?", "입력 단의 반사손실은 어느 대역폭안에서 약 \$ 10 \\mathrm{~dB} \$ 이상을 유지했어?", "어떤 것이 \$ 3-\\mathrm{dB} \$ 대역폭 안에서 약 \$ 10 \\mathrm{~dB} \$ 이상을 유지해?", "\$ 3-\\mathrm{dB} \$ 대역폭 안에서 무엇이 \$ 7 \\mathrm{~dB} \$ 정도로 생겨났어?", "\$ S_{11} \$ 과 \$ S_{22} \$ 의 어떤 주파수가 틀어져 반사 손실이 형성되?", "트랜지스터 모델에서 무엇이 실제값보다 커?", "\$ S_{11} \$ 과 \$ S_{22} \$ 의 매칭 중심 주파수가 틀어지면 어느 대역에서 적당한 값 이하로 형성되?", "매칭 주파수가 틀어지는 이유로 CPW 선로에서 무엇이 특정되기 때문이야?", "\$ 100 \\mathrm{GHz} \$에서 \$ 11.66 \\mathrm{~dB} \$로 측정되는 등 전체 주파수 대역에서 측정되는 잡음지수는 얼마야?", "매칭 주파수가 틀어지는 이유는 어디에서 오차가 발생해서야?", "트랜지스터 모델의 비아 인덕턴스가 실제 값보다 커서 전체적으로 어떤 것이 높아져?", "CPW 모델은 실제 제작된 SPW선로 보다 무엇이 낮아?", "제작된 저잡음 증폭기는 어떤 증폭기와 성능을 비교해?", "제작된 저잡음 증폭기와 CMOS 저잡음 증폭기와 성능을 비교하였을 때 참고된 결과들에 무엇을 사용했어?", "제작한 저잡음 증폭기와 커플러는 어느 대역에서 정상적으로 동작해?", "저잡음 증폭기는 다른 W-대역 CMOS 저잡음 증폭기에 어떤 면이 약간 부족해?", "저잡음 증폭기가 \$ 100 \\mathrm{GHz} \$ 에서 \$ 110 \\mathrm{GHz} \$ 에서 동작하도록 설계함에 따라 무엇도 해당하는 대역에 특성을 보여?", "\$ 100 \\mathrm{GHz} \$ (W-대역) CMOS 저잡음 증폭기들 중에서 이득 측면에서 가장 좋지 않은 것은 무엇이야?", "설계했을 때 보다 무엇이 더 좋은 특성을 보여?", "CMOS 저잡음 증폭기와 \$ 100 \\mathrm{GHz} \$ 증폭기 중 어떤 것이 잡음 지수가 가장 커?", "\$ 100 \\mathrm{GHz} \$ (W-대역) CMOS 저잡음 증폭기들 중에서 잡음 지수 측면에서 가장 좋지 않은 것은 무엇이야?", "제작된 저잡음 증폭기에 어떤 토폴로지를 사용해?", "설계에 비해서 제작한 회로가 더 큰 손실을 가지는 이유는 뭐야?", "비슷한 수준의 이득을 보려면 제작한 저잡음 증폭기는 같은 개수의 무엇을 사용해야해?", "\$ 5^{\\circ} \$ 이하의 phase mismatch를 보이는 이유가 뭐야?", "표 2에서 주파수가 \$ 105 \\mathrm{GHz} \$일 때 동작하는 저잡음 증폭기는 어떤 것이야?", "CMOS 저잡음 증폭기와 \$ 100 \\mathrm{GHz} \$ 증폭기 중 어떤 것이 이득이 제일 커?", "\$ 100 \\sim 110 \\mathrm{GHz} \$ 대역에서 \$ 1 \\mathrm{~dB} \$ 이하로 측정되는 것은 뭐야?", "표 2에서 주파수가 \$ 100 \\mathrm{GHz} \$일 때 동작하는 저잡음 증폭기들 중 이득이 가장 좋은 것은 어떤 것이야?", "\$ 100 \\sim 110 \\mathrm{GHz} \$ 대역에서의 삽입 손실은 얼마야?", "혼합기의 구동을 위해 어떤 소스가 필요해?", "S-파라미터의 측정은 어디까지 지원하는 한국 Agilent 사의 8510XF 제품을 사용해?", "잡음 지수를 얻으려면 W-대역 혼합기를 통해 주파수를 무엇을 해야해?", "LNA 전체의 피크 게인은 얼마나 증가하였어?" ]
5cf13908-3ee4-4a60-8660-72bbad151459	인공물ED	순간전압변동 보상 기능을 갖는 3상 하이브리드형 직렬 능동전력필터	<h1>3. 시뮬레이션 결과</h1> <p>제안된 보상 시스템을 표 1의 파라미터로 PSIM을 이용하여 타당성을 입증하였으며, 부하는 6 펄스 싸이리스터 정류기에 R-L부하를 연결하였다.</p> <table border><caption>표 1 시스템 파라미터</caption> <tbody><tr><td>H.P.F</td><td>$ L =260 \mathrm{~[\mu H]} $, $ C=300 \mathrm{~[\mu F]} $, $ R=3 \mathrm{~[\Omega]} $</td></tr><tr><td>L-C filter</td><td>$ L=760 \mathrm{~[\mu H]} $, $ C=2 \mathrm{~[\mu F]} $</td></tr><tr><td>Source voltage</td><td>$ 220 \mathrm{~[V]} $(line to line), $ 60 \mathrm{~[Hz]} $</td></tr><tr><td>DC link</td><td>$ 310 \mathrm{~[VDC]} $</td></tr><tr><td>Sampling time</td><td>$ 100 \mathrm{~[\mu s]} $</td></tr></tbody></table> <p>그림 4는 전원전압이 3상 평형이고 위상제어정류기 점호각이 $ 60^{\circ} $ 인 경우로 전원전류 THD가 $ 1 [\%] $ 미만임을 보여준다.</p> <p>그림 5는 전원전압이 $ 44 [\%] $ 강하이고 위상제어정류기 점호각이 $ 60^{\circ} $ 인 경우로 부하단 전압이 $ 100 [\%] $ 보상되며 전원전류 THD도 $ 1 [\%] $ 미만임을 보여 준다.</p> <p>그림 6은 전원전압이 $ 120 $, $ 140 $, $ 160 [\mathrm{V}] $ 인 불평형이고 위상제어정류기 점호각이 $ 60^{\circ} $ 인 경우로 부하단 전압이 $ 100 [\%] $ 보상되었으며 전원전류 THD도 $ 1 [\%] $ 미만임을 보여 준다.</p> <p>시뮬레이션 결과 제안된 시스템은 전원전압 변동과 비 선형부하로 인한 고조파 전류를 양호하게 보상됨을 입증하였다.</p>	[ "제안된 보상시스템은 어떻게 타당성이 있음을 보여줬어?", "제안된 보상시스템은 어떤 방법으로 타당성이 있음을 보여줬어?", "H.P.F의 \$ L, C, R\$의 값이 뭐야?", "L-C filter의 \$ L, C\$의 값은 어떻게 돼?", "\$ L =260 \\mathrm{~[\\mu H]} \$, \$ C=300 \\mathrm{~[\\mu F]} \$, \$ R=3 \\mathrm{~[\\Omega]} \$를 갖는 매개변수는 뭐야?", "전원전압은 어떤 값을 가져?", "\$ 310 \\mathrm{~[VDC]} \$의 값을 가지는 parameter는 뭐야?", "Sampling time은 얼마인가?", "어떤 파라미터가 \$ L=760 \\mathrm{~[\\mu H]} \$, \$ C=2 \\mathrm{~[\\mu F]} \$의 값을 가지고 있어?" ]
b1d88329-12a1-4cda-93b5-75d1591b6dcc	인공물ED	다중계수 방식을 적용한 밀리미터파 대역용 전력증폭기의 사전왜곡기 설계 및 비선형성 보상 성능 평가	<h1>Ⅳ. 성능 평가</h1> <h2>4-1 사전왜곡기 실험모델 하드웨어 구성</h2> <p>2-1절에서 언급한 60 GHz 전력증폭기 FMM5715X를 활용하여 사전왜곡기의 입출력 데이터를 추출하기 위해 하드웨어 테스트베드를 구성하였다. 그림 5 에서 60 GHz 전력증폭기의 비선형성 특성을 얻기 위해 입출력 데이터를 추출하게 되는데, 입력 LTE 20 MHz 신호를 FPGA에서 \JTAG을 이용하여 입력신호를 추출하고, 신호 스펙트럼 분석기를 통해 출력신호를 추출한다.</p> <p>표 1 은 다중계수 디지털 사전왜곡기를 실험하기 위한</p> <table border><caption>표 1. 실험 조건</caption> <tbody><tr><td>Freauency</td><td>60 GHz</td></tr><tr><td>Siman</td><td>LITE 20 MHz</td></tr><tr><td>FFT size</td><td>2,048</td></tr><tr><td>Modulation</td><td>64QAM</td></tr><tr><td>Polynomial degree</td><td>5</td></tr><tr><td>Training length</td><td>60,000</td></tr><tr><td>P1dB</td><td>18.5 dBm</td></tr><tr><td>Power amplifer</td><td>FMM5715X</td></tr></tbody></table> <p>실험조건을 나타낸 것으로 60 GHz 대역을 사용하였고, 신호는 LTE 20 MHz $ \mathrm{I} / \mathrm{Q} $ 신호를 FFT 크기 2048의 QAM으로 구성하였다. 디지털 사전왜곡기의 다항식 차수는 5차로 고정하였고, 사전왜곡기의 계수를 구하기 위해서 추출된 입출력 $ \mathrm{I} / \mathrm{Q} $ 데이터의 개수를 비선형성 모델링을 추출하기 위한 훈련 길이(training length)로 설정하였다. 사용된 고출력 전력증폭기의 P1dB 는 18.5 dBm 지점으로써 이는 하드웨어 구성에서 밸런스타입과 결합손실이 합쳐진 값이다. 추가적으로 입출력 $ \mathrm{I} / \mathrm{Q} $ 데이터의 특성이 고출력 전력증폭기의 선형구간부터 포화구간까지 나타낼 수 있도록 디지털 이득을 높여가면서 데이터를 추출 후 사용하였다.</p> <h2>4-2 제안한 디지털 사전왜곡기 성능비교</h2> <p>그림 6은 제안한 다중계수 사전왜곡방법의 AM/AM에 대해 고출력 전력증폭기와 사전왜곡기 그리고 선형화 된 결과를 나타낸 것이다. 3장에서 언급한 다중계수 사전왜곡방법을 적용하기 위해 입력전력이 P1dB 지점에서 선형구간과 포화구간으로 데이터를 구분하였고, 구분한 데이터를 사용하여 선형구간과 포화구간의 사전왜곡기를 구현하여 그림 6의 AM/AM 그래프에서 " DPD(Digital Pre-Distortion)"로 표시하였다. 최종적으로 고출력 전력증폭기의 특성과 사전왜곡기의 특성을 결합하여 그림 6 의 가운데 직선으로 비선형성이 보상된 AM/AM 그래프를 추출하였다.</p> <p>AM/PM 에서의 비선형성 보상은 그림 7과 같이 그래프로 표현하였다. 기존 최대 $ -0.5 \sim 0.5 $ [rad]으로 변동하는 입력대비 출력 데이터들을 사전왜곡기를 사용한 결과 입출력 위상변화가 없는 영점 근처에 형성되는 것을 확인 할 수 있다.</p> <p>그림 8은 제안하는 다중계수 사전왜곡방법을 활용한 디지털 사전왜곡기 적용 시, LTE 신호에 대한 출력 스펙트럼을 다항식 사전왜곡기만 사용할 경우와 그렇지 않은 경우에 대해 입력신호와의 비교한 결과이다. 그림 8 에서 볼 수 있듯이, 입력신호에 대해 고출력 전력증폭기만 통과한 신호는 ACLR 수치가 인접대역에서 많이 증가한 것을 확인할 수 있다. 반면, 다항식 사전왜곡기를 사용한 경우, ACLR 값이 크게 감소한 것을 확인할 수 있으며, 특히 제안한 다중계수 사전왜곡방법을 사용한 경우, 다항식 사전왜곡방법에 비해 현저한 크기의 추가 이득이 발생하게 된다.</p>	[ "Polynomial degree를 몇으로 고정하여 실험을 진행하고자 하였는가?", "사전왜곡기의 계수를 알기 위해 어떤 과정을 거쳤는가?", "실험에서 사용한 Training length은 무엇인가?", "어떤 것을 64QAM으로 구성하여 실험을 진행하고자 하였는가?", "본 논문에서 입력신호와 출력신호를 추출하기 위해 어떤 과정을 거쳤는가?", "P1dB을 어떤 조건에서 실험하고자 하였는가?", "FMM5715X에 해당하는 실험 조건은 무엇인가?" ]
6871d06f-62b1-4ec1-8abf-836087850ffe	인공물ED	다중계수 방식을 적용한 밀리미터파 대역용 전력증폭기의 사전왜곡기 설계 및 비선형성 보상 성능 평가	<table border><caption>표 2. ACLR 비교</caption> <tbody><tr><td rowspan=2>구분</td><td colspan=2>ACLR [dB]</td></tr><tr><td>+/-20 MHZ</td><td>+/-40 MHz</td></tr><tr><td>사전와곡기가 없는 경우</td><td>-37.8/-39.2</td><td>-58.3/-59.6</td></tr><tr><td>다항식 사전와곡기를 사용한 경우</td><td>-66.8/-66.4</td><td>-69.1/-69.1</td></tr><tr><td>제안된 사전와곡기를 사용한 경우</td><td>-72.4/-72.1</td><td>-73.5/-74.9</td></tr></tbody></table> <p>표 2 는 그림 8 에 대한 성능을 정량적으로 분석한 결과를 나타낸다. 성능 비교는 중심대역에서 20 MHz 양쪽으로 떨어진 지점과 40 MHz 떨어진 지점을 측정하였다. 측정한 결과, 사전왜곡기가 없는 경우에 비해 다항식 사전왜곡기를 사용한 경우 20 MHz 지점에서 평균 30 dB의 성능향상을 보였으며, 40 MHz 지점에서는 약 10 dB의 성능 향상을 보였다. 제안하는 사전왜곡기를 사용한 경우, 다항식 사전왜곡기를 사용한 경우의 성능향상에 더하여 20 MHz 지점에서는 6 dB, 40 MHz 지점에는 4 dB 정도의 추가적인 성능 향상이 발생됨을 확인하였다.</p> <p>표 3은 EVM 측면에서 기존 다항식 사전왜곡기와 제안된 사전왜곡기의 성능을 비교한 것이다. EVM은</p> <p>$ e=r-z $<caption>(3)</caption></p> <p>$ E V M=\sqrt{\frac{E\left[e^{2}\right]}{E\left[r^{2}\right]}} \times 100 \% $<caption>(4)</caption></p> <p>와 같이 계산할 수 있다. 여기서, $ z $ 는 고출력 전력증폭기와 사전왜곡기를 통과한 신호, $ r $ 은 원 신호, $ e $ 는 두 신호 간의 오차를 나타낸다. 표 3 에서 나타낸 것처럼 사전왜곡기를 사용하지 않은 경우는 약 $ 7 \% $ 의 EVM 값을 보였으며, 제안된 사전왜곡기를 적용하는 경우 $ 0.03 \% $ 까지 EVM 이 감소됨을 확인할 수 있다.</p> <h1>Ⅴ. 결 론</h1> <p>본 논문에서 밀리미터파 대역에 해당하는 60 GHz 대역의 고출력 전력증폭기에 대한 비선형성을 효과적으로 보상하기 위해 다중계수 디지털 사전왜곡기를 제안하였고, 60 GHz 대역 송수신 하드웨어 테스트베드 구축을 통해 성능을 평가하였다. 제안하는 사전왜곡기 적용 시 기존 구조 대비 ACLR 측면에서 평균 6 dB 추가 감소가 가능하며, EVM 측면에서도 성능 향상 확인을 통해 제안 방식의 우수성을 검증하였다. 추후로 제안한 기법을 이용하여 다양한 출력 전력에 따른 효율 결과를 제시함으로써 추가적으로 다양한 각도에서의 제안된 기법의 효용성을 검증할 계획이다.</p>	[ "표 2에서 제안된 사전와곡기를 사용하는 경우 중 +/-20 MHZ에 해당하는 값은 무엇인가?", "표 2에서, +/-20 MHZ의 값이 -37.8/-39.2에 해당하는 경우는 무엇인가?", "표 2에서, 다항식 사전와곡기를 사용한 경우 중 +/-40 MHz에 해당하는 값은 무엇인가?", "표 2에서, 성능향상을 가장 많이 한 경우는 어떤 경우에 해당하는가?", "표 2에서, -66.8/-66.4[dB]를 가지는 것은 중심대역에서 어느 정도의 거리를 가지고 양쪽으로 떨어진 지점에 해당하는가?" ]
dfcd8901-5f2f-488a-9cfb-9c0f5d6fb6da	인공물ED	Quadrupole 구조를 가진 Tonpilz형 수중 음향 벡터 센서를 이용한 입사각 추정	<h1>IV. Tonpilz형 벡터센서에 의한 방위각 탐지</h1><p>본 연구에서 제안한 Tonpilz형 벡터센서의 방위각 탐지 성능을 검증하기 위하여, 임의의 방향에서 음압이 입사된다고 할 때 3절에서 설명한 원리에 의해 음원의 방위각을 추정하고, 그 결과를 원래 유한요소 모델에서 인가한 음원의 방향과 비교하였다.</p><p>해석 시 음압 입사점의 고각은 $ 45^{\circ} $로 고정되었다고 가정하고, 우선 그림 1(b)의 유한요소모델을 이용하여 임의의 방위각을 가지는 지점에 음압을 가한 후 각 세라믹 조각에 나타나는 출력전압을 구하였다. 다음으로 3절에서 설명한 식(1)-(4)와 표 2를 이용하는 방법에 의해 음원의 방위각을 추정하였다. 식 (1)-(4) 중 어느 것을 사용하더라도 결과에는 차이가 없으므로, 본 시험에서는 $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{b} $와 식(2) 그리고 $ \mathrm{V}_{\mathrm{c}}+\mathrm{V}_{\mathrm{d}} $와 식(4)를 사용하여 방위각을 각각 추정하여 보았다. 이렇게 추정된 방위각을 원래 유한요소모델에서 인가한 음원의 방향과 비교한 결과를 표 3에 정리하였다. 추정된 방위각들이 유한요소 모델에서의 인가한 음압 방위각과 최대 $ 2.2^{\circ} $의 오차를 가지며 전체적으로 잘 일치함을 알 수 있다. 약간의 오차가 나는 원인은 그림 9에 나타낸 계산 점들을 그림 10과 같이 적합화함에 있어서 어느 정도의 오차가 있을 수 있고, 무엇보다도 그림 1(b)의 3차원 모델에서 해석 요소의 크기가 무한히 작을 수 없어서 $ 2.2^{\circ} $ 정도의 각 오차롤 유발할 만큼의 크기를 가지도록 요소 분할을 하였기 때문으로 판단된다. 이로써 본 연구에서 제안한 Tonpilz형 벡터 센서는 외부 음원의 고각이 일정하다고 할 때 임의의 방향에서 입사되는 음압의 방위각을 정확히 탐지할 수 있음을 확인하였다.</p><table border><caption>표 3. 벡터 센서를 이용해 추정된 음원의 방위각</caption><tbody><tr><td rowspan=2>유한요소 모델에서의 음압 인가 방위각</td><td colspan=2>적합화 함수에 의한 추정된 방위각</td></tr><tr><td>$ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}} $ & 식(2) 사용</td><td>$ \mathrm{V}_{\mathrm{c}}+\mathrm{V}_{\mathrm{d}} $ & 식(4) 사용</td></tr><tr><td>$ 15^{\circ} $</td><td>$ 16.0^{\circ} $</td><td>$ 15.7^{\circ} $</td></tr><tr><td>$ 30^{\circ} $</td><td>$ 30.2^{\circ} $</td><td>$ 30.4^{\circ} $</td></tr><tr><td>$ 45^{\circ} $</td><td>$ 46.8^{\circ} $</td><td>$ 46.2^{\circ} $</td></tr><tr><td>$ 60^{\circ} $</td><td>$ 60.2^{\circ} $</td><td>$ 60.7^{\circ} $</td></tr><tr><td>$ 75^{\circ} $</td><td>$ 72.8^{\circ} $</td><td>$ 73.4^{\circ} $</td></tr></tbody></table>	[ "적합화 함수에 의한 추정된 방위각이 \$ 15.7^{\\circ} \$가 나온 것은 어떠한 식을 사용했을 때인가요?", "세라믹 조각에 나타나는 출력전압은 얻고자 임의의 방위각을 가진 지점에 음압을 가하기 전에 어떻게 했나요?", "유한요소 모델에서의 음압 인가 방위각이 \$ 15^{\\circ} \$는 식(2)를 사용하면 얼마가 나오나요?", "표 3에 나타난 음원의 방위각은 무엇을 이용해 추정한 것인가요?", "Tonpilz형 벡터센서의 방위각 탐지 성능은 어떻게 검증하였어?", "표 3은 무엇을 나타낸 것인가요?", "식(2)에서 \$ 60.2^{\\circ} \$ 가 나올 때 유한요소 모델에서의 음압 인가 방위각은 얼마인가요?", "음원의 방위각은 어떻게 추정하였어?", "유한요소 모델에서의 음압 인가 방위각이 \$ 30^{\\circ} \$일 때 방위각 식 (2)를 사용하여 산출된 값은 몇 도인가?", "방위각 식 (4)에서 \$ 30.4^{\\circ} \$가 나올 때는 유한요소 모델에서의 음압 인가 방위각이 몇 도일 때인가?", "표 3에서 유한요소 모델에서의 음압 인가 방위각이 \$ 75^{\\circ} \$일 때 적합화 함수에 의한 추정된 방위각 식 (2)를 사용하면 몇 도가 나오는가?", "추정 방위각이 \$ 73.4^{\\circ} \$가 나올 때 음압 인가 방위각은 몇 도인가?", "적합화 함수에 의한 추정된 방위각에서 식(2)가 \$ 60.2^{\\circ} \$ 일 때 식 (4)를 사용하면 결과값은 얼마인가요?", "유한요소 모델에서의 음압 인가 방위각이 \$ 45^{\\circ} \$일 때 방위각을 계산하는 두 식 중에서 어떤 식으로 계산했을 때 더 큰 값이 나오는가?" ]
30d20c04-22c9-412b-bf52-e1b29a689b71	인공물ED	Quadrupole 구조를 가진 Tonpilz형 수중 음향 벡터 센서를 이용한 입사각 추정	<p>이상의 그림 7과 8의 결과들을 종합해보면 그림 9와 같다. 그림 9는 방위각 $ \Phi $에 따른 출력전압 $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{d}} $, $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}}, \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{c}} $ 그리고 $ \mathrm{V}_{\mathrm{c}}+\mathrm{V}_{\mathrm{d}} $를 각각의 첫 번째 피크 값으로 정규화시킨 것이다. 전체적으로 두 개의 $ \sin $과 $ \cos $ 형태 그래프로 나타난다. 정규화시의 기준 값이 되는 각 신호들의 첫 번째 피크 값은 그림 7과 8로 부터 직접 구할 수 있다. 혹은, 그림 6에 나타낸 스칼라 반응 값인 $ \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{d}}\left(\mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{c}}\right) $의 절대값이 사전에 주어진다면, 그림 6의 값과 그림 7과 8의 그래프 간의 비례 관계에 의해 첫 번째 피크 값의 크기를 간접적으로 구할 수도 있다.</p><p>그림 9에서 $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}} $와 $ \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{c}} $의 결과를 예로 들어 음원의 방위각을 추정하는 방안을 정리해보면, $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}} $의 첫 번째 피크 부호가 (-) 일 때는 음원의 입사 방위각 $ \Phi $가 $ 0^{\circ} \sim 90^{\circ} $ 혹은 $ 270^{\circ} \sim 360^{\circ} $에 속하고, (+)일 때는 $ \Phi $가 $ 90^{\circ} \sim 270^{\circ} $ 에 속한다. 또한, $ \mathrm{V}_{b}+\mathrm{V}_{\mathrm{c}} $ 의 첫 번째 피크 부호가 (+) 일 때는 $ \Phi $가 $ 0^{\circ} \sim 180^{\circ} $ 에 속하고, (-) 일 때는 $ \Phi $가 $ 180^{\circ} \sim 360^{\circ} $에 속한다. 따라서 이러한 특성을 이용하면 $ \Phi $가 어느 사분면에 속하는지를 구체화시킬 수 있는데, $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}} $와 $ \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{c}} $의 첫 번째 피크 값이 모두 (+)이면 $ \Phi $가 $ 90^{\circ} \sim 180^{\circ} $에 속하고, 모두 (-)이면 $ \Phi $가 $ 270^{\circ} \sim 360^{\circ} $에 속하는 식이다. 이렇게 출력 전압 값들의 첫 번째 피크 부호를 이용해 $ \Phi $가 어느 사분면에 속하는지를 판단할 수 있는 기준을 표 2에 정리하였다. 표 2의 결과는 입사 음압이 양의 부호를 가진 경우에 $ \Phi $의 방향을 판단하는 기준을 나타낸 것이다. 만약 음의 부호를 가지는 음압이 들어온다면 그림 6에 나타낸 방위각에 따른 출력 전압 $ \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{d}}-\left(\mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{c}}\right) $이 음의 값을 가질 것이다. 그러므로 센서의 출력 전압 $ \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{d}}-\left(\mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{c}}\right) $에 의해 입사 음압이 어떠한 부호를 가지는지를 먼저 판단한 다음, 만약 음의 부호를 가진다면 표 2에 나타낸 방위각에 따른 각 출력 전압의 부호롤 반대가 되도록 한 후, 동일한 방법에 의해 음원이 어느 사분면에 속하는지를 찾으면 된다.</p><p>이렇게 방위각 $ \Phi $가 어느 사분면에 속하는지가 결정되고 나면, 그 사분면 내에서의 보다 구체적인 $ \Phi $의 값은 그림 9에 보인 각 전압 변화 그래프들을 적합화(fitting)시킨 함수인 식(1)-(4)로부터 구할 수 있다. 그림 9는 이미 각각의 최대값으로 정규화가 된 그래프들이므로 역삼각함수로 간단하게 적합화할 수 있다.</p><table border><caption>표 2. 음원의 방위각 $ \phi $에 따른 각 출력 전압의 첫 번째 피크 부호 비교</caption><tbody><tr><td rowspan=2>음원의 방위각 $ \Phi $</td><td colspan=4>압전세라믹 조각의 출력신호 조합</td></tr><tr><td>$ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{d}} $</td><td>$ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}} $</td><td>$ \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{c}} $</td><td>$ \mathrm{V}_{\mathrm{c}}+\mathrm{V}_{\mathrm{d}} $</td></tr><tr><td>$ 0^{\circ} \sim 90^{\circ} $</td><td>$< 0 $</td><td>$< 0 $</td><td>$ >0 $</td><td>$ >0 $</td></tr><tr><td>$ 90^{\circ} \sim 180^{\circ} $</td><td>$< 0 $</td><td>$ >0 $</td><td>$ >0 $</td><td>$< 0 $</td></tr><tr><td>$ 180^{\circ} \sim 270^{\circ} $</td><td>$ >0 $</td><td>$ >0 $</td><td>$< 0 $</td><td>$< 0 $</td></tr><tr><td>$ 270^{\circ} \sim 360^{\circ} $</td><td>$ >0 $</td><td>$< 0 $</td><td>$< 0 $</td><td>$ >0 $</td></tr></tbody></table><p>$ \Phi_{a+d}=\sin ^{-1}\left[\left(V_{a}+V_{d}\right)_{\text {normalized }}\right] $<caption>(1)</caption></p><p>$ \Phi_{a+b}=\cos ^{-1}\left[\left(V_{a}+V_{b}\right)_{\text {normalized }}\right] $<caption>(2)</caption></p><p>$ \Phi_{b+c}=\sin ^{-1}\left[\left(V_{b}+V_{c}\right)_{\text {normalized }}\right] $<caption>(3)</caption></p><p>$ \Phi_{c+d}=\cos ^{-1}\left[\left(V_{c}+V_{d}\right)_{\text {normalized }}\right] $<caption>(4)</caption></p><p>식(1)-(4)에 의한 방위각 $ \Phi $의 계산의 정확성을 검증하기 위하여, 예를 들어서 그림 9에 보인 $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}} $ 값들에 대해 식(2)를 이용해 각각에 해당하는 방위각 $ \Phi $를 구한 다음 그림 9의 그래프와 비교한 결과를 그림 10에 나타냈다. 그림 9의 결과는 그림 1(b)에 보인 모델에 의한 유한요소해석 결과인데, 그림 10에 나타낸 바와 같이 식(2)에 의해 계산한 방위각이 유한요소해석 결과와 잘 일치함을 알 수 있다. 따라서 식 (1)-(4)의 적합화 식들은 매우 타당함을 알 수 있다. 하지만 그림 10의 결과만으로는 동일한 $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}} $ 값에 대해 두 개의 각도가 제시되므로, 이 식만으로는 방위각을 유일하게 결정할 수 없다.</p><p>따라서 이상의 원리들을 정리하면, 입의의 방향에서 외부 음압이 인가되었을 때, 우선 관찰된 전압 $ \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{b}}, \mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{d}}, \mathrm{V}_{\mathrm{b}}+\mathrm{V}_{\mathrm{c}} $ 그리고 $ \mathrm{V}_{\mathrm{c}}+\mathrm{V}_{\mathrm{d}} $들의 첫 번째 피크 부호를 관찰함으로써 음원의 방위각이 어느 사분면에 속하는지를 표 2에 의해 먼저 결정한다. 다음으로는 결정된 사분면 내에서의 구체적인 방위각 $ \Phi $는 식 (1)-(4) 중 어느 한 식에 정규화된 전압 값을 대입함으로써 구할 수 있다. 식(1)-(4) 중 어느 것을 사용하더라도 결과에는 차이가 없으므로, 사용하기 편리한 식을 채택하면 된다. 관찰된 전압들을 정규화 시키기 위한 각 전압 신호의 첫 번째 피크 크기는 이 벡터센서의 스칼라 반응 값을 사전에 안다면 그림 6의 스칼라 반응 값과 그림 7과 8의 각 그래프 간의 비례 관계에 의해 사전에 구할 수 있다. 그리고 그림 6에 나타낸 스칼라 반응 값은 임의의 방향에서 외부 음압이 인가되었을 때 4개 소자 모두에 의해 측정된 전압들을 $ \mathrm{V}_{b}+\mathrm{V}_{\mathrm{d}}-\left(\mathrm{V}_{\mathrm{a}}+\mathrm{V}_{\mathrm{c}}\right) $와 같이 더함으로써 간단히 구할 수 있다.</p>	[ "\$ \\mathrm{V}_{\\mathrm{a}}+\\mathrm{V}_{\\mathrm{d}} \$ 일 때 \$ 0^{\\circ} \\sim 90^{\\circ} \$은 어떻게 돼?", "표 2에서 나타내는 각 출력 전압 첫 번째 피크 부호를 비교하는 것은 무엇에 따르나?", "\$ \\mathrm{V}_{\\mathrm{c}}+\\mathrm{V}_{\\mathrm{d}} \$가 \$ 270^{\\circ} \\sim 360^{\\circ} \$일 때 어떤 값을 가져?", "\$ \\mathrm{V}_{\\mathrm{a}}+\\mathrm{V}_{\\mathrm{d}} \$에서 \$< 0 \$의 값을 가지는 것은 \$ 0^{\\circ} \\sim 90^{\\circ} \$을 제외한 무엇이 있나?", "\$ \\mathrm{V}_{\\mathrm{a}}+\\mathrm{V}_{\\mathrm{b}} \$의 경우 \$ >0 \$의 값은 \$ 90^{\\circ} \\sim 180^{\\circ} \$외에 어떤 음원의 방위각 \$ \\phi \$에서 나타나니?", "\$< 0 \$의 값을 가지는 것은 \$ 180^{\\circ} \\sim 270^{\\circ} \$을 제외한 \$ \\mathrm{V}_{\\mathrm{b}}+\\mathrm{V}_{\\mathrm{c}} \$의 어느 곳에서 나타나나?", "\$ \\mathrm{V}_{\\mathrm{c}}+\\mathrm{V}_{\\mathrm{d}} \$의 경우 \$ >0 \$을 갖는 것은 \$ 270^{\\circ} \\sim 360^{\\circ} \$외에 어느 곳에서 찾을 수 있나요?" ]
198866f8-1237-497c-9d43-146315729720	인공물ED	편파 다이버시티를 위한 바람개비 형태의 루프 안테나 설계	<h1>III. 제작 및 측정</h1> <p>제안된 안테나는 FDTD 기반의 시뮬레이션 툴(CST사의 MWS)을 사용하였다. 제작 시에 사용한 기판 정보는 표 2에 제시되어 있으며, 그림 5는 시뮬레이션을 하기 위한 안테나 전체 구성을 나타낸다.</p> <table border><caption>표 2. 기판 정보</caption> <tbody><tr><td>기판 두께 (Substrate thickness)</td><td>유전율 (Relative dielectric constant)</td><td>스트립 라인 두께 (Strip line thickness)</td></tr><tr><td>$ 1.6 \mathrm{~mm} $</td><td>2.2</td><td>$ 0.05 \mathrm{~mm} $</td></tr></tbody></table> <table border><caption>표 3. 기생 루프 안테나가 없는 경우 임피던스 변화</caption> <tbody><tr><td>S [$ \mathrm{mm} $] \ Input impedance [ohm]</td><td>$ R_{I N} $</td><td>$ X_{I N} $</td></tr><tr><td>2.0</td><td>5</td><td>38</td></tr><tr><td>2.5</td><td>12</td><td>50</td></tr><tr><td>3.0</td><td>29</td><td>67</td></tr></tbody></table> <table border><caption>표 4. 스터브 길이 $ (s) $ 와 기생 루프 사이 간겨 $ (d) $ 의 변 화에 따른 입력 임푀던스</caption> <tbody><tr><td rowspan=2>s [$ \mathrm{mm} $] \ Input impedance [ohm]</td><td colspan=2>a=5 [$ \mathrm{mm} $]</td><td colspan=2>a=6 [$ \mathrm{mm} $]</td><td colspan=2>a=7 [$ \mathrm{mm} $]</td></tr><tr><td>$ R_{I N m} $</td><td>$ X_{INm} $</td><td>$ R_{I N m} $</td><td>$ X_{INm} $</td><td>$ R_{I N m} $</td><td>$ X_{INm} $</td></tr><tr><td>2.0</td><td>45.0</td><td>24.8</td><td>38.0</td><td>34.6</td><td>32.6</td><td>38.0</td></tr><tr><td>2.5</td><td>40.6</td><td>-4.4</td><td>46.8</td><td>3.6</td><td>48.0</td><td>13.5</td></tr><tr><td>3.0</td><td>20.2</td><td>-9.4</td><td>26.3</td><td>-8.4</td><td>32.5</td><td>-6.0</td></tr></tbody></table> <p>표 3은 기생 루프 안테나가 없을 때의 임피던스의 변화를 나타낸다. 스터브 $ (s) $의 길이에 따라서 입력 저항을 증가시킬 수 있으나 입력 리액턴스도 동시에 증가시키므로 스터브 $ (s) $만으로 입력 임피던스를 조절하기에는 한계가 있음을 나타낸다. 표 4에 서는 상단에 기생 루프 안테나가 있을 때 임피던스 변화를 보여주고 있는데, 표 3과 비교하여 유도 결합으로 인한 입력 저항의 증가를 확인할 수 있다. 또한 루프 끝단의 입력 스터브의 길이에 따라 입력 리액턴스를 조절할 수 있음을 확인하였다. 스터브 길이 $ (s) $와 기생 루프와의 간격(d)이 표 4로부터 각각 $ 2.5 \mathrm{~mm}, 6 \mathrm{mm} $일 때 입력 임피던스의 정합이 일어남을 알 수 있다. 이 표를 바탕으로 제작된 안테나는 그림 6에 제시되어 있다. 그림 7은 제안된 안테나의 반사 손실에 대한 시뮬레이션 및 측정 결과를 나타낸다. 이로부터 공진 주파수 $ 2.6 \mathrm{GHz} $에서 대역폭 $ 6 \% $의 일치하는 결과를 알 수 있다. 그림 8(a)는 고각 평면(elevation plane)에서 동일 편파 $ \left(E_{\phi}\right) $와 직교 편파 $ \left(E_{\theta}\right) $의 결과를 보여 준다. 동일 편파는 비교적 일치하였으나, 직교 편파는 시뮬레이션과 측정 결과에서< 차이를 보이고 있는데, 측정시 안테나에 연결된 케이블의 영향 때문이라 판단된다. 그림 8(b)는 방위각 평면(azimuth plane)에서 결과를 보여 주며, 직교 편파는 패턴의 일그러짐을 확인하였다. 이 또한 케이블로 인한 측정 오차로 판단된다. 두 평면에서 안테나의 편파 분리도(polarization purity)는 $ 15 \mathrm{dB} $ 이상의 차이를 보였고, 이득은 시뮬레이션 결과 $ 1.5 \mathrm{dBi} $를 나타내었다.</p>	[ "표 2에서 기판 두께는 얼마인가?", "표 2에서 2.2로 설정된 값은 무엇인가?", "표 2에서 Strip line thickness는 얼마인가?", "표 3에서 입력 임피던스가 2.0일때 \$ R_{I N} \$은 얼마인가?", "표 3에서 S [\$ \\mathrm{mm} \$] \\ Input impedance [ohm]가 2.0일때 \$ X_{I N} \$은 얼마인가?", "표 3에서 \$ X_{I N} \$가 50인 입력 임피던스는 얼마인가?", "표 3에서 S [\$ \\mathrm{mm} \$] \\ Input impedance [ohm]가 3.0일때 \$ R_{I N} \$은 얼마인가?", "표 3에서 \$ R_{I N} \$의 값이 29인 입력 임피던스의 \$ X_{I N} \$은 얼마인가?", "표 4에서 \$ R_{I N m} \$=45.0, \$ X_{INm} \$=24.8인 입력 임피던스는 얼마인가?", "표 4에서 입력 임피던스가 2.0일때 \$ R_{I N m} \$=38.0, \$ X_{INm} \$=34.6인 스터브 길이와 기생 루프 사이 간격은 얼마인가?", "표 4에서 입력 임피던스가 2.0이고 스터브 길이와 기생 루프 사이 간격이 7일때 \$ R_{I N m} \$은 얼마인가?", "표 4에서 입력 임피던스가 2.5일때 \$ R_{I N m} \$=40.6, \$ X_{INm} \$=-4.4인 스터브 길이와 기생 루프 사이 간격은 얼마인가?", "표 4에서 입력 임피던스가 2.0이고 스터브 길이와 기생 루프 사이 간격이 7일때 \$ X_{INm} \$은 얼마인가?", "표 4에서 \$ R_{I N m} \$=48.0, \$ X_{INm} \$=13.5인 입력 임피던스는 얼마인가?", "표 3에서 \$ X_{I N} \$이 50인 입력 임피던스의 \$ R_{I N} \$는 얼마인가?" ]
bd42bfe4-4ae8-44dc-899e-f7e8eb6754f2	인공물ED	편파 다이버시티를 위한 바람개비 형태의 루프 안테나 설계	<h1>II. 안테나 구조 및 설계</h1> <p>그립 1은 바람개비 형태 루프 안테나의 상측 스트립 라인과 하측 스트립 라인의 구성을 나타내고 있다. 급전은 루프 안테나의 중앙에서 십자(+) 형태의 스트립 라인을 따라서 라인 끝의 루프 조각으로 이어진다. 루프 조각의 길이$ (l) $와 반지름$ (r) $, 폭$ (w) $은 표 1에 제시되어 있으며, 스터브 길이$ (s) $는 튜닝 요소로 작용하게 하였다. 기판의 상측과 하측 스트립 라인은 $ 180^{\circ} $ 회전시킬 때 상호 대칭인 구조로 되어 있다. 중앙에서 십자 형태로 급전되는 라인은 기판에 위치할 때 전송 선로의 역할을 하도록 하였다. 십자 형태 전송 선로의 끝에 연결된 루프 조각의 길이는 파장의 $ 0.1 \sim 0.15 $배 사이로 전체 루프의 길이는 $ 0.4 \sim 0.6 $ 파장에 해당하나, 바람개비 형태의 구현을 통해, 동일한 크기의 일반적인 루표 안태나보다 루프상의 전류의 크기를 균일하게 하였다.</p> <table border><caption>표 1. 루프 안테나 파라미터 $ (2.6 \mathrm{GHz}) $</caption> <tbody><tr><td>r</td><td>l</td><td>w</td></tr><tr><td>$ 16.3 \mathrm{~mm} $</td><td>$ 14 \mathrm{~mm}(\approx 0.12 \lambda) $</td><td>2 mm</td></tr></tbody></table> <p>그립 2(a)는 기판의 상측과 하측에 바람개비 형태 스트립 라인의 구성 형태를 나타낸다. 기판의 중앙에는 급전이 이루어질 수 있도록 via를 만들었고, 이에 기판 상측과 하측의 십자 형태의 급전선은 전송 선로의 역할을 하기 때문에 실제 방사에 영향을 주지 않는 구조이다. 십자 형태의 스트립 라인을 그림 2 (b)와 같이 전송 선로로 표현한다면 중심에서 본 십자 형태의 입력 임피던스는 식 (1)과 같다.</p> <p>$ N $은 급전 지점에서 나가는 전송 선로의 수이며, 십자 형태인 경우 $ N $은 4가 된다. $ Z_{T} $는 십자 형태 전송 선로의 특성 임피던스를 나타내며, $ Z_{L}(s) $은 십자 형태 전송 선로 끝에 연결된 루프 조각의 임피던스를 나타낸다. 루프 조각 끝의 스터브 길이 $ (s) $는 커패시티브 로딩(capacitive loading)의 크기를 조절하여, 입력 임퍼던스를 조절할 수 있는 변수로 작용하게 하였다.</p> <p>$ Z_{I N}(s)=\frac{1}{N}\left(Z_{T} \frac{Z_{L}(s)+j Z_{T} \tan (\beta r)}{Z_{T}+j Z_{L}(s) \tan (\beta r)}\right) \\ =R_{I N}(s)+j X_{I N}(s) $<caption>(1)</caption></p> <p>식 (1)로부터는 $ Z_{T}, N $, 반지름(r)을 결정된 경우 스터브 길이 $ (s) $에 따라 입력 임피던스를 조절할 수 있음을 알 수 있다.</p> <p>루프 조각 길이(l) 를 짧게 할 경우, 전체 루프 조각은 한 개의 루프애서 전류의 분포가 균일한 소형 루프 안테나로 볼 수 있다. 그러나 일반적인 상용 커낵터의 연결과 임피던스 정합을 고려한다면, 안테나의 크기는 제한 요소가 될 수 있다. 이 때문에 안테나를 일정한 크기로 유지해야 한다면 고주파에서 소형 루프 안테나의 방사 패턴을 구현하기 위하여 루프 조각 길이 $ (l) $는 더욱 짧아져야 하고 중앙의 급전 지점에서 뺄어 나가는 전송 선로의 수 $ (N) $가 커져야 한다. 전송 선로의 수($ (N) $가 커지는 경우, 식 (1)에 의하여 입력 임피던스는 작아지므로, 정합을 위해서는 입력 임피던스를 증가시켜야 한다.</p> <p>입력 임피던스를 증가시키는 방법으로 기생 루프 안테나의 유도 결합을 이용하는 방법이 있다. 그림 3에서는 하단의 급전되는 루프 안테나 위에 올려지는 상단의 기생 루프 안테나를 나타낸다. 구조 및 크기는 하단의 급전되는 루프 안테나와 동일하다. 이는 유도 결합이 일어나면 기생 루프에도 동일한 전류가 여가되어 방위각 평면에서 안정된 방사 패턴을 만들어낼 수 있는 구조이다.</p> <p>그림 4(a)에서는 하단의 루프 안테나를 모델링한 것으로 저항과 인덕터, 커패시터로 나타내었다. 인덕터는 상호 유도 결합을 나타내가 위해 모델링 하였고, 리액턴스 성분이 음이 될 수 있는 경우를 고려하여 커패시터를 추가하였다. 기생 루프 안테나가 없는 경우에, 그림 4(a)를 바탕으로 입력 암피던스는 식 (1)로부터 식 (2)로 유도되며, 이때 급전되는 하단 루프 안테나만의 입력 임피던스는 $ Z_{2}(s) $로 정의될 수 있다.</p> <p>$ \begin{aligned} Z_{\mathbb{I N}}(s) &=R_{I N}(s)+j X_{I N}(s) \\ &=R_{1}(s)+\frac{1}{j 2 \pi f C_{1}(s)}+j 2 \pi f L_{1}(s) \\ &=Z_{1}(s) \end{aligned} $<caption>(2)</caption></p> <p>식 (3)의 $ Z_{2}(\mathrm{s}) $는 상단의 기생 루프 안테나의 임피던스를 나타낸다. 하단의 루프 안테나로부터 유도된 자기장이 상단의 기생 루프 안테나에 전류를 여기할 때 상단의 기생 루프 안테나의 임피던스는 직렬 RLC로 표현할 수 있다. 8개의 루프 조각이 연결된 하나의 루프 안테나로 본다면 상단의 기생 루프 안테나의 저항은 방사 저항과 손실 저항을 나타내며, 인덕터는 유도 결합이 일어남을 나타낸다. 커패시터는 루프 조각 끝단에 있는 스터브로 인한 것이며, 하단의 루프 안테나처럼 스터브 길이$ (s) $에 따라 달라지는 함수로 표현된다.</p> <p>$ Z_{2}(s)=R_{2}+\frac{1}{j 2 \pi f C_{2}(s)}+j 2 \pi f L_{2} $<caption>(3)</caption></p> <p>따라서 기생 루프 안테나를 사용하여 유도 결합이 일어나면 식 (4)와 같이 입력 임피던스 $ Z_{I N m} $을 표현 할 수 있고, 급전되는 루프 안테나와 기생 루프 안테나 사이의 거리 $ (d) $에 따라 유도 결합 세기 $ M(d) $를 조절하여 입력 저항을 증가시킬 수 있다. 또한 입력 리액턴스는 스터브 길이 $ (s) $를 조절함으로써 원하는 공진 주파수 $ 2.6 \mathrm{GHz} $에 조정할 수 있는 식이 된다.</p> <p>$ \begin{aligned} Z_{I N m}(s, d) &=Z_{1}(s)+\frac{(2 \pi f)^{2} M(d)^{2}}{Z_{2}(s)} \\ &=R_{I N m}(s, d)+j X_{I N m}(s, d) \end{aligned} $<caption>(4)</caption></p>	[ "루프 안테나의 주파수 크기는 표의 어디서 알 수 있을까?", "r 파라미터는 어떤 값을 가지고 있나?", "표를 참조하면 r 파라미터는 어떤 값이지", "\$ 14 \\mathrm{~mm}(\\approx 0.12 \\lambda) \$의 크기를 가진 파라미터는 어떤거야?", "어떤 파라미터가 크기가 가장 적을까?", "크기가 가장 큰 파라미터는 어떤거니?", "\$\\mathrm{mm} \$를 \$\\lambda\$로 환산한 값을 가지고 있는 파라미터는 무엇인가?", "입력 저항을 올리기 위해서 어떻게 실행하였나?" ]
dbca7f6d-b8ad-4f2a-8bcb-5b3f9a25f616	인공물ED	IMD 저감 방식을 기반으로 하는 OFDM 통신 시스템	<p>시뮬레이션 결과는 새롭게 제안한 방식이 낮은 복잡도를 유지하면서 기존의 IMD 저감 방식과 비슷한 성능을 유지하는 것을 보여준다. 또한, flipping 방법을 추가하면 계산 복잡도는 더 낮아지면 제안한 방식과 같은 성능을 보인다. IFFT와 FFT 의 총 곱셈 양은 $ \left\{(3 / 8) \cdot N \cdot\left(\log _{2} N-2\right)\right\} \times\left(2^{M-1}+1\right)+\{(3 / 8) \cdot N $. $ \left.\left(\log _{2} N-2\right)\right\} \times 2^{M-1} $ 에 의해 계산되고(Radix-4 알고리즘을 사용), $ M=4 $ 이고 $ N=64 $ 일 때, 계산 복잡도를 비교해 보면, 기존의 IMD 저감 방식은 곱셈량은 위 식에 의해 1632 가 되고, 여기에 flipping 방법을 사용하면 864 가 된다. 제안된 방식은 $ \left\{(3 / 8) \cdot N \cdot\left(\log _{2} N-2\right)\right\} $$ \times 2^{M-1} $ 에 의한 IFFT 곱셈만 계산하면 되고, 계산량은 768 이 된다. 이것은 기존의 방식보다 약 $ 52 \% $ 정도의 계산 복잡도 감소를 보인다. 만약 flipping 방법도 적용한다면 시스템 계산 복잡도는 384 로 줄어든다. 시뮬레이션 결과에서도 보이듯이 제안된 방식은 기존의 방식에 비해 상당한 계산 복잡도의 저감을 보이며, 시스템 처리 속도에서도 상당한 이득을 보인다. 만약 제안된 방식을 flipping 방법과 같이 사용한 다면 계산 복잡도는 $ 75 \% $ 줄어들고 시스템 수행 시간 또한 줄어들게 된다. PTS에서 더 좋은 성능을 보이기 위해서는 더 많은 partition 블록을 사용하게 되 는데, 이런 경우 계산 복잡도와 시스템 처리 시간은 매우 큰 단점으로 작용하게 된다. 그러므로 시스템의 복잡도를 줄이는 것은 IMD 저감 방식에서도 매우 중요하다.</p> <table border><caption>두 시스템 간의 계산 복잡도 비교</caption> <tbody><tr><td></td><td>IFFT block 개수(iteration 포함)</td><td>IFFT point\[(=N)\]</td><td>FFT 블록 개수 (iteration 포함)</td><td>FFT point (=N)</td><td>계산 복잡도 비교</td></tr><tr><td>기존의 IMD 저감 방식(SPW 적용)</td><td>$ 2^{M-1}+1 $</td><td>$ k \times M $</td><td>$ 2^{M-1} $</td><td>$ k \times M $</td><td>기준</td></tr><tr><td>기존 IMD 저감 방식+ flipping</td><td>$ 2^{M-2}+1 $</td><td>$ k \times M $</td><td>$ 2^{M-2} $</td><td>$ k \times M $</td><td>약 48 % 감소</td></tr><tr><td>제안한 EDD 저감 방식(SPW 적용)</td><td>$ 2^{M-1} $</td><td>$ k \times M $</td><td>None</td><td>None</td><td>약 52% 감소</td></tr><tr><td>제안한 MD 저감 방식 + flipping</td><td>$ 2^{M-2} $</td><td>$ k \times M $</td><td>None</td><td>None</td><td>약 77 % 감소</td></tr></tbody></table> <p>그림 9은 제안한 IMD 저감 방식과 기존의 IMD 저감 방식의 BER 성능 곡선이다. 그림 9는 비선형 다항식 3 차 항에 대한 성능 비교 곡선이다. OFDM 신호의 비선형 왜곡은 식 (1)에서 홀수 차수 항에 의해서 일어나게 된다. 여기서 비선형 다항식을 3 차로 제한하는 것은 비선형성이 다항식의 3 차 항에 주로 의존하는 것을 의미하고, 3 차까지만 사용함으로써 시스템의 복잡도를 줄이게 한다. 시뮬레이션 결과에서 알 수 있듯이 낮은 복잡도의 IMD 저감 방식은 PAPR 저감 방식보다 성능이 좋다. 또한, 그림 9에서는 제안된 방식은 기존의 방식에 비해 큰 성능 손실을 가져오지 않는다는 것을 알 수 있다.</p>	[ "기존의 IMD 저감 방식시스템의 계산에서 IFFT point는 뭐야?", "제안한 EDD 저감 방식(SPW 적용)의 계산 복잡도 비교는 무엇이야?", "두 시스템 간의 계산 복잡도 비교표에 나타난 기존의 IMD 저감 방식의 IFFT block 개수계산은 어떻게 했어?", "시스템간 계산복잡도를 나타낸 표에서 기존의 IMD 저감 방식의 FFT 블록 개수은 얼마야?", "표에 나타난 계산복잡도 비교에서 기존의 IMD 저감 방식의 FFT point의 계산은 어떻게 했어?", "기존의 IMD 저감 방식의 FFT 블록 개수는 시스템간 계산복잡도를 나타낸 표에서 얼마야?", "시스템간 계산복잡도를 나타낸 표에서 제안한 EDD 저감 방식(SPW 적용)의 FFT 블록 개수은 얼마야?", "표에 나타난 계산복잡도 비교에서 SPW 적용한 제안한 EDD 저감 방식의 FFT 블록 개수는 뭐지?", "두 시스템 간의 계산 복잡도 비교표에 나타난 SPW 적용한 제안한 EDD 저감 방식의 IFFT block 개수계산은 어떻게 했지?", "시스템간 계산복잡도를 나타낸 표에서 제안한 MD 저감 방식 + flipping의 FFT 블록 개수은 얼마야?", "표에 나타난 계산복잡도 비교에서 제안한 MD 저감 방식 + flipping의 FFT point는 얼마지?", "제안한 MD 저감 방식 + flipping의 계산 복잡도 비교는 무엇이야?", "기존의 IMD 저감 방식+ flipping의 FFT point의 계산은 표에 나타난 계산복잡도 비교에서 어떻게 했어?", "제안한 MD 저감 방식 + flipping의 계산에서 IFFT point는 뭐야?", "기존의 IMD 저감 방식시스템+ flipping의 계산에서 IFFT point는 무엇이야?", "SPW 적용한 기존의 IMD 저감 방식+ flipping의 계산 복잡도 비교는 몇퍼센트 감소했어?", "SPW 적용한 기존의 IMD 저감 방식의 계산 복잡도 비교는 무엇이야?", "제안한 MD 저감 방식 + flipping의 IFFT block 개수계산은 두 시스템 간의 계산 복잡도 비교표에 어떻게 나타냈어?", "기존 IMD 저감 방식+ flipping의 IFFT block 개수계산은두 시스템 간의 계산 복잡도 비교표에서 어떻게 나타냈어?" ]
257453cf-c33b-4cb5-82aa-90e822949742	인공물ED	효율적인 구현을 위한 안개 제거 방법의 최적화	<h1>III. 제안하는 최적화 기법 및 안개 제거 방법</h1> <p>앞 절에서 분석한 바와 같이, 기존 안개 제거 방법의 처리 과정 중 수행 시간이 긴 부분은 다크 채널 연산, 대기 강도 추정 및 전달량 보정이며, 이들 과정의 수행 시간을 효과적으로 줄이면서도 안개 제거 품질을 유지하기 위한 효율적인 방법이 필요하다. 본 절에서는 이러한 최적화 방법들을 제안하고, 이를 기반으로 하는 새로운 안개 제거 방법을 제시한다.</p> <h2>1. 대기 강도 추정에 필요한 정렬 연산의 간소화</h2> <p>대기 강도 추정을 위해 기존의 방법에서는 다크 채널의 모든 픽셀에 대해 정렬 과정을 수행해야 한다. 이는 영상의 크기가 커질수록, 정렬 대상 픽셀 수가 증가함으로써 매우 높은 연산 복잡도를 갖는다. 제안하는 방법에서는 분산 정렬에 기반하여, 다크 채널을 동일한 크기를 갖는 $ \mathrm{n} $ 개의 영역으로 분할하고, 분할된 각 영역 내에서 최대값을 갖는 픽셀 위치를 찾아내어, 찾아낸 $ \mathrm{n} $ 개의 위치에 해당하는 원본 영상의 픽셀들 중 가장 밝은 픽셀 값을 대기 강도로 취한다.</p> <p>그림 3 은 기존의 대기 강도 추정 방법과 제안하는 방법을 비교한 것이다. 제안하는 방법에서는 분할된 각 영역 내에서 최대값을 갖는 픽셀의 위치를 찾아내야 하는데, 이는 전체 영상의 픽셀을 정렬하여 일부의 상위 픽셀들에 대한 위치를 찾아내는 정렬 기반의 기존의 방법과 비교하여 매우 낮은 연산 복잡도를 갖는다. 또한, 다크 채널에서 가장 안개가 짙은 위치를 추정하고, 이를 바탕으로 대기 강도를 추정함에 따라, 원본 영상의 흰색 물체를 나타내는 픽셀의 값을 대기 강도로 추정하는 오류를 범할 가능성이 낮으며, 이는 기존의 방법과 대등한 장점이다.</p> <p>제안하는 방법에서 다크 채널의 분할 수 $ \mathrm{n} $ 은 추정된 대기 강도 값 및 연산 복잡도에 큰 영향을 미친다. 구체적으로, $ \mathrm{n}=1 $ 인 경우 가장 낮은 연산 복잡도를 갖지만, 부정확한 대기 강도 추정이 이루어지게 되며, $ n $ 이 커질수록 연산 복잡도가 커지지만, 정확한 대기 강도 추정이 이루어진다. 그림 4 는 기존의 방법을 이용해 추정한 대기 강도 값과 제안하는 방법을 이용해 추정한 대기 강도 값의 차이에 대한 평균제곱오차 (mean-squared error; MSE)를 n에 따라 도시한 것이다. 그림에서 보는 바와 같이, 최적의 $ \mathrm{n} $ 값은 영상의 크기에 따라 다르게 설정되어야 하며, $ \mathrm{n}=300 $ 인 경우 $ 320 \times 240 $ 크기의 영상에 대해서 각 채널 별 대기 강도 추정 오차가 $ MSE = 0.15 $ 정도로 매우 작으며, 전술한 바와 같이 대기 강도 추정에 필요한 연산이 크게 간소화되어 수행 시간을 크게 감소시킬 수 있다.</p> <h2>2. 전달량 추정에 필요한 영상 정규화 과정의 간소화</h2> <p>영상 내의 대기 강도 A 는 특정 색상을 갖고 있지 않다고 가정할 수 있으며, 이를 이용하여 전달량 추정에 필요한 영상 정규화 과정을 간소화하고 중복적으로 수행했던 다크 채널 연산을 한번만 수행할 수 있도록 한다. 표 1 은 여러 샘플 영상들에 대해서 앞 절에서 설명한 방법에 따라 추정한 A 의 각 채널 값과 이들 간의 표준편차를 나타낸다. 10 개의 샘플 영상에 대해 대기 강도의 채널 간 표준편차의 최대값은 2.45 정도로 매우 작다. 이를 근거로, A 의 각 채널 값이 동일하다고 가정하여도 전체적인 안개 제거 품질에는 큰 영향을 미치지 않을 것이라고 예상할 수 있다.</p> <p>이에 따라 제안하는 방법에서는 A 를 단색으로 보고 $ (Ar = Ab = Ag = A) $ 전달량을 추정한다. 이 경우, (3)에서 채널 별 대기 강도를 이용한 원본 영상 정규화 과정을 다크 채널에 대해 수행하는 것으로 변경할 수 있다. 정규화된 다크 채널을 이용해서 다음과 같이 전달량을 추정한다.</p> <p>$ t^{\prime}(x)=1-\omega \cdot\left(I^{d a r k}(x) / A\right) $,<caption>(6)</caption></p> <p>원본 영상 정규화 과정은 영상의 모든 픽셀들에 대하여 픽셀 값을 대기 강도의 값으로 나누는 것으로, 높은 연산 복잡도를 갖는다. 제안하는 방법에서는 이러한 정규화 과정을 컬러 채널에서 각 채널 별로 수행하지 않고, 단일 채널로 이루어진 다크 채널에 대해 수행함으로써 연산 복잡도를 크게 줄이게 된다.</p> <table border><caption>표 1. 샘플 영상에 대한 대기 강도 추정 결과</caption> <tbody><tr><td></td><td>$A_{r}$</td><td>$A_{g}$</td><td>$A_{b}$</td><td>표준편차</td></tr><tr><td>샘플 영상 1</td><td>189</td><td>189</td><td>189</td><td>0</td></tr><tr><td>샘플 영상 2</td><td>170</td><td>173</td><td>171</td><td>1.2472</td></tr><tr><td>샘플 영상 3</td><td>212</td><td>210</td><td>212</td><td>0.9428</td></tr><tr><td>샘플 영상 4</td><td>192</td><td>190</td><td>189</td><td>1.2472</td></tr><tr><td>샘플 영상 5</td><td>187</td><td>185</td><td>185</td><td>0.9428</td></tr><tr><td>샘플 영상 6</td><td>176</td><td>175</td><td>174</td><td>0.8165</td></tr><tr><td>샘플 영상 7</td><td>255</td><td>252</td><td>249</td><td>2.4495</td></tr><tr><td>샘플 영상 8</td><td>255</td><td>255</td><td>252</td><td>1.4142</td></tr><tr><td>샘플 영상 9</td><td>189</td><td>189</td><td>189</td><td>0</td></tr><tr><td>샘플 영상 10</td><td>160</td><td>165</td><td>161</td><td>2.1602</td></tr></tbody></table> <h2>3. 전달량 보정 과정의 제거</h2> <p>전달량은 다크 채널을 기반으로 계산되고, 다크 채널 연산은 앞 절에서 정의된 바와 같이 원도우 기반의 최소값 필터를 포함하고 있기 때문에 영상 내의 윤곽선 정보가 소실된다. 이를 복원하기 위해서 기존 방법에서는 전달량 보정 과정에서 복잡한 연산을 수행한다. 제안하는 방법에서는 윤곽선 소실을 야기하는 최소값 필터를 중간값 필터로 대체하는 형태로 다크 채널 연산을 변경함으로써 부가적인 전달량 보정 과정을 효과적으로 제거한다. 이를 통해 안개 제거의 전체적인 연산량을 크게 감소시킬 수 있다.</p> <p>$ I^{\text {med }}(x)=\operatorname{med}_{y \in \Omega(x)}\left(\min _{c \in\{R, G, B\}} I_{c}(y)\right) $<caption>(7)</caption></p> <p>그림 5에서는 어떤 원본 영상 $ \mathrm{I} $ 와 그에 대한 $ \mathrm{I}^{\mathrm{dark}} $ 및 $ \mathrm{I}^{\mathrm{med}} $ 를 비교하고 있다. 그림에서 보는 바와 같이 $ \mathrm{I}^{\mathrm{dark}} $ 는 윈도우 기반에서 대표 값으로 최소값을 선택하기 때문에 원본 영상의 윤곽선 정보가 대폭 소실되는 것을 관찰할 수 있다. 이에 따라, $ \mathrm{I}^{\mathrm{dark}} $ 를 이용해 추정한 전달량은 개략적인 전달량이 되고, 개략적인 전달량은 앞 절에서 설명한 바와 같이 유도 필터와 같은 복잡한 과정을 통해 보정되어야 한다. 하지만 $ \mathrm{I}^{\operatorname{med}} $ 는 그림 5 에서 보는 바와 같이 원본 영상의 윤곽선 정보의 소실이 거의 없다. 이런 사실을 이용하여, 제안하는 방법에서는 (3) 에서 $ \mathrm{I}^{\mathrm{dark}} $ 를 $ \mathrm{I}^{\mathrm{med}} $ 로 교체하여 전달량을 추정한다. $ \mathrm{I}^{\text {med }} $ 는 원본 영상의 윤곽선 정보가 거의 소실되지 않았으므로, 이를 바탕으로 추정한 전달량을 보정하는 복잡한 절차를 제거할 수 있게 된다. 이어지는 절에서 보이겠지만, 메디안 다크 채널을 사용하는 제안하는 방법은 기존 방법과 비교하여 대등한 안개 제거 품질을 보이면서도, 전달량 보정 과정의 제거로 인하여 감소된 수행 시간을 갖는다.</p> <h2>4. 제안하는 최적화 기법들을 기반으로 하는 안개 제거 방법</h2> <p>앞 절에서 제안된 최적화 기법들을 기반으로 새로운 안개 제거 방법을 제시한다. 그림 6 은 제안하는 안개 제거 방법의 흐름도를 나타낸다. 먼저, 주어진 영상 I에 대하여 $ \mathrm{I}^{\mathrm{dark}} $ 를 구하고, 이를 이용하여 제안한 방식에 따라 대기 강도 $ \mathrm{A} $ 를 추정한다. 다음, $ \mathrm{I} $ 에 대하여 메디안 다크 채널 $ \mathrm{I}^{\text {med}} $ 를 구하고 $ \mathrm{A} $ 로 정규화한다. 추정된 대기 강도와 $ \hat{\mathrm{I}}\mathrm{med}$ 를 바탕으로 전달량 t를 추정하고, 추정된 $ \mathrm{A} $ 와 t를 이용해서 안개를 제거한 영상 J 를 복원한다.</p> <p>기존의 방법과 비교하여 제안하는 방법은 대기 강도 추정 과정에서 전체 픽셀들에 대한 정렬의 연산을 간소화하여 대기 강도 추정 과정에서 소요되는 연산을 크게 감소시켰다. 또한, 대기 강도를 단일 색상으로 가정하여 전달량 추정 과정의 영상 정규화 과정을 감소시켰다. 추가적으로, 전달량 추정에서 다크 채널 대신 메디안 다크 채널을 도입함으로써, 추정된 전달량을 보정하는 절차를 효과적으로 제거하였다. 이러한 기법들을 적용 함으로써, 기존 방법과 비교하여 매우 낮은 연산 복잡도를 가지며, 이를 통해 전체 수행 시간을 현저히 감소 시킬 수 있을 것이다.</p>	[ "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 5의 표준편차의 값은 어느 정도야?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과를 보면 샘플 영상 5의 경우 표준편차 수치는 어때", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 7의 표준편차의 측정값은 어느 정도야?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 1의 표준편차는 얼마인가?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 1의 표준편차 값이 얼마지", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 2의 표준편차는 어느 정도인가?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 2의 표준편차의 결과치가 뭐야", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 8의 표준편차는 얼마의 값을 보여?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 3의 표준편차는 얼마로 나타나지?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 3의 표준편차는 어때", "본문의 표 1에서 샘플 영상 1의 \$A_{r}\$ 추정 결과는 얼마야?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 9의 표준편차는 어느 정도의 값을 나타내지?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 10의 표준편차의 값은 몇으로 나타낼 수 있지?", "본문의 표 1에서 샘플 영상 4의 \$A_{r}\$ 추정 결과는 얼마일까?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 6의 표준편차의 값은 얼마로 나타나지?", "본문의 표 1에서 샘플 영상 5의 \$A_{r}\$ 추정 결과는 얼마 정도일까?", "본문의 표 에서 샘플 영상 2의 \$A_{r}\$ 추정 결과는 어느 정도지?", "본문의 표 1. 샘플 영상에 대한 대기 강도 추정 결과에서 샘플 영상 4의 표준편차의 값은 얼마인가?", "샘플 영상 4의 표준편차는 본문의 상황에 대한 강도 추측 결과의 몇 퍼센트야", "본문의 표 1에서 샘플 영상 7의 \$A_{r}\$ 추정 결과는 어느 정도의 값을 가지지?", "본문의 표 1에서 샘플 영상 7의 \$A_{r}\$ 추정 결과는 어느 정도야", "본문의 표 1에서 샘플 영상 9의 \$A_{r}\$ 추정 결과는 어느 정도로 나타낼 수 있지?", "본문의 표 1에서 샘플 영상 3의 \$A_{r}\$ 추정 결과는 어느 정도인가?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 1의 값은 얼마지?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 2의 값은 어느 정도야?", "본문의 표 1에서 샘플 영상 6의 \$A_{r}\$ 추정 결과는 어느 정도의 값을 가져?", "본문의 표 1에서 샘플 영상 6의 \$A_{r}\$ 추정 결과치가 뭐야", "본문의 표 1에서 샘플 영상 8의 \$A_{r}\$ 추정 결과는 어느 정도의 값을 가지는가?", "본문의 표 1의 경우를 보았을 때 샘플 영상 1에 대한 \$A_{b}\$ 대기 강도 추정 결과값은 어느 정도지?", "본문의 표 1에서 샘플 영상 10의 \$A_{r}\$ 추정 결과는 어느 정도의 값을 보여?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 5의 값은 얼마의 값을 가져?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 5의 값이 어때", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 7의 값은 어느 정도인가?", "본문의 표 1의 경우를 보았을 때 샘플 영상 3에 대한 \$A_{b}\$ 대기 강도 추정 결과값은 어느 정도 값으로 표현해?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 4의 값은 얼마나 해?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 3의 값은 얼마일까?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 8의 값은 얼마나 나타낼 수 있지?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 8의 값은 얼마야", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 6은 어느 정도의 값을 보여?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 6의 경우 결과값이 뭐지", "본문의 표 1의 경우를 보았을 때 샘플 영상 8에 대한 \$A_{b}\$ 대기 강도 추정 결과의 측정값은 얼마의 값으로 표현가능한가?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 10의 추정 결과 값은 어느 정도의 값으로 나타나지?", "본문의 표 1의 경우를 보았을 때 샘플 영상 2에 대한 \$A_{b}\$ 대기 강도 추정 결과값은 어느 정도인가?", "본문의 표 1의 경우를 보았을 때 샘플 영상 9에 대한 \$A_{b}\$ 대기 강도 추정 결과의 측정값은 어느 정도의 값을 보이는가?", "본문의 표 1의 경우를 보았을 때 샘플 영상 4에 대한 \$A_{b}\$ 대기 강도 추정 결과값은 얼마인가?", "본문의 표 1의 경우를 보았을 때 샘플 영상 10에 대한 \$A_{b}\$ 대기 강도 추정 결과의 측정값은 어느 정도로 나타낼 수 있지?", "본문의 표 1의 경우를 보았을 때 샘플 영상 5에 대한 \$A_{b}\$ 대기 강도 추정 결과값은 얼마일까?", "본문의 표 1를 참고했을 경우에 \$A_{g}\$ 대기 강도 추정 결과 중 샘플 영상 9의 추정 결과 값은 어느 정도의 값인가?", "본문의 표 1의 경우를 보았을 때 샘플 영상 7에 대한 \$A_{b}\$ 대기 강도 추정 결과의 측정값은 얼마로 나타내지?", "본문의 표 1의 경우를 보았을 때 샘플 영상 6에 대한 \$A_{b}\$ 대기 강도 추정 결과의 측정값은 어느 정도지?" ]
08c9d072-81b4-4fd3-8ef6-7a7718ac0239	인공물ED	시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성 및 비행체 궤적 예측에서의 활용에 관한 연구	<h1>Ⅱ. 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성 및 품질 평가</h1><p>시계열 생성적 적대 신경망의 궁극적인 목적은 실제 시계열 데이터와의 구분이 매우 어려운 합성 시계열 데이터를 생성하는 것이다. 그림 1은 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성의 도식을 보여준다. 효율적인 합성 시계열 데이터 생성을 위해 다양한 프레임워크가 제안되어 왔다. 본 논문에서는 비지도 GAN 프레임워크의 적응성과 자동회귀 모델을 이용한 지도 학습을 통해 제공되는 제어 능력을 결합한 시계열 생성적 적대 신경망을 이용한다. 또한 합성 데이터 생성을 위해 우리의 최근 이전 연구에서 이용된 총 18 개의 텔레메트리 기반 비행체 이동 궤적 데이터를 이용하였다. 합성 시계열 데이터의 품질 측정을 위해 에서와 같이 시각화 및 판별 스코어(discriminative score)를 이용하였다. 그림 2는 t-SNE 및 PCA를 이용한 시각화 기반 품질 측정 결과를 보여준다. 그림 2에서 보는 바와 같이 비행체 궤적 실제 데이터와 합성데이터가 2 차원 공간상에서 상당히 겹치는 것을 볼 수 있다. 겹치는 정도가 클수록 합성 데이터의 품질이 높다고 판단한다. 표 1 은 에서 이용된 다양한 벤치마크 데이터셋 및 비행체 궤적 데이터셋의 판별 스코어를 보여준다. 판별 스코어는 다음과 같이 정의한다.</p><p>$ D=\|0.5-A\| $<caption>(1)</caption></p><p>식 (1)에서 $ A $ 는 판별 신경망의 분류 정확도를 나타낸다. 판별 스코어가 작을수록 합성 데이터셋의 품질이 높다고 판단한다[5]. 실제 데이터셋과 합성 데이터셋의 분류가 어려울수록 판별 스코어는 작은 값을 가지기 때문이다. 비행체 궤적 데이터셋의 경우 Sines보다 크며 Energy보다 작은 판별 스코어를 가지며, Stocks와 비슷하게 작은 판별 스코어를 가진다. 즉, 주가 실제 데이터셋을 이용하여 생성한 주가 합성 데이터셋의 품질과 비행체 궤적 실제 데이터셋을 이용하여 생성한 비행체 궤적 합성 데이터셋의 품질이 거의 비슷하다. 그림 2 및 표 1에서 종합적으로 보는 바와 같이 비행체 궤적 합성 데이터셋의 품질이 상당히 높음을 볼 수 있다.</p><h1>Ⅲ. 실험 결과: 비행체 궤적 예측에서의 활용 결과</h1><p>본 논문에서는 우리의 최근 이전 연구에서 이용했던 2차원 장단기 메모리를 이용하여 비행체의 궤적 예측 작업을 수행하였다. 또한 에서와 같이 손실 함수로써 MSE (mean squared error)를 이용하였다. 총 100 epoch에 걸쳐 학습을 진행하였으며 초기 학습률은 0.1로 설정하였다. 안정적인 학습을 위해 학습률을 50 epoch에서 0.01로 감소시켰다.</p><p>비행체 궤적 예측 작업에서 합성 데이터의 활용 가능성을 탐구하기 위하여 다양한 ablation study를 수행하였다. 구체적으로 우리의 최근 이전 연구에서 효율성이 검증되었던 비행체 궤적 예측 작업의 정량적 평가 방법을 따랐다. 특히 현실성 있는 활용 가능성 탐구를 위해 [5]에서와 같이 “합성 데이터 기반 학습 및 실제 데이터 기반 테스트” 프레임워크를 이용하였다. 표 2 는 입출력 관계 변화에 따른 비행체 궤적 예측 오차를 보여준다. 표 2 에서 보는 바와 같이 비행체 궤적 실제 데이터 기반 학습 결과와 비행체 궤적 합성 데이터 기반 학습 결과가 거의 비슷함을 볼 수 있다. 즉, 비행체 궤적 예측 작업에서 시계열 생성적 적대 신경망을 이용하여 생성한 비행체 궤적 합성 데이터의 활용 가능성이 매우 높음을 알 수 있다. 표 3은 다양한 ablation study 결과를 보여준다. 표 3 에서 보는 바와 같이 순환 신경망 모듈 변화, 상대값 범위 변화, 위도/경도 동시 학습 여부, 리샘플링 여부에 따라 보여주었던 비행체 궤적 실제 데이터 기반 학습 결과 양상과 비행체 궤적 합성 데이터 기반 학습 결과 양상이 거의 비슷함을 볼 수 있다. 이를 통해 비행체 궤적 합성 데이터가 비행체 궤적 예측 작업에서 매우 유용하게 이용될 수 있음을 알 수 있다.</p>	[ "시계열 생성적 적대 신경망의 궁극적인 목적은 뭐야?", "실제 시계열 데이터와의 구분이 매우 어려운 합성 시계열 데이터를 생성하는 것은 무엇의 궁극적인 목적이야?", "본 논문에서는 무엇과 자동회귀 모델을 이용한 지도 학습을 통해 제공되는 제어 능력을 결합한 시계열 생성적 적대 신경망을 이용해?", "본 논문에서는 비지도 GAN 프레임워크의 적응성과 자동회귀 모델을 이용한 지도 학습을 통해 제공되는 무엇을 결합한 시계열 생성적 적대 신경망을 이용해?", "합성 시계열 데이터의 품질 측정을 위해 무엇을 이용했어?", "손실 함수로써는 무엇을 이용했어?", "본 논문에서는 이전 연구에서 이용했던 무엇를 이용하여 비행체의 궤적 예측 작업을 수행했어?", "시각화 기반 품질 측정 결과를 보기 위해 무엇을 이용했어?", "비행체 궤적 실제 데이터와 합성데이터는 몇 차원 공간 상에서 상당히 겹쳐?", "초기 학습률은 얼마로 설정했어?", "비행체 궤적 예측 작업에서 무엇을 탐구하기 위하여 다양한 ablation study를 수행했어?", "본 논문에서는 이전 연구에서 효율성이 검증되었던 비행체 궤적 예측 작업의 어떤 평가 방법을 따랐어?", "표 3에서 비행체 궤적 실제 데이터 기반 학습 결과 양상과 비행체 궤적 합성 데이터 기반 학습 결과 양상이 어떤 면에서 거의 비슷함을 보여주고 있어?", "시계열 생성적 적대 신경망의 궁극적인 목적은 실제 시계열 데이터와의 구분이 매우 어려운 무엇을 생성하는 거야?", "본 논문에서는 비지도 GAN 프레임워크의 적응성과 어떤 모델을 이용한 지도 학습을 통해 제공되는 제어 능력을 결합한 시계열 생성적 적대 신경망을 이용해?", "합성 데이터 생성을 위해 이전 연구에서 이용된 총 몇 개의 텔레메트리 기반 비행체 이동 궤적 데이터를 이용해?", "현실성 있는 활용 가능성 탐구를 위해 어떤 프레임워크를 이용했어?", "본 논문에서는 비지도 GAN 프레임워크의 적응성과 자동회귀 모델을 이용한 지도 학습을 통해 제공되는 제어 능력을 결합한 무엇을 이용해?", "판별 스코어 \$ D=\|0.5-A\| \$ 에서 \$A\$는 무엇을 의미해?", "epoch는 몇번에 걸쳐 학습을 진행했어?", "안정적인 학습을 위해 학습률을 몇번째 epoch에서 0.01로 감소시켰어?", "안정적인 학습을 위해 학습률을 50 epoch에서 얼마로 감소시켰어?", "비행체 궤적 데이터셋의 경우 무엇과 비슷하게 작은 판별 스코어를 가져?", "비행체 궤적 실제 데이터와 합성데이터가 2차원 공간 상에서 많이 겹칠 수록 품질이 좋은 합성 데이터를 썼다고 판단할 수 있어?", "판별 스코어 \$ D\$ 가 작을수록 품질이 높은 합성 데이터라고 판단할 수 있어?", "판별 스코어 \$ D=\|0.5-A\| \$ 에서 실제 데이터셋과 합성 데이터셋의 분류가 쉬울수록 D가 커져?", "주가 합성 데이터와 비행체 궤적 합성 데이터셋의 경우 모두 실제 데이터셋과 겹치는 정도가 높지?" ]
5d84641d-4a54-4425-8a34-38acfe4211f8	인공물ED	시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성 및 비행체 궤적 예측에서의 활용에 관한 연구	<h1>요약</h1><p>딥러닝을 포함한 머신러닝 기법을 기반으로 비행체의 궤적 설계, 제어, 최적화, 예측 등의 작업을 수행하기 위해서는 일정한 양 이상의 비행체 궤적 데이터를 필요로 한다. 그러나 다양한 이유(예를 들어 비행체 궤적 데이터셋 구축에 필요한 비용, 시간, 인력 등)로 일정한 양 이상의 비행체 궤적 데이터를 확보하기 어려운 경우가 존재한다. 이러한 경우 합성 데이터 생성이 머신러닝을 가능하게 하는 방법 중 하나가 될 수 있다. 본 논문에서는 이와 같은 가능성을 탐구하기 위하여 시계열 생성적 적대 신경망을 이용하여 비행체 궤적 합성 데이터를 생성하고 평가하였다. 또한 비행체의 상태를 인식하기 위한 비행체 궤적 예측 작업에서 합성 데이터의 활용 가능성을 탐구하기 위하여 다양한 ablation study(비교 실험)를 수행하였다. 본 논문에서 제시된 생성 평가 및 비교 실험 결과는 비행체 궤적 합성 데이터 생성 및 비행체 궤적 관련 작업에서 합성 데이터의 활용 가능성에 대한 연구를 수행하고자 하는 연구자들에게 실질적인 도움이 될 것으로 예상한다.</p>	[ "비행체 궤적 예측 작업에서 다양한 비교 실험으로 탐구한 것은 뭐야?", "일정한 양 이상의 비행체 궤적 데이터를 확보하기 어려운 이유는 뭐야?", "정한 양 이상의 비행체 궤적 데이터를 확보하기 어려울 때 머신러닝을 가능하게 하는 방법에는 뭐가 있어?", "본 논문에서 일정한 양 이상의 비행체 궤적 데이터를 확보하기 위해서 사용한 망은 뭐야?", "비행체 궤적 예측 작업에서 왜 비교 실험을 수행했어?", "머신러닝 기법을 기반으로 비행체의 궤적 설계, 제어, 등의 작업을 수행하려면 필요한 게 뭐가 있어?", "이 논문이 제시한 시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터는 누구에게 도움이 될 것으로 예상돼?", "비행체 궤적 데이터셋 구축에 필요한 비용이 마땅치 않아 일정한 양 이상의 비행체 궤적 데이터를 확보하기 어려울 때 합성 데이터 생성이 머닝러신 학습에 도움을 줄 수 있어?", "머신러닝 기법을 기반으로 비행체의 궤적을 설계할 때 비행기 궤적 데이터는 필요없어?", "이 논문에서는 합성 데이터 생성이 머신러닝을 가능하게 하는지 탐구하기 위해서 시계열 생성적 적대 신경망을 이용해서 비행체 궤적 합성 데이터를 만들었어?", "이 논문에서는 시계열 생성적 적대 신경망을 이용해서 무엇을 생성, 평가했어?" ]
59e02a84-5e39-4633-94d6-130e0b332eba	인공물ED	시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성 및 비행체 궤적 예측에서의 활용에 관한 연구	<h1>Ⅳ. 결 론</h1><p>본 논문에서는 비행체 궤적 데이터의 양이 부족한 경우 생성적 적대 신경망의 학습 및 활 용에 대해 탐구하였다. 본 논문에서 제시된 1) 생성 데이터 품질 평가 결과 및 2) 비행체 궤적 예측 작업에서의 활용 가능성 탐구를 위한 비교 실험 결과는 비행체 궤적 합성 데이터 생성 및 비행체 궤적 관련 작업에서 합성 데이터의 활용 가능성에 대해 연구ᆞ개발하는 연구자 및 개발자들에게 큰 도움을 제공할 것으로 판단된다.</p>	[ "이 논문에서는 특정 데이터의 양이 부족한 경우의 생성적 적대 신경망의 학습 및 활용인데, 이 특정 데이터는 어떤 데이터야?", "이 논문에서 생성 데이터 품질 평가 결과와 함께 제시하고 있는 실험 결과는 뭐야?" ]
c84a2436-4ead-468b-80eb-79456cd6fa88	인공물ED	시계열 생성적 적대 신경망을 이용한 비행체 궤적 합성 데이터 생성 및 비행체 궤적 예측에서의 활용에 관한 연구	<h1>Ⅰ. 서론</h1><p>생성적 적대 신경망(generative adversarial network)은 준지도(semi-supervised) 및 비지도(unsupervised) 학습을 위한 신경망 중 하나로써, 합성 데이터(synthetic data) 생성을 통한 지도 학습(판별) 방법을 이용한다. 생성적 적대 신경망은 한 개의 신경망으로 구성된 기존의 신경망과는 다르게 두 개의 신경망으로 구성된다: 1) 생성(generative) 및 2) 판별(discriminative) 신경망. 생성 신경망은 랜덤 노이즈로 구성된 벡터를 입력받아 실제 데이터(real data)와 비슷한 특성을 가지는 합성 데이터를 생성한다. 판별 신경망은 실제 데이터와 합성 데이터를 분류하는 것을 목표로 한다. 생성적 적대 신경망은 객체 검출, 텍스처 합성, 초해상화 등과 같은 이미지 및 비디오 데이터를 다루는 분야에서 활발하게 이용되어 왔다. 또한 자연어 처리, 음성 및 오디오 합성, 음악 생성 등과 같은 시계열(time-series) 데이터를 다루는 분야에서도 그 유용성이 검증되었다. 학습 데이터의 양이 충분하지 않아 학습이 어려운 경우 실제 데이터와 유사한 합성 데이터를 생성하여 학습 데이터를 보완함으로써 학습 성능을 극대화하는 것도 생성적 적대 신경망의 활용 방법 중 하나이다.</p><p>본 논문에서는 "비행체 궤적 데이터"의 양이 부족한 경우 “생성적 적대 신경망의 학습 및 활용"에 대해 탐구하였다. 학습 성능 평가를 위해 시계열 생성적 적대 신경망을 이용하여 생성한 비행체 궤적 합성 데이터의 품질을 측정하였으며, 활용 가능성 탐구를 위해 비행체 궤적 예측 작업을 수행하였다. 특히 효율적인 활용 가능성 탐구를 위해 "합성 데이터 기반 학습 및 실제 데이터 기반 테스트” (train on synthetic and test on real, TSTR) 프레임워크를 이용하였다.</p>	[ "준지도(semi-supervised) 및 비지도(unsupervised) 학습을 위한 신경망 중 하나로써, 합성 데이터(synthetic data) 생성을 통한 지도 학습(판별) 방법을 이용하는 것은?", "생성적 적대 신경망은 어떤 데이터 생성을 통한 지도 학습 방법을 이용해?", "생성적 적대 신경망은 몇 개의 신경망으로 구성 돼?", " 몇 개의 신경망으로 생성적 적대 신경망이 조직되지?", "기존의 신경망은 몇 개의 신경망으로 구성 돼?", "몇 개의 신경망으로 기존의 신경망이 조직되지?", "생성적 적대 신경망의 두 개의 신경망은 뭐야?", "랜덤 노이즈로 구성된 벡터를 입력받아 실제 데이터와 비슷한 특성을 가지는 합성 데이터를 생성하는 신경망은 뭐야?", "생성 신경망은 랜덤 노이즈로 구성된 벡터를 입력받아 무엇과 비슷한 특성을 가지는 합성 데이터를 생성해?", "생성 신경망은 무엇을 입력받아 실제 데이터와 비슷한 특성을 가지는 합성 데이터를 생성해?", "실제 데이터와 합성 데이터를 분류하는 것을 목표로 하는 신경망은 뭐야?", "어떤 신경망이 실제 데이터와 합성 데이터를 분류하는 것을 목표로 하지?", "판별 신경망은 무엇을 분류하는 것을 목표로 해?", "무엇을 분류하는 것을 판별 신경망의 목적이지?", "판별 신경망은 실제 데이터와 어떤 데이터를 분류하는 것을 목표로 해?", "판별 신경망은 합성 데이터와 무엇을 분류하는 것을 목표로 해?", "객체 검출, 텍스처 합성, 초해상화 등과 같은 이미지 및 비디오 데이터를 다루는 분야에서 활발하게 이용되어 온 신경망은 뭐야?", "생성적 적대 신경망은 어떤 이미지를 다루는 분야에서 활발하게 이용되어 왔어?", "생성적 적대 신경망은 어떤 데이터를 다루는 분야에서 활발하게 이용되어 왔어?", "생성적 적대 신경망은 이미지, 비디오, 시계열 처리 데이터를 다루는 분야에서 이용되지?", "학습 데이터의 양이 충분하지 않아 학습이 어려운 경우에는 생성적 적대 신경망을 활용할 수 없지?", "학습 성능 평가를 위해 어떤 신경망을 이용하여 생성한 비행체 궤적 합성 데이터의 품질을 측정했어?", "활용 가능성 탐구를 위해 어떤 작업을 수행해야 해?", "어떤 작업을 수행해서 활용 가능성 탐구를 시행 가능하지?", "효율적인 활용 가능성 탐구를 위해 사용한 프레임워크는 뭐야?", "어떤 프레임워크를 써서 효율적인 활용 가능성 탐구를 시행하지?" ]
9ad510a8-4bef-40a3-a964-cc5b79e22724	인공물ED	Electro-Magnetic Brake를 위한 BLAC 구동시스템	<h1>2. EMB용 BLAC 전동기 특징 및 설계 사양</h1> <p>본 연구에 사용된 EMB용 BLAC 전동기는 그림 1에 나타난 바와 같이 고정자가 6슬롯, 회전자가 4극으로 영구자석이 회전자 코어 표면에 부착되어 있는 영구자석 표면부착형 구조를 갖는다. BLAC 전동기의 상수(Parameter)는 LCR 미터기를 사용하여 선간 저항 및 인덕턴스를 측정하고, 유기전압 파형 측정을 통하여 역기전력 상수 및 고조파를 계산하였다. 그림 2 는 EMB 용 BLAC 전동기의 선간 유기전압 파형을 나타낸다.</p> <p>EMB용 BLAC 전동기의 유기전압은 고조파가 함유되어 있기 때문에 FFT 분석을 통해 기본파와 고조파로 분리하여 유기전압 상수를 구할 필요가 있다. EMB용 BLAC 전동기의 선간 유기전압의 기본파의 크기는 $ 568[\mathrm{rpm}] $ 일 때 $ 1.75[\mathrm{~V}] $ 로 선간 유기전압 상수는 $ 0.015[\mathrm{Vsec} $ ], 상 유기전압 상수는 $ 0.0087[\mathrm{Vsec}) $ ]이다. 표 1 은 EMB 용 BLAC 전동기의 사양을 나타낸다.자동차 운전시 전동기 주위온도를 감안하여 전동기의 상 저항은 $ 70\left[{ }^{\circ} \mathrm{C}\right] $ 를 기준으로 환산하였다.</p> <table border><caption>표 1 EMB용 BLAC 전동기 상수</caption> <tbody><tr><td>구분</td><td>기호</td><td>측정값</td><td>단위</td></tr><tr><td>고정자저항 $(@70°C)$</td><td>rs</td><td>0.125</td><td>$ \Omega $</td></tr><tr><td>q축 인덕턴스</td><td>Lq</td><td>90</td><td>$ \mathrm{uH} $</td></tr><tr><td>d축 인덕턴스</td><td>Ld</td><td>90</td><td>$ \mathrm{uH} $</td></tr><tr><td>극수</td><td>pole</td><td>4.0</td><td>$-$</td></tr><tr><td>관성모멘트</td><td>Jm</td><td>0.1</td><td>$ \mathrm{mkgm}^{2} $</td></tr><tr><td>점성계수</td><td>Bm</td><td>0.1</td><td>$ \mathrm{kgm}^{2} / \mathrm{sec} $</td></tr><tr><td>상 유기전압 상수</td><td>$ \phi f $</td><td>0.0087</td><td>$ \mathrm{Vsec} $</td></tr></tbody></table> <p>그림 3은 EMB 용 BLAC 전동기의 TN 특성을 나타낸다. 정격토크는 $ 1900[\mathrm{rpm}] $ 에서 $ 0.5[\mathrm{~N} \cdot \mathrm{m}] $, 정격전류는 $ 17[\mathrm{Apeak}]$이고 최대토크는 $ 950[\mathrm{rpm}] $ 에서 $ 1.0[\mathrm{~N} \cdot \mathrm{m}] $, 최대토크 시 전류는 $ 32[\mathrm{Apeak}]$이다.</p>	[ "고정자저항의 측정값은 뭐야?", "q축 인덕턴스의 단위는 어떻게 돼?", "극수의 측정값은 뭐야?", "상 유기전압 상수의 기호는 뭐야?", "\$ \\mathrm{kgm}^{2} / \\mathrm{sec} \$는 무엇을 나타내는 거야?", "LCR 미터기를 사용해 역기전력 상수 및 고조파를 계산하기 위해 측정한 파동은 뭐야?", "관성모멘트의 단위는 어떻게 돼?" ]
8d013916-4a79-43eb-932d-7b76c4b78b17	인공물ED	딥러닝을 이용한 번호판 검출과 인식 알고리즘	<h1>요 약</h1><p>최근 지능형 교통관제 시스템에 관한 다양한 연구가 진행되고 있는 가운데 번호판 검출과 인식 알고리즘은 가장 중요한 요소 중에 하나로 대두되고 있다. 번호판은 차량의 고유 식별값을 가지고 있기 때문이다. 기존의 차량 통행 관제 시스템은 정차를 기반으로 하고 있으며 차량의 입출입 인식 방법으로 루프 코일을 사용하고 있다. 이리한 방법은 교통 정체를 유발하고 유지보수 비용이 상승하는 단점을 가지고 있다. 본 논문에서는 이러한 문제점을 해결하기 위해서 차량의 입출입 인식 방법으로 카메라 영상을 사용한다. 차량 통행 관제 시스템의 특성상 카메라가 고정되어 있다. 이에 차량이 접근하면 카메라의 배경화면이 달라진다. 이 특징을 이용하여 배경화면의 차분영상을 구하면 차량의 입출입을 인식할 수 있다. 입출입 인식 후 한국 번호판의 형태학적 특성을 이용하여 후보 이미지를 추정한다. 그리고 신형 SVM(Support Vector Machine)을 이용해서 최종 번호판을 검출한다. 검출한 번호판의 글자와 숫자 인식 방법으로는 CNN(Convolutional Neural Network) 알고리즘을 사용한다. 제안한 알고리즘은 기존의 시스템과 달리 검출 위치를 기준으로 글자와 숫자를 인식하기 때문에 번호판의 규격이 변해도 인식할 수 있다. 실험한 결과 기존의 번호판 인식 알고리즘들보다 제안한 알고리즘이 더 높은 인식률을 가진다.</p><h1>I. 서론</h1><p>최근 지능형 차량 관제 시스템에 관한 다양한 연구가 활발히 이루어지고 있다. 이 가운데 번호판 검출과 인식 알고리즘은 가장 중요한 요소 중에 하나로 대두되고 있다. 번호판은 고유 식별값을 가지고 있어 차량과 운전자의 정보를 수집할 수 있기 때문이다. 기존의 차량 통행 관제 시스템은 그림 1과 같이 번호판 정보를 수집할 목적으로 차량을 정차시킨다. 또한 차량의 입출입을 인식하기 위해서 루프 코일을 사용하고 있다. 이러한 방법은 교통 정체를 유발시키고 유지보수의 비용이 상승하는 단점을 가지고 있다.</p><p>본 논문에서는 이러한 문제점들을 해결하기 위해서 차량의 입출입 인식 방법으로 카매라 영상을 이용한다. 차량 통행 관제 시스템의 특성상 카메라가 고정되어 있다. 이에 차량이 접근하면 카메라의 배경화면이 달라지는 특징이 있다. 이점을 이용하여 배경화면의 차분영상을 구하면 차량의 입출입을 인식할 수가 있다. 연산 수행 시간을 줄이기 위해서 차분할 배경화면에 ROI(Region Of Interest)를 설정한다. 입출입이 인식되면 카메라 영상을 이미지로 저장하고 렌즈에 의해서 가지는 왜곡을 보정한다. 이후 한국 번호판의 형태학적 특성과 수정한 Canny 알고리즘을 이용해서 후보 이미지들을 선출한다. 번호판의 형태학적 제원은 불변하기 때문이다. 선출된 후보들의 이미지에 SVM (Support Vector Machine)을 적용해서 최종 번호판을 검출한다. SVM은 사전에 지도학습을 먼저 시킨다. 번호판이 검출되면 가로세로 영역의 히스토그램을 구하고 글자와 숫자들을 각각의 위치에 맞게 분할한다. 이러한 방법은 기존에 종횡비를 기반으로 하는 알고리즘과 달리 검출 위치를 기준으로 인식하기 때문에 번호판의 규격이 변해도 인식할 수 있다. 이후 분할된 글자와 숫자를 인식하기 위해서 CNN(Convolutional Neural Network) 알고리즘을 사용한다. 본 논문에서는 기존의 번호판 인식 알고리즘들과 비교를 했다. 실험한 결과 기존 알고리즘들보다 제안한 CNN 알고리즘이 더 높은 인식률을 가졌다. 제안한 알고리즘의 블록다이어그램은 그림 2와 같다.</p>	[ "기존의 차량 통행 관제 시스템이 입출입하는 차량을 인식하는 수단으로 사용하는 것은 뭐야?", "지능형 교통관제 시스템에 대한 연구에서 차량의 고유 식별값을 갖고 있어 중요하게 여겨지는 것은 뭐야?", "번호판을 검출한 후 글자와 숫자를 인식할 때는 어떤 알고리즘을 사용해?", "본문에서 제안된 알고리즘은 무엇을 기준으로 숫자와 글자를 인식함으로써 번호판 규격 변화에 상관없이 인식이 가능하게 되는 거야?", "후보 이미지를 선출할 때 이용하는 알고리즘은 뭐야?", "본문에서 다룬 검출된 번호판의 숫자와 글자 인식 과정에 대한 설명으로 옳은 것은 뭐야?", "본문에서 다룬 검출 위치 기준의 번호판 인식 알고리즘과 달리 기존 알고리즘은 무엇을 토대로 해?", "차량의 입출입을 인식하기 위해 배경화면을 차분할 때 연산 수행 시간 단축을 위해 설정하는 건 뭐야?", "본문에서 다룬 연구에서 차량의 입출입을 인식하는 수단으로 카메라 영상을 사용한 것은 교통 정체와 유지보수 비용 증가를 해결하기 위해서야?", "차량 통행 관제 시스템은 차량 접근 시 카메라가 이동하여 배경화면이 동일하게 유지돼?", "본문에서 제안된 알고리즘은 기존의 번호판 인식 알고리즘보다 인식률은 낮지만 시간이 적게 걸리는 거야?", "기존의 차량 통행 관제 시스템이 루프 코일을 사용해 차량 입출입을 인식하고 차량을 정차시켜 번호판 정보를 수집하는 것은 교통 정체 해소와 유지보수 비용 절감에 도움이 되는 거야?", "입출입 인식 후 카메라 영상을 저장한 이미지는 렌즈에 의한 왜곡 보정 없이 그대로 사용하는 것이 맞아?", "후보 이미지 선출 후 최종 번호판을 검출하려면 SVM 적용 후 지도학습을 하면 되는 거야?", "본문에서 제안된 알고리즘은 기존 알고리즘과 인식률 수준이 동일해?", "후보 이미지를 추정 후 최종 번호판을 검출할 때는 CNN 알고리즘을 사용하며, SVM으로 검출 번호판의 숫자와 글자를 식별하는 거야?", "후보 이미지 선출 시 번호판의 형태학적 특성을 이용할 수 있는 것은 번호판의 형태학적 제원이 유동적으로 변하기 때문이야?", "기존의 차량 통행 관제 시스템이 번호판을 수집할 때는 차량을 정차시켜야 해?" ]
f73f27a7-4b26-40e1-9a7e-fc457424abc9	인공물ED	딥러닝을 이용한 번호판 검출과 인식 알고리즘	<h1>IV. 숫자 및 문자 인식7</h1><p>일반적으로 차량 통행 관제 시스템은 야외에 설치되어있으므로 외부환경에 많은 영향을 받는다. 이에 최종적으로 검출한 차량 번호판 이미지에서 글자와 숫자를 인식하기 위해서는 이진화와 영역분할의 전처리 과정이 필요하다. 본 논문에서는 외부환경에 강인하기 위해서 일반적인 Otsu 방법의 이진화가 아닌 적응형 이진화 알고리즘을 사용한다. 입력된 영상 전체에 대해서 임계값을 설정하는 Otsu 방법과 달리 적응형 이진화는 주변의 이웃 화소값에 따라서 임계값이 결정된다. 이에 그림 6과 같이 그림자가 드리워진 번호판 이미지에 강인하다. 적응형 이진화의 임계값은 $ T(x, y)=\frac{1}{n^{2}} \sum_{x_{i}} \sum_{y_{i}} I\left(x+x_{i}, y+y_{i}\right)-C $<caption>(12)</caption>와 같이 표현할 수 있다. 여기서 $ n $ 은 주변 영역의 크기이고 $ C $ 는 상수이다. 주변 영역의 크기 $ n \times n $ 과 상수 $ C $ 를 실계하는 것에 따라서 적응형 이진화의 성능이 달라진다.</p><p>번호판 이미지에 적응형 이진화를 적용한 다음에는 숫자와 문자 객체를 검출하여 영역분할을 수행한다. 객체 검출과 영역을 분할하는 방법으로는 번호판 가격을 이용하는 알고리즘, 윤각선 검출을 이용하는 방법, 신경망 알고리즘 등 다양하게 있다. 본 논문에서는 히스토그램을 이용해서 객체를 검출하고 분할한다.</p><p>번호판 이미지의 수평과 수직 영역의 히스토그램을 나타내면 그림 7과 같다. 수직 방향의 상하부분에는 번호판 테두리가 있으므로 히스토그램의 값이 크다. 수평 방향의 경우에는 양끝에 번호판 테두리가 있으므로 히스토그램 값이 크다. 반대로 번호판을 고정시키는 볼트부분은 히스토그램 값이 작다. 이러한 특징을 이용해서 적절한 임계값을 설정하면 번호판의 테두리와 볼트부분을 제거할 수 있다. 이후 영역분할을 통해서 개별 객체로 검출한다. 이때 번호판의 오염으로 영역분할의 정확도 낮아질 수 있으므로 개별 객체의 종횡비와 면적을 계산해서 검증하여 검출한다.</p><p>영역분할을 통해서 언은 개별 객체의 이미지에 그림 8과 같이 골격화를 수행한다. 인식하는 과정에서 객체의 두께는 방해요소가 될 수 있기 때문이다. 객체의 연결성은 유지하고 선으로 표현하는 세선화 과정은 $ A \ominus k B=((A \ominus B) \ominus B) \cdots) \ominus B) $,<caption>(13)</caption>$ S_{k}=(A \ominus k B)-(A \ominus k B) \circ B $,<caption>(14)</caption>$ S(A)=\bigcup_{k=1}^{K} S_{k}(A) $,<caption>(15)</caption>와 같이 구할 수 있다. 여기서 $ A $ 는 입력 영상이고 $ k $ 는 수행 횟수를 의미한다. $ B $ 는 형태소이다. 객체의 두께가 1을 가지도록 반복 수행한다.</p><p>세선화 처리 후 객체 이미지의 인식률을 높이기 위해서 $ 28 \times 28 $ 크기의 이미지로 정가화 과정을 거친다. 이후 CNN을 수행하여 최종적으로 이미지를 인식한다. 그림 9는 번호판의 숫자와 문자를 인식하기 위해서 설계한 CNN 구조를 나타낸다.</p><p>실계한 CNN의 첫번째 컨벌루션 층에서는 입력되는 객체 이미지에 $ 5 \times 5 $ 커널을 적용하여 컨벌루션 연산을 수행하고 총 64개의 필터를 적용하여 특징 맵을 추출한다. 스트라이드(Stride)는 1이다. 여기서 스트라이드는 커널이 움직이는 간격을 의미한다. 일정한 간격으로 커널이 순회하며 컨벌루션을 수행한 특징 맵은 입력 이미지보다 크기가 작다. 특징 맵이 작아지게 되면 입력 이미지의 정보가 소실될 수 있으므로 사전에 패딩(Padding)을 통해서 보완한다. 본 논문에서는 입력 이미지의 가장 자리 부분에 0을 채워 넣는 방식의 제로 패딩(Zero Padding)을 사용한다.</p><p>필터를 통해서 특징 맵이 추출되면 그림 10과 같은 활성화 함수들을 적용하여 활성화 맵을 구한다. Binary step 활성화 함수의 경우에는 0과 1 의 값만을 가지므로 이진 분류만을 수행하는 단점이 있다. Sigmoid의 경우에는 0과 1 사이의 값을 가질 수 있 지만 양쪽 끝으로 다가갈수록 기울기가 0으로 수렴 하여 학습이 잘 안되는 단점이 있다. 이점을 극복하기 위한 활성화 함수로는 ReLU(Rectified Linear Unit)가 있다. ReLU는 양수일 때 기울기가 1 이어서 기존에 0 으로 수렴하는 문제점을 해결하였으나 음수일 때 기울기가 0 이라는 것이 단점이다. 이를 해결하기 위해서 음수일 때 기울기가 0이 아닌 ELU (Exponential Linear Unit)함수와 Leaky ReLU 함수도 있다.</p><p>활성화 맵을 구한 후에는 두번째 단계인 풀링 (Pooling) 층으로 이동한다. 풀링은 차원을 축소하는 것으로 연산랑을 감소시키는 장점과 이미지에서 특징이 강한 것만을 추출시키는 특징 선별 효과 를 가지고 있다. 풀링의 종류로는 그림 11 과 같이 최대값, 최소값, 평균값 풀링 등이 있다. 본 논문에서는 최대값 풀링과 ELU활성화 함수를 사용한다.</p>	[ "양수일 때 기울기가 1이나 음수일 때 기울기가 0인 활성화 함수는 무엇이니?", "최종적으로 검출한 차량 번호판 이미지에서 글자와 숫자를 인식하기 위해서는 이진화와 어떤 전처리 과정이 필요하니?", "입력된 영상 전체에 대해서 임계값을 설정하는 방법은 무엇이니?", "주변의 이웃 화소값에 따라 임계값을 결정하는 방법은 무엇이니?", "\$ T(x, y)=\\frac{1}{n^{2}} \\sum_{x_{i}} \\sum_{y_{i}} I\\left(x+x_{i}, y+y_{i}\\right)-C \$ 식에서 n은 무엇을 나타내니?", "번호판 이미지에 적응형 이진화를 적용한 다음에는 숫자와 문자의 어떤것을 검출하여 영역분할을 수행하니?", "번호판 가격을 이용하는 알고리즘, 윤각선 검출을하는 방법 등을 이용하는 것은 무엇이니?", "수직 방향의 상하부분에는 번호판 테두리가 있어 어떤 값이 크니?", "어떤것을 통해서 개별 객체로 검출하니?", "\$ A \\ominus k B=((A \\ominus B) \\ominus B) \\cdots) \\ominus B) \$, \$ S_{k}=(A \\ominus k B)-(A \\ominus k B) \\circ B \$, \$ S(A)=\\bigcup_{k=1}^{K} S_{k}(A) \$은 어떤 과정을 나타내는 계산식이니?", "\$ A \\ominus k B=((A \\ominus B) \\ominus B) \\cdots) \\ominus B) \$, \$ S_{k}=(A \\ominus k B)-(A \\ominus k B) \\circ B \$, \$ S(A)=\\bigcup_{k=1}^{K} S_{k}(A) \$ 식에서 K는 무엇을 나타내니?", "세선화 처리 후 객체 이미지의 인식률을 높이기 위해 어떤 크기의 이미지로 정가화 과정을 거치니?", "세선화 처리 후 객체 이미지의 인식률을 높이기 위해 \$ 28 \\times 28 \$ 크기의 이미지로 어떤 과정을 거치니?", "정가화 과정 후 어떤것을 수행하여 최종적으로 이미지를 인식하니?", "CNN의 첫번째 컨벌루션 층에서는 입력되는 객체 이미지에 \$ 5 \\times 5 \$ 커널을 적용하여 어떤 연산을 수행하니?", "실계한 CNN의 첫번째 컨벌루션 층에서는 입력되는 객체 이미지에 \$ 5 \\times 5 \$ 커널을 적용하여 컨벌루션 연산을 수행하고 총 몇개의 필터를 적용하여 특징 맵을 추출하니?", "실계한 CNN의 첫번째 컨벌루션 층에서는 입력되는 객체 이미지에 어떤커널을 적용하여 컨벌루션 연산을 수행하니?", "특징 맵이 작아지게 되면 입력 이미지의 정보가 소실될 수 있으므로 사전에 어떤것을 통해 보완하니?", "필터를 통해서 특징 맵이 추출되면 어떤것을 적용하여 활성화 맵을 구하니?", "0과 1의 값만 가져 이진 분류만 수행하는 단점이 있는 함수는 무엇이니?", "풀링의 종류로는 최대값, 최소값과 어떤 풀링등이 있니?", "활성화 맵을 구한 후에는 두번째 단계인 어떤 층으로 이동하니?", "풀링은 이미지에서 특징이 강한 것만 추출시키는 어떤 효과를 가지고있니?", "음수일 때 기울기가 0이 아닌 함수는 ELU함수와 어떤 함수가 있니?", "sigmoid 함수의 경우 0과 1사이의 값을 가질 수 있지만 양쪽 끝으로 다가갈수록 기울기가 몇으로 수렴하니?", "차원을 축소 하는 것으로 연산량을 감소시키는 장점과 이미지에서 특징이 강한 것만 추출시키는 특징 선별 효과를 가지는 것은 무엇이니?", "일반적으로 차량 통행 관제 시스템은 야외에 설치되어 있어 어떤 환경에 많은 영향을 받니?", "적응형 이진화의 임계값은 어떤 식으로 표현할 수 있니?", "\$ T(x, y)=\\frac{1}{n^{2}} \\sum_{x_{i}} \\sum_{y_{i}} I\\left(x+x_{i}, y+y_{i}\\right)-C \$ 식에서 어떤것을 설계하는것에 따라 적응형 이진화의 성능이 달라지니?", "적절한 임계값을 설정하면 번호판 테두리와 어떤부분을 제거할 수 있니?", "\$ A \\ominus k B=((A \\ominus B) \\ominus B) \\cdots) \\ominus B) \$, \$ S_{k}=(A \\ominus k B)-(A \\ominus k B) \\circ B \$, \$ S(A)=\\bigcup_{k=1}^{K} S_{k}(A) \$ 식에서 A는 무엇을 나타내니?", "커널이 움직이는 간격을 의미하는 것은 무엇이니?", "입력 이미지의 가장 자리 부분에 0을 채워 넣는 방식은 어떤 패딩이니?", "입력된 영상 전체에 대해서 임계값을 설정하는 방법은 적응형 이진화니?", "\$ T(x, y)=\\frac{1}{n^{2}} \\sum_{x_{i}} \\sum_{y_{i}} I\\left(x+x_{i}, y+y_{i}\\right)-C \$ 식에서 C는 상수를 나타내니?", "번호판을 고정시키는 볼트부분은 히스토그램 값이 크니?", "\$ A \\ominus k B=((A \\ominus B) \\ominus B) \\cdots) \\ominus B) \$, \$ S_{k}=(A \\ominus k B)-(A \\ominus k B) \\circ B \$, \$ S(A)=\\bigcup_{k=1}^{K} S_{k}(A) \$ 식에서 B는 입력영상을 나타내니?", "제로패딩은 입력 이미지의 가장자리 부분에 0을 채워넣는 방식이니?", "풀링은 연산량을 감소시키는 장점이 있니?", "커널이 순화하면서 일정간격으로 컨벌루션을 수행한 맵은 입력 이미지 보다 크기가 크니?", "Binary step 활성화 함수는 0과 1사이의 값을 가지고 양쪽 끝으로 갈수록 기울기가 0으로 되어 학습이 안되는 단점이 있니?" ]
d4439ca3-328d-4b23-bce5-16d48e364f19	인공물ED	딥러닝을 이용한 번호판 검출과 인식 알고리즘	<p>컨볼루션과 풀링 층을 반복해서 추출한 특징들로 객체 이미지를 분류하기 위해서는 차원을 줄이는 단계가 필요하다. 이에 플랫튼(Flatten) 층을 통해서 3차원 데이터를 1차원 배열로 변환해준다. 이후 완전연결(FC:Fully connected) 층으로 이동하여 1차원 배열 전체를 심층 신경망으로 연결하고 소프트맥스(Softmax)를 통해서 객체 이미지를 분류한 다. 여기서 소프트맥스는 출력값들의 합을 1 로 만 들어주는 표준화(Normalization) 함수로 $ \operatorname{Softmax}(\vec{x})_{i}=\frac{e^{x_{i}}}{\sum_{j=1}^{j} e^{x_{j}}} $<caption>(16)</caption>와 같이 정의할 수 있다.</p><p>설계한 CNN 모델을 가지고 지도학습을 진행할 때에는 신경망의 가중치를 조절해서 학습 데이터 에 대한 손실값(Loss)을 최소화하포록 한다. 여기서 손실값이란 실제값과 학습한 예측값의 차이를 말한다. 손실값은 손실 함수(Loss Function)로 구 할 수가 있다. 일반적으로 손실 함수는 $ H_{j}(y)=-\sum_{i} y^{\prime}: \log \left(y_{i}\right) $<caption>(17)</caption>와 같은 크로스 엔트로피(Cross Entropy) 함수를 많이 사용한다. $ y^{\prime} $ 는 참값이고 $ y $ 는 모델의 예측값을 의미한다. 최적화(Optimizer) 함수를 이용해서 손실값을 최소화하는 가중치와 편향값을 구할 수가 있다. 최적화 함수로는 SGD, NAG, Adam, Momentum 등 다양한 알고리즘이 있다. 본 논문에서는 Adam을 사용한다. Adam의 경우에는 $ L_{2} $ norm 기반의 Unbiased 된 Expectation의 형태로 학습률 (Learning rate)을 조절한다. 여기서 학습률은 하이퍼파라미터(Hyperparameter)로 실정하는 값에 따라 지도학습의 속도와 신경망 성능에 영향을 미친다. 값이 너무 크면 최적의 손실값을 못 찾고 반대로 값이 너무 작으면 학습 속도가 매우 느려진다. 시행 착오법(Try and error method)으로 학습률 값을 동조(Tuning)한다. 신경망을 학습시킬 때에는 과소적합(Underfitting)과 과대적합(Overfitting)을 조심해야한다. 과소적합은 모델의 특징에 대해 학습을 최적화하지 못했을 때 발생된다. 이는 하이퍼파라미터의 값을 줄이고 조기종료 시점까지 충분히 학습시키면 해결할 수 있다. 또한 파라미터가 많고 복잡한 모델을 선택하면 된다. 반대로 과대적합의 경우에는 학습 데이터에 대해서만 특화된 특징을 가저서 일반화 성능이 떨어지는 것을 의미한다. 이를 해결하기 위해서는 더 많은 학습 데이터를 모으는 방법과 학습 데이터의 잡음을 줄이는 방법 그리고 정가화 방법이 있다. 정가화 방법에는 드롭아웃(Dropout)과 $ L_{2} $ 일반화 등 다양한 알고리즘이 있다.</p><p>본 논문에서는 과대적합을 해결하기 위해서 정가화 방법으로 드롭아웃(Dropout)을 사용한다. 드롭 아웃은 그림 12와 같이 일정한 확률로 노드들을 사용하지 않는 방법으로 과대적합을 해결해준다. 학습 과정에서만 노드들을 일정한 확률로 사용하지 않으며, 학습이 완료된 후에는 끊어진 망들을 모두 연결해서 사용한다.</p><table border><caption>표 1. 차량 통행 관제 시스템 사양</caption><tbody><tr><td>Device</td><td>Component</td><td>Specification</td></tr><tr><td rowspan = "3">Camera</td><td>Resolution</td><td>$ 1980 \times 1080(30 \mathrm{FPS}) $</td></tr><tr><td>lens \& iris</td><td>$ 26 \mathrm{~mm} $ f/1.7</td></tr><tr><td>Angle of view</td><td>$ 80^{\circ} $</td></tr><tr><td rowspan = "6">Vehicle traffic control system</td><td>CPU</td><td>Intel i7-8700K</td></tr><tr><td>GPU</td><td>GTX 1080 TI</td></tr><tr><td>RAM</td><td>DDR4 32GB</td></tr><tr><td rowspan = "3">Development Tool</td><td>OpenCV 3.4.2</td></tr><tr><td>Python 3.4.2</td></tr><td>Tensorflow $ 2.0 $</td></tr></tbody></table>	[ "크로스 엔트로피로 손실값을 구할 수 있는가?", "신경망을 학습시킬 때에는 과소적합과 무엇을 조심해야 하는가?", "컨볼루션과 무엇을 반복해서 추출한 특징들로 객체 이미지를 분류하기 위해서는 차원을 줄이는 단계가 필요한가?", "무엇과 풀링 층을 반복해서 추출한 특징들로 객체 이미지를 분류하기 위해서는 차원을 줄이는 단계가 필요한가?", "컨볼루션과 풀링 층을 반복해서 추출한 특징들로 무엇을 분류하기 위해서는 차원을 줄이는 단계가 필요한가?", "컨볼루션과 풀링 층을 반복해서 추출한 특징들로 객체 이미지를 분류하기 위해서는 어떤 단계가 필요한가?", "컨볼루션과 풀링 층을 반복해서 추출한 특징들로 객체 이미지를 분류하기 위해서는 차원을 줄이는 단계가 필요한가?", "완전연결의 영어 약자는 어떻게 표기하는가?", "플랫튼 층을 통해서 3차원 데이터를 1차원 배열로 변환하고 완전연결 층으로 이동하여 1차원 배열 일부를 심층 신경망으로 연결하는가?", "CNN 모델을 가지고 지도학습을 진행 시 학습데이터에 대한 손실값은 실제값과 무엇의 차이를 말하는가?", "CNN 모델을 가지고 지도학습을 진행할 때 신경망의 가중치를 조절하면 학습 데이터에 대한 손실값을 최소화할 수 있는가?", "CNN 모델을 가지고 지도학습을 진행 시 학습데이터에 대한 손실값은 무엇과 학습한 예측값의 차이를 말하는가?", "손실값은 어떤 함수로 구할 수 있는가?", "CNN 모델을 가지고 지도학습을 진행 시 학습데이터에 대한 손실값은 실제값과 학습한 예측값의 차이를 말하는가?", "CNN 모델을 가지고 지도학습을 진행할 때에는 신경망의 가중치를 조절해서 학습 데이터에 대한 무엇을 최소화하도록 해야 하는가?", "손실값은 손실 함수로 구할 수 있는가?", "일반적으로 손실 함수는 어떤 함수를 많이 사용하는가?", "\$ H_{j}(y)=-\\sum_{i} y^{\\prime}: \\log \\left(y_{i}\\right) \$는 크로스 엔트로피 함수인가?", "CNN 모델을 가지고 지도학습을 진행할 때에는 신경망의 가중치를 조절해서 학습 데이터에 대한 손실값을 어떻게 하도록 해야 하는가?", "어떤 층을 통해 3차원 데이터를 1차원 배열로 변환할 수 있는가?", "플랫튼 층을 통해 3차원 데이터를 1차원 배열로 변환한 후 어떤 층으로 이동하여 1차원 배열 전체를 심층 신경망으로 연결하는가?", "플랫튼 층을 통해서 3차원 데이터를 1차원 배열로 변환하는 것은 가능한가?", "플랫튼 층을 통해 3차원 데이터를 1차원 배열로 변환한 후 완전연결 층으로 이동하여 1차원 배열 전체를 무엇으로 연결하는가?", "플랫튼 층을 통해 3차원 데이터를 1차원 배열로 변환한 후 완전연결 층으로 이동하여 1차원 배열 전체를 심층 신경망으로 연결하고 무엇을 통해서 객체 이미지를 분류하는가?", "출력값들의 합을 1 로 만 들어주는 표준화 함수는 무엇인가?", "소프트맥스는 출력값들의 합을 몇으로 만들어주는 표준화 함수인가?", "소프트맥스는 출력값들의 합을 1로 만들어주는 어떤 함수인가?", "어떤 모델을 가지고 지도학습을 진행할 때에는 신경망의 가중치를 조절해서 학습 데이터에 대한 손실값을 최소화하도록 해야 하는가?", "CNN 모델을 가지고 어떤 학습을 진행할 때 신경망의 가중치를 조절해서 학습 데이터에 대한 손실값을 최소화하도록 해야 하는가?", "CNN 모델을 가지고 지도학습을 진행할 때에는 무엇을 조절해서 학습 데이터에 대한 손실값을 최소화하도록 해야 하는가?", "\$ H_{j}(y)=-\\sum_{i} y^{\\prime}: \\log \\left(y_{i}\\right) \$에서 \$ y^{\\prime} \$는 무엇을 의미하는가?", "\$ H_{j}(y)=-\\sum_{i} y^{\\prime}: \\log \\left(y_{i}\\right) \$에서 \$ y \$는 무엇을 의미하는가?", "어떤 함수를 이용해서 손실값을 최소화하는 가중치와 편향값을 구할 수 있는가?", "최적화 함수를 이용해서 손실값을 최소화하는 가중치와 편향값을 구할 수 있는가?", "최적화 함수를 이용해서 손실값을 최소화하는 가중치와 무엇을 구할 수 있는가?", "NAG는 최적화 함수 알고리즘인가?", "\$ L_{2} \$ norm 기반의 Unbiased 된 Expectation의 형태로 학습률을 조절하는 최적화 함수 알고리즘은 무엇인가?", "Momentum은 최적화 함수 알고리즘인가?", "Adam은 최적화 함수 알고리즘인가?", "Adam에서 학습률은 하이퍼파라미터로 설정하는 값에 따라 지도학습의 속도와 무엇에 영향을 미치는가?", "Adam에서 학습률은 하이퍼파라미터로 설정하는 값에 따라 지도학습의 속도와 신경망 성능에 영향을 미치는가?", "학습률의 값이 너무 크면 학습 속도가 매우 느려지는가?", "학습률의 값이 너무 작으면 학습 속도가 매우 느려지는가?", "신경망을 학습시킬 때에는 과대적합만 조심하면 되는가?", "어떤 방법으로 학습률 값을 동조하는가?", "신경망을 학습 시 언제 과소적합이 발생되는가?", "과소적합은 하이퍼파라미터의 값을 줄이고 어느 시점까지 충분히 학습시키면 해결할 수 있는가?", "과소적합은 하이퍼파라미터의 값을 늘리면 해결할 수 있는가?", "과소적합은 파라미터가 적고 단순한 모델을 선택하면 해결할 수 있는가?", "과소적합은 파라미터가 많고 복잡한 모델을 선택하면 해결할 수 있는가?", "과대적합의 경우에는 학습 데이터에 대해서만 특화된 특징을 가져 어떤 성능이 떨어지는가?", "학습 데이터의 잡음을 줄이는 방법으로 과대적합을 해결할 수 있는가?", "과대적합의 경우 어떤 데이터에 대해서만 특화된 특징을 가지는가?", "정가화 방법으로 과대적합을 해결할 수 있는가?", "일반화는 정가화 방법의 알고리즘인가?", "본 논문에서는 과대적합을 해결하기 위해서 정가화 방법으로 무엇을 사용하는가?", "드롭 아웃은 그림 12와 같이 어떤 확률로 노드들을 사용하지 않는 방법으로 과대적합을 해결하는가?", "학습 과정에서만 노드들을 일정한 확률로 사용하지 않으며, 학습이 완료된 후에는 끊어진 망들을 모두 연결해서 사용하는가?", "드롭 아웃은 그림 12와 같이 일정한 확률로 무엇을 사용하지 않는 방법으로 과대적합을 해결하는가?", "소프트맥스는 출력값들의 합을 1 로 만들어주는 표준화 함수인가?", "소프트맥스는 출력값들의 어떤 계산 결과를 1로 만들어주는 표준화 함수인가?", "SGD는 최적화 함수 알고리즘인가?", "플랫튼 층을 통해 3차원 데이터를 1차원 배열로 변환한 후 완전연결 층으로 이동하여 무엇을 심층 신경망으로 연결하는가?", "Adam은 무엇 기반의 Unbiased 된 Expectation의 형태로 학습률을 조절하는가?", "Adam에서 학습률은 어떤 매개변수인가?", "최적화 함수를 이용해서 어떤 값을 최소화하는 가중치와 편향값을 구할 수 있는가?", "시행 착오법으로 학습률 값을 어떻게 하는가?", "학습률의 값이 너무 작으면 어떻게 되는가?", "시행 착오법을 학습률 값을 동조할 수 있는가?", "학습률의 값이 너무 크면 어떻게 되는가?", "Adam의 경우에는 \$ L_{2} \$ norm 기반의 Unbiased 된 Expectation의 형태로 무엇을 조절하는가?", "최적화 함수를 이용해서 손실값을 최소화하는 무엇과 편향값을 구할 수 있는가?", "소프트맥스의 함수식은 어떻게 되는가?", "Adam에서 학습률은 하이퍼파라미터로 설정하는 값에 따라 무엇과 신경망 성능에 영향을 미치는가?", "신경망을 학습시킬 때에는 무엇과 과대적합을 조심해야하는가?", "신경망을 학습시킬 때에는 과소적합만 조심하면 되는가?", "과소적합은 무엇에 대해 학습을 최적화하지 못했을 때 발생되는가?", "과소적합은 어떻게 해결할 수 있는가?", "드롭아웃은 정가화 방법의 알고리즘인가?", "신경망 학습 시 과대적합은 무엇을 의미하는가?", "더 많은 학습 데이터를 모으는 방법으로 과대적합을 해결할 수 있는가?", "학습이 완료된 후에도 노드들을 사용하지 않는가?", "표 1에 따르면 차량 통행 관제 시스템 CPU의 사양은 어떻게 되는가?", "표 1에 따르면 차량 통행 관제 시스템의 화각은 몇 도인가?", "표 1에 따르면 차량 통행 관제 시스템의 RAM의 사양은 어떻게 되는가?", "표 1에 따르면 차량 통행 관제 시스템의 GPU 사양은 어떻게 되는가?", "표 1에 따르면 차량 통행 관제 시스템의 분해능 사양은 어떻게 되는가?" ]
6d7f4131-7ec5-4ffd-b5f0-fa314121bbf9	인공물ED	딥러닝을 이용한 번호판 검출과 인식 알고리즘	<h1>V. 실험 결과</h1><p>제안한 알고리즘을 구현한 차량 통행 관제 시스템의 사양은 표 1과 같다. 43,221 장의 차량 번호판 이미지를 이용해서 설계한 CNN 알고리즘을 지도 학습하고 테스트한다. 차량 번호판 이미지는 날씨 와 상관없이 오전 10시부터 오후 5시까지의 시간대에 수집했다. 그림 13 은 차랑 통행 인식과 번호판 검출 및 인식의 실험 결과를 나타낸다. (a)와 같이 우측하단에 ROI를 지정했다. 지정한 ROI에서 이동평균 차분 영상은 구한다. $ 95 \% $ 이상의 변화율이 감지되면 차량이 통행하는 것으로 간주했다. 여기서 이동평균의 가중치 $ a $ 값은 $ 0.001 $ 이다. (b)는 차량의 통행은 인식한 결과 이미지이다. 입출입이 인식되면 카메라 영상은 이미지로 저장한다. 이후 $ 5 \times 5 $ 가우시안 블러를 적용해서 노이즈를 제거하고 왜곡은 보정한다. (c)는 번호판 특성에 맞게 수정한 Canny 알고리즘을 수행한 결과로 세로 에지만을 검출한다. 이후 가로 방향의 모폴로지를 수행해서 (d)처럼 번호판을 하나의 영역으로 묶었다. 모폴로지 연산 후에는 OpenCV의 findContours 함수를 사용하여 객체들의 외곽선을 (e)와 같이 찾았다. 후보 이미지의 왜곡을 보정하기 위해서 Affine 변환을 사용하고 종회비와 SVM을 적용해서 최종적으로 (f)처럼 번호판을 검출한다. 그리고 적응형 이진화기법으로 번호판에 있는 노이즈를 제거했다. (g)는 번호판 이미지의 수평과 수직 방향의 히스토그램을 구한 결과이다. 영역분할을 이용해서 번호판의 개별 객체를 검출한다. (h)는 개별 객체에 골격화를 수행하고 설계한 CNN을 통해서 번호판을 최종적으로 인식한 결과를 나타낸다. CNN을 학습시킬 때에 정답 레이블의 데이터는 One hot Encoding형태로 구성했다. 학습 데이터는 미니 배치(Mini batch) 방식으로 100개씩 적용하였으며 에포크(epoch)는 1000 으로 설정했다. $ 30 \% $ 확률의 드롭아웃을 이용해서 학습을 진행한다. 그림 13의 (i)와 (j)는 SVM을 지도 학습하기 위해서 사용한 데이터 집합 의 일부분이다. (i)는 True 데이터로 차량 번호관 집합이고(j)는 False 데이터로 비번호판 집합이다. (k)와 (ㅣ)은 설계한 CNN을 지도 학습하기 위한 데이터 집합의 일부분으로, 세선화된 번호판의 숫자와 문자를 나타낸다. 실험에 사용된 번호판 종류는 비상업용 자가용이다.</p><p>본 논문에서는 총 5가지의 알고리즘을 이용해서 성능을 비교한다. 여기서 정확포는 100회를 수행한 평균값이다. 첫번째로 비교한 알고리즘은 K-NN(K Nearest Neighbor)이다. K-NN은 입력 데이터 주변에 있는 k개수만큼의 다른 데이터와 비교해서 출력값을 결정한다. k값에 따라서 과대적합 또는 과소적합의 문제가 발생한다. 여기서는 k값을 15 로 설정했다. 두번째 기법인 테서렉트OCR(Tesseract Optical Character Recognition)은 구글에서 오픈소스로 제공하는 엔진으로 라이브러리를 통해서 쉽게 구현할 수 있다.</p><p>세번째 Haar-like feature는 픽셀을 사용하는 기존 방법들과는 다르게 영역 간의 밝기 차이를 특징으로 분류한다. 그러므로 픽셀을 이용하는 알고리즘들보다도 쉽게 복잡한 형태의 물체를 학습할 수 있고 연산량이 작아서 빠른 검출이 가능하다. 또한 이미지에서 지역적이고 반복적으로 특징을 검출함으로써 검출하려는 객체의 일부분이 가려져도 다른 영역의 특징으로 인해 검출될 수 있다. 그림 14 는 실험에 사용한 마스크 무늬이다.</p><p>네번째로 비교한 방법은 RNN(Recurrent Neural Networks)으로 그림 15 와 같은 순환 신경망이다. RNN은 여러개의 셀을 중첩해서 심층 신경망을 만든다. 이에 이미지를 단계별로 구분해서 입력해야 한다. 본 논문에서 사용하는 숫자와 문자 객체의 이미지 크기는 $ 28 \times 28 $ 이므로 가로 한 줄의 28 픽셀을 한 단계의 입력으로 구분해서 넣는다. 세로도 28 줄이므로 총 28 단계를 거쳐서 데이터를 입력하게 된다. RNN에서 사용한 학습률은 0.001 이며 에 포크는 100 , 그리고 배치 사이즈는 128이다. 표 2 는 성능을 비교한 결과이다.</p><table border><caption>표 2. 번호판 인식 알고리즘들 비교</caption><tbody><tr><td>Algorithm</td><td>Accuracy (%)</td></tr><tr><td>K-NN(K-Nearest Neighbor)</td><td>$ 89.82 $</td></tr><tr><td>Tesseract OCR</td><td>$ 92.58 $</td></tr><tr><td>Haar-like feature</td><td>$ 94.92 $</td></tr><tr><td>RNN(Recurrent. Neural Networks)</td><td>$ 96.87 $</td></tr><tr><td>Proposed CNN</td><td>$ 97.57 $</td></tr></tbody></table><h1>VI. 결론</h1><p>차량 번호판은 고유 식별값을 가지므로 지능형 교통관제 시스템에서 번호판 인식은 가장 중요한 알고리즘 중에 하나이다. 본 논문은 고전적인 영상 처리 기법과 CNN을 융합하여 기존 알고리즘보다 번호판의 인식률을 높였다. 제안한 알고리즘은 기존과 달리 차랑 인식에 루프 방식을 사용하지 않기 때문에 유지보수에 용이하다. 번호판 인식의 경우 에는 히스토그램을 이용해서 객체의 영역을 분할하고 검출하기 때문에 번호판 가격이 신형으로 변경되어도 인식할 수가 있다. 제안한 알고리즘의 정확도가 $ 97.57 \% $ 인 이유는 날씨와 시간대 그리고 오염된 번호판으로 인한 것이다. 주변 환경의 광량이 인식률에 영향을 미치며 오염으로 인한 번호판 훼손은 인식의 오류를 불러일으킨다. 향후 연구에서는 오류를 발생시키는 이러한 문제점들을 해결하기 위해서 적외선 카메라를 사용할 것이다. 적외선 LED를 사용하면 야간에도 번호판을 인식할 수 있기 때문이다. 그리고 번호판의 오염으로 인해서 온전한 정보를 가지지 못한 객체를 추정하는 알고리즘 또한 추가하여 인식률을 향상시킬 예정이다.</p>	[ "본 논문에서는 성능을 비교하기 위해 몇 가지의 알고리즘을 이용했어?", "다음 중 제안한 알고리즘의 정확도가 100%에 미치지 못한 이유는 뭐야?", "순환 신경망은 심층 신경망을 만들 수 있어?", "차량이 통행하는 것으로 간주되려면, 최소 몇 퍼센트의 변화율이 필요해?", "적외선 LED를 사용한 카메라는 야간 중 번호판 인지가 가능해?", "번호판 인식 알고리즘 비교 결과, Tesseract OCR 의 정확도는 몇 퍼센트야?", "표2의 내용 중에서 정확도가 94.92%를 기록한 알고리즘 이름이 뭐야?", "번호판 인식 알고리즘 비교 결과, 정확도가 가장 낮게 나온 알고리즘 이름은 뭐야?", "번호판 인식 알고리즘을 비교한 결과 중 RNN의 Accuracy값은 얼마야?", "표 2에서 89.82퍼센트의 정확도가 나온 건 어느 알고리즘이야?" ]
6d2c5598-6d85-4632-acea-69f801f4ef4d	인공물ED	딥러닝을 이용한 번호판 검출과 인식 알고리즘	<h1>II. 차량 인식</h1><p>일반적으로 루프 코일을 사용해서 차량의 입출입을 인식한다. 이 방식은 초기 설치비용이 저렴한 장점이 있지만 도로에 매설하기 때문에 유지보수의 어려움이 있고 교체 시 높은 비용이 발생한다. 본 논문에서는 이러한 단점을 보완하고자 카메라를 이용한 입출입 인식 알고리즘을 제안한다. 차량통행 관제 시스템의 특성상 카메라가 고정되어 있으므로 차량이 접근하면 배경화면이 달라진다. 이러한 점을 이용하여 배경화면의 차분영상을 구하면 차량의 입출입을 인식할 수가 있다.</p><p>차분영상을 구하기 위해서 입력되는 영상의 모든 영역에 대해서 차분을 수행하면 번호판 인식에 불필요한 이미지포 포함되기 때문에 ROI를 지정해야 한다. ROI지정은 연산량을 줄일 수 있어서 영상처리 속도를 증가시킬 수 있다. 번호판을 검출하는 것이 목적이므로 영상의 우측 하단 부분을 관심 영역으로 지정한다. 카메라의 내부적 또는 외부적 요인에 의해서 실시간으로 입력되는 영상에는 노이즈가 포함될 수 있다. 이러한 노이즈는 차분될 때에 신호가 증폭될 수 있으며 이로 인해 차랑에 대한 인식률이 저하될 수도 있다. 그러므로 본 논문에서는 ROI를 지정한 후 입력되는 영상에 가우시안 스무딩 (Gaussian Smoothing) 필터를 적용한다. 또한 주변 환경의 변화에 의해서 배경화면이 항상 일정할 수는 없다. 이에 가중치를 이용해서 이동평균을 계산해야 한다. 가중치 $ \alpha $ 를 이용한 차분영상의 공식은 $ d(x, y)=(1-\alpha) \times d(x, y)+\alpha \times s(x, y) $<caption>(1)</caption>와 같이 나타낼 수 있다. 여기서 $ d(x, y) $ 는 이동평균영상이고 $ s(x, y) $ 은 현재의 입력영상이다. $ \alpha $ 가 0 에 가까우면 과거의 이동평균 영상에 가중치가 높아진다. 반대로 1에 가까우면 현재의 입력영상을 중요하게 생각하는 것이다. 본 논문에서는 주변 환경의 변화에 강인하기 위해서 $ \alpha $ 값을 0 에 가깝게 설정한다. 최종적으로 가중치 $ \alpha $ 를 통해서 계산한 차분영상이 $ 95 \% $ 이상의 변화율을 가진다면 차량의 입출입으로 인식한다. 입출입이 인식되면 입력영상을 PNG 이미지로 저장한다.</p><h1>III. 차량 번호판 검출</h1><p>차량 번호판은 직사각형 형태로 불변하다는 특징이 있다. 그러므로 형태학적 특징을 이용한다면 번호판을 검출할 수 있다. 본 논문에서는 형태학적 특징을 찾기 위해서 저장한 PNG이미지에 수정한 Canny 에지(Edge) 검출기를 사용한다. 기존의 Canny에지 알고리즘에서 수정한 점은 영상에서 세로 에지만을 검출한다는 것이다. 세로 에지만 검출하기 위해 마스크 $ G_{y} $ 를 $ G_{y}=\left[\begin{array}{lll}-1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1\end{array}\right] $<caption>(2)</caption>와 같이 설계한다. 에지를 그리기 위한 그레디언트 방향 $ s(x, y) $ 은 $ D(x, y)=\arctan \left(d_{z} / d_{y}\right) $<caption>(3)</caption>와 같고 그레디언트 $ \nabla f $ 는 $ \nabla f=\left(\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}\right)=\left(d_{z}, d_{y}\right) $<caption>(4)</caption>와 같이 나타낼 수 있다. 에지 강도 $ s(x, y) $ 는 $ S(x, y)=\sqrt{d_{x}^{2}+d_{y}^{2}} $<caption>(5)</caption>와 같이 구할 수 있다. 이렇게 구한 세로방향 에지는 두께가 두껍다. 그러므로 비최대 억제를 적용하여 얇은 두께의 에지 맵을 만든다. 이후 두 개의 임계값 $ T_{\text {low }} $ 와 $ T_{h i g h} $ 를 사용하는 이력 임계값을 적용하여 거짓 긍정을 제거한다. 여기서 거짓 긍정이란 노이즈로 인하여 실제로 에지가 아닌데 에지로 판정되는 경우를 말한다.</p><p>차량 번호판은 다른 물체와 달리 길이가 가로 방향으로 길다. 그러므로 세로 에지만 검출된 에지 이미지에 가로 방향의 모폴로지를 수행하면 번호판을 하나의 영역으로 묶을 수 있다. 인접한 객체를 이어지게 해야 하므로 닫힘 연산의 모폴로지를 수행한다. 닫힘 연산의 모폴로지는 $ f \cdot S=(f+S)-S $<caption>(6)</caption>와 같이 팽창(Dilation) 연산으로 객체가 확장되고 내부의 빈 공간이 채워진 후에 침식 연산(Erosion)으로 원래의 크기로 축소되어 인접한 객체를 연결한다. 여기서 팽창과 침식 연산은 $ f+S=U_{x \in f} S_{x} $,<caption>(7)</caption>$ f-S=X \mid X+s \in f, \forall s \in S $<caption>(8)</caption>와 같다. 모폴로지 닫힘 연산을 수행한 후 번호판의 후보 이미지들을 구하기 위해서 객체들의 외곽선을 찾고 이를 포함하는 사각형 영역을 검출한다.</p><p>번호판은 도로교통법에 따라 그림 3 과 같이 1.1: 5.2의 종횡비 가격을 가지고 있다. 이에 검출된 사각형의 종횡비와 면적을 계산한다. 종회비와 면적 가격에 일치한 사각형 객체들만 번호판 후보 이미지들로 판별된다. 판별된 번호판의 후보 이미지들은 카메라와 차량의 위치, 렌즈 화각 등 내외부적인 요인에 의해서 이미지가 왜곡될 수 있다. 그러므로 정가화 과정과 왜곡 보정을 통해서 번호판의 검출률을 높일 필요가 있다. 본 논문에서는 왜곡 보정을 위해서 Affine 변환을 사용한다. Affine 변환은 $ \left[\begin{array}{ccc}\cos \theta & -\sin ^{\prime} \theta & 0 \\ \sin \theta & \cos \theta & 0 \\ 0 & 0 & 1\end{array}\right] \cdot\left[\begin{array}{lll}\alpha & 0 & 0 \\ 0 & \rho & 0 \\ 0 & 0 & 1\end{array}\right] \cdot\left[\begin{array}{lll}1 & 0 & t_{c} \\ 0 & 1 & t_{y} \\ 0 & 0 & 1\end{array}\right] $<caption>(9)</caption>와 같이 표현할 수 있다. 여기서 $ \alpha $ 와 $ \beta $ 는 크기 조정 행렬이고 $ \sin \theta $ 와 $ \cos \theta $ 는 회전 행렬이다. $ t_{x} $ 와 $ t_{y} \frac{2}{2} $ 평행이동 행렬이다. 번호판 후보 이미지들의 회전각과 중심좌표를 식 8에 대입해서 그림 4와 같이 왜곡된 이미지를 보정한다.</p><p>Affine 변환과 정가화 과정을 거친 후보 이미지들 중에서 차랑 번호판 이미지를 최종적으로 선출한다. 본 논문에서는 선형 SVM을 선출 알고리즘으로 사용한다. SVM은 그림 5와 같이 데이터 그룹간에 최대의 거리 마진(Margin)을 갖는 초평면 (Hyperplane)으로 분류하는 알고리즘이다.</p><p>서포트 벡터들 사이의 거리 마진은 $ \operatorname{margin}=\frac{2\|d(x)\|}{\\|W\\|}=\frac{2}{\\|W\\|} $<caption>(10)</caption>와 같이 구할 수 있으며 최대 마진을 갖는 초평면을 찾는 것은 조건부 최적화 문제로 $ \max \frac{2}{\\| W} \rightarrow \min \frac{1}{2}\left\\|W^{2}\right\\|^{2} $<caption>(11)</caption>와 같이 나타낼 수 있다. 여기서 $ W $는 초평면에 수직인 법선 벡터이고 서포트 벡터는 결정 영역까지의 가장 가까운 데이터들을 의미한다. $ d(x) $ 는 $ W^{T} X^{+}+b-\left(W^{T} X^{-}+b\right) $ 이고 $ b $ 는 바이어스이다. $ X $ 는 초평면에서의 점이다.</p><p>사전에 지도학습을 통해서 최대 마진을 갖는 SVM의 파라미터를 찾는다. 이후에는 후보 이미지들을 입력하여 번호퐌을 최종적으로 검출한다.</p>	[ "팽창과 침식 연산으로 알맞은 식은 어떤거야?", "루프 코일의 설명으로 알맞은 것은 어떤거야?", "노이즈가 차분될 때 신호가 증폭되면 차량에 대한 인식률이 높아지는 거야?", "영상에서 어떤 에지만을 검출하기 위해 Canny에지 알고리즘을 수정했어?", "얇은 두께의 에지 맵을 만들기 위해 어떤 억제를 적용해야 하니?", "번호판 후보 이미지들로 판별되려면 어떤게 일치해야 하는 거야?", "루프코일은 설치비용은 비싸지만 유지보수가 쉬운 장점이 있지?", "번호판 후보 이미지들을 구하기 위해 객체들의 외곽선을 찾고 그 이후에 이를 포함하는 삼각형 영역을 검출하는 거야?", "데이터 그룹간 최대의 거리 마진을 갖는 초평면으로 분류하는 알고리즘 이름은 뭐야?", "번호판을 하나의 영역으로 묶으려면 가로 에지만 검출된 에지 이미지에 세로 방향의 모폴로지를 수행하면 되는 거지?", "데이터 그룹간 최대의 거리 마진을 갖는 초평면으로 분류하는 알고리즘을 신형 SVM 알고리즘이라고 하지?", "차량 통행 관제 시스템의 특성상 카메라가 고정되어 있는데 이때 배경화면이 언제 달라져?", "번호판 후보 이미지들의 회전각과 중심좌표를 식 8에 왜 대입하는거야?", "사전에 지도학습을 하지 않아도 SVM의 피라미터는 찾을 수 있는 거야?", "형태학적 특징을 찾기 위해서 저장한 PNG이미지에 어떤 검출기를 사용해서 수정하는거야?", "주변 환경 변화와 상관없이 배경화면은 항상 일정한 거지?", "노이즈로 인한 거짓 긍정을 제거하는 방법은 어떻게 될까?", "입출입이 인식되면 어떤 이미지로 입력 영상을 저장해?", "차량 번호판 이미지로 최종적으로 선출되려면 후보 이미지들은 어떤 과정을 거쳐야 해?", "현재의 입력 영상을 더 중요하게 생각하려면 alpha가 0에 가까워야 해?", "본문에서 가중치를 이용해서 무엇을 계산하는 거야?", "카메라의 내부적이나 외부적 요인에 따라 입력되는 실시간 영상에 포함될 수 있는 것은 무엇이야?", "가중치 alpha가 차분영상의 몇 프로 이상의 변화율을 가져야만 차량의 입출입을 인식할까?", "닫힘 연산의 모폴로지는 어떤 연산을 통해 객체가 확장되는 거야?", "차분영상을 구하기 위해 입력되는 영상의 모든 영역에 대해서 차분을 수행하면 정확히 번호판만 인식되지?", "서포트 벡터들 사이의 최대 마진의 초평면을 찾을 수 있는 공식은 어떻게 돼?", "ROI 지정으로 인해서 어떤 목적을 이루려고 한거야?", "번호판의 검출률을 높이려면 왜곡 보정을 위해 어떤 변환을 사용해야 하니?", "번호판을 하나의 영역으로 묶기위해 어떤 절차가 필요해?", "차분영상을 구하기 위해 입력되는 영상에 ROI를 지정해야 하는 이유가 뭐야?", "과거의 이동평균 영상에 가중치가 높아지려면 alpha가 숫자 몇에 가까워야 해?", "세로 에지만을 검출하기 위한 마스크는 어떻게 설계가 되는거야?", "루프 코일의 단점을 보완하고자 카메라를 이용한 어떤 알고리즘을 제안했어?", "본문에서 루프 코일 대신 카메라를 이용한 입출입 인식 알고리즘을 제안한 이유가 뭐야?", "입력되는 영상에 ROI를 지정해서 얻으려는 정보는 뭐야?", "판별된 번호판 후보 이미지들은 어떤 내외부적인 요인에 의해 이미지가 왜곡될 수 있는데 이 조건은 어떻게 될까?", "서포트 벡터들 사이의 거리 마진 값은 어떻게 구할 수 있어?", "차량의 번호판을 검출하는 특징으로는 뭐가 있을까?", "가중치를 이용한 차분영상 공식에 현재의 입력 영상은 공식에 포함되지 않지?", "차량통행 관제 시스템은 카메라가 움직이는 특성을 가지고 있지?", "일반적으로 차량을 입출입을 인식하는 방식은 뭐야?", "차분영상 공식에서 이동평균영상을 나타내는 조건은 어떤거야?", "닫힘 연산의 모폴로지로 인접한 객체를 연결하는 방법은 어떻게 돼?", "차량 번호판은 정사각형이야?", "닫힘 연산의 모폴로지를 수행하는 이유가 뭐니?", "배경화면의 차분영상을 구하는 이유가 뭘까?", "본문에서 노이즈로 인해 실제로 에지가 아닌데 에지로 판정되는 경우를 나타내는 말은 뭐야?", "번호판을 검출하는 것이 목적이지만 따로 관심 영역으로 지정하지 않아도 되는 거지?", "세로방향 에지는 두께가 두꺼운 상태로 그대로 두는게 맞지?", "모폴로지 닫힘 연산 후에 객체들의 외곽선을 찾고 사각형 영역을 검출하는 이유가 뭐야?", "본문에서 ROI를 지정한 후 입력되는 영상에 적용하는 필터 이름이 뭐야?", "에지 강도를 구할 수 있는 수식은 없는 거야?", "가중치를 이용한 차분영상 공식은 어떻게 나타내는 거야?", "ROI 지정으로 인해 연산량을 줄이면 어떤 속도를 증가시킬 수 있을까?", "도로교통법에 따라 번호판의 종횡비 가격은 어떻게 돼?", "노이즈가 차분될 때 차량에 대한 인식률이 왜 저하되는 거야?" ]
df782fc4-56c2-4c3b-9792-d37b7673a5ed	인공물ED	탄소나노튜브를 이용한 고휘도 X-선원용 전자빔원 개발	<h1>2. 탄소나노튜브 팁 및 전자빔원 광학계 설계</h1> <p>탄소나노튜브를 이용한 전자빔원의 주요 제원 도출 및 개념 설계를 위해 탄소나노튜브에서 발생하는 전자빔의 특성 변수 및 x선 타겟까지의 전자빔 광학 등을 EGUN code로 계산하였다. 탄소나노튜브에서 인출되는 전자빔의 궤적을 계산한 결과는 그림 2 와 같다. 그림 1 에서 볼 수 있듯이 탄소나노튜브에서 전계 방출로 전자빔을 인출하기 위해 탄소나노튜브와 양극 사이에 그리드 전극을 설치하여 탄소나노튜브 팁에서 강한 전기장이 발생하도록 하였다. 계산결과에 의하면 양극을 통과하는 빔은 발산하고 있으므로 양극을 통과한 뒤의 전자빔의 통과하는 직경은 점점 커지게 된다. X-선 타겟에서 요구하는 전자빔의 직경 $ (5 \mu \mathrm{m}) $에 대한 요구조건을 만족시키기 위하여 솔레노이드를 이용한 두 개의 전자빔 집속렌즈를 양극 후단에 설치하였을 때 전자빔 광학의 변화는 그림 2 와 같다. 그림에서 보여지듯이 양극을 통과한 뒤에도 전자빔의 크기가 증가하지 않고, 양극위치보다 빔의 크기가 줄어들고 있음을 알 수 있다. 집속렌즈의 정확한 위치, 필요한 자기장 값 등은 탄소나노튜브 팁의 모양, 그리드 전극의 모양 및 고리드 인가전압, X-선 튜브의 타겟 위치 등 여러 가지 변수에 의해 좌우된다. 한편 음극에 대한 그리드 전극의 위치 및 그리드 전압의 변화에 따른 인출되는 전자빔 전류량을 계산한 결과는 표 1 과 같다. EGUN code에 의한 계산결과로부터 그리드에 인가하는 전압의 범위가 수 kV 정도임을 알 수 있다.</p>	[ "어떻게 탄소나노튜브 팁에서 강한 전기장이 발생하도록 하였는가?", "양극을 통과하는 빔은 통과한 뒤 어떻게 되는가?", "X-선 타겟에서 요구하는 전자빔의 직경 (5μm)에 대한 요구조건을 만족시키기 위하여 어떻게 하였는가?", "양극을 통과한 뒤에도 전자빔의 크기는 어떻게 되는가?", "집속렌즈의 정확한 위치, 필요한 자기장 값 등은 어떻게 좌우되는가?", "그리드에 인가하는 전압의 범위가 수 kV 정도임을 어떻게 알 수 있는가?", "탄소나노튜브를 이용한 전자빔원의 주요 제원 도출 및 개념 설계를 위해 어떻게 하였는가?" ]
9bf49ada-af96-4f1d-9bcb-ddf913d4c139	인공물ED	탄소나노튜브를 이용한 고휘도 X-선원용 전자빔원 개발	<h1>3. 탄소나노튜브 팁 제작</h1> <p>표 1 에서 보여지듯이 설계된 X-선의 휘도를 얻기위해서는 X-선 타겟을 때리는 전자빔 전류가 25$ \mu \mathrm{A} $ 이상이어야 한다. 따라서 탄소나노튜브 팁에서는 이보다 훨씬 더 높은 전자빔 전류가 발생하여야 하는데, 단일의 탄소나노튜브에서는 이 정도의 전류를 인출시킬 수 없다. 일반적으로 금속이나 실리콘 등의 평판 기판에 탄소나노튜브를 성장 또는 코팅시키면 좁은 면적에 여러 개의 탄소나노튜브가 존재하는 음극을 만들 수 있다. X-선 타겟을 때리는 전자빔의 직경이 $ 5 \mu \mathrm{m} $ 이하로 만들어져야 하기 때문에, 전자빔을 발생하는 면적이 가능한 작아야 한다. 이는 빔을 발생시키는 면적이 높을수록 빔의 에미턴스가 커져 빔의 직경을 줄이는데 한계가 발생하기 때문이다. 본 연구에서는 직경이 200$ \mu \mathrm{m} $ 인 텅스텐 와이어 끝에 탄소나노튜브를 코팅하는 방식을 채택하였다. 이 때 인출되는 전자빔의 전류를 높이기 위해 텅스텐 와이어의 끝 부분을 뾰족하게 만들어 국부적인 전기장의 세기를 높이도록 음극을 설계하였다. 이렇게 설계된 음극에서 발생하는 전자빔의 전류 및 빔광학은 표 2 에서 보여지는 것과 같이 설계값을 만족시킬 수 있음을 확인하였다. 제작된 탄소나노튜브 팁의 주사전자현미경 (SEM) 사진은 그림 4와 같고 팁 제조 과정은 다음과 같다.</p> <table border><caption>표 2. 그리드의 위치에 따른 전류변화 (그리드전압 1 kV)</caption> <tbody><tr><td>그리드 위치 (mm)</td><td>방출전류(ua)</td></tr><tr><td>1</td><td>740</td></tr><tr><td>2</td><td>76</td></tr><tr><td>3</td><td>17</td></tr><tr><td>4</td><td>5.3</td></tr><tr><td>5</td><td>1.8</td></tr></tbody></table> <table border><caption>표 2. 그리드 전압에 따른 인출전류 변화 (그리드위치 3mm)</caption> <tbody><tr><td>그리드 전압 $kV$</td><td>방출 전류($ \mu A$)</td></tr><tr><td>05</td><td>6.7</td></tr><tr><td>1</td><td>17</td></tr><tr><td>1.5</td><td>32</td></tr><tr><td>2</td><td>48</td></tr><tr><td>2.5</td><td>67</td></tr></tbody></table> <p>먼저 직경 $ 200 \mu \mathrm{m} $인 텅스텐 와이어를 그림 5와 같이 전기화학적인 방법을 이용하여 에칭하였다. 그림에서 보여지듯이 KOH 용액에 백금전극과 텅스텐 팁을 설치한 뒤, 텅스텐 팁이 양극이 되게 직류 전압을 서서히 인가한다. 그 결과 그림 5 에 보여진 화학반응에 의해 텅스텐 팁에서 산화 반응이 일어나면서 텅스텐 팁이 서서히 녹게 된다. 이 때 텅스텐 팁과 KOH 용액과의 표면장력에 의해 텅스텐 팁의 끝 부분이 그림4(a)와 같이 뾰족하게 된다. 에칭이 완료된 텅스텐 팁은 불산과 증류수로 세척하고 이후 화학기상증착법 (CVD)으로 다중벽 탄소나노튜브를 층착하였다. 그림 4(b)에서 보여지듯이 길이가 수 $ \mu \mathrm{m} $인 탄소나노튜브 다발이 텅스텐 팁 표면에 코팅되어 있음을 알 수 있다.</p>	[ "그리드 위치 3의 방출전류는 무엇인가요?", "방출전류가 5.3인 그리드 위치는 뭐니?", "5의 방출전류는 어느 정도니?", "1.5의 방출 전류는 몇이니?", "방출전류 76의 값을 가지는 그리드 위치는 뭐니?", "그리드 전압이 05일 때 방출 전류는 몇인가요?", "방출 전류 48의 값을 가지는 2는 무엇을 의미하는가?", "그리드 전압 2의 방출 전류는 어느 정도니?", "17, 32, 48의 값이 나타내는 것은 무엇이니?", "그리드 위치가 1 mm일 때 방출전류는 몇이니?", "2.5가 가지는 방출 전류 값은 얼마니?", "방출 전류 값으로 17을 가지는 것은 어떤 그리드 전압이야?" ]
cd36ea91-ec74-4654-846b-cc610ae73ab1	인공물ED	뉴로-퍼지 알고리즘을 적용한 광파이버 유도 브릴루앙 산란 센서의 신뢰도 향상에 관한 연구	<h2>2.3 실험결과</h2> <p>실험 환경과 시스템을 이용하여 실험한 결과를 이용하여 뉴로-퍼지 시스템으로 분석하여 얻은 결과에 대해 설명하면 다음과 같다.</p> <p>그림 3은 표 1의 데이터를 활용하여 각각의 온도변화에 따른 변화를 그래프로 분석하였다. 제안된 시스템에서 측정한 데이터와 측정프로그램에서 출력된 주파수의 천이가 일어남을 알 수 있다.</p> <table border><caption>표 1 광섬유센서 시스템에서 측정된 데이터</caption> <tbody><tr><td>온도</td><td>주파수</td><td>온도</td><td>주파수</td></tr><tr><td>25</td><td>12942600000.00</td><td>48</td><td>12989000000.00</td></tr><tr><td>26</td><td>12943500000.00</td><td>49</td><td>12993000000.00</td></tr><tr><td>27</td><td>12945200000.00</td><td>50</td><td>12995200000.00</td></tr><tr><td>28</td><td>12949070000.00</td><td>51</td><td>12997310000.00</td></tr><tr><td>29</td><td>12950100000.00</td><td>52</td><td>12999330000.00</td></tr><tr><td>30</td><td>12952330000.00</td><td>53</td><td>13001100000.00</td></tr><tr><td>31</td><td>12953330000.00</td><td>54</td><td>13001830000.00</td></tr><tr><td>32</td><td>12955330000.00</td><td>55</td><td>13002170000.00</td></tr><tr><td>33</td><td>12958330000.00</td><td>56</td><td>13003170000.00</td></tr><tr><td>34</td><td>12959170000.00</td><td>57</td><td>13004000000.00</td></tr><tr><td>35</td><td>12960170000.00</td><td>58</td><td>13006500000.00</td></tr><tr><td>36</td><td>12961670000.00</td><td>59</td><td>13009170000.00</td></tr><tr><td>37</td><td>12962170000.00</td><td>60</td><td>13011670000.00</td></tr><tr><td>38</td><td>12964000000.00</td><td>61</td><td>13015670000.00</td></tr><tr><td>39</td><td>12965830000.00</td><td>62</td><td>13017170000.00</td></tr><tr><td>40</td><td>12967430000.00</td><td>63</td><td>13017500000.00</td></tr><tr><td>41</td><td>12970000000.00</td><td>64</td><td>13018330000.00</td></tr><tr><td>42</td><td>12973330000.00</td><td>65</td><td>13019000000.00</td></tr><tr><td>43</td><td>12977400000.00</td><td>66</td><td>1302067000.00</td></tr><tr><td>44</td><td>12979160000.00</td><td>67</td><td>13024170000.00</td></tr><tr><td>45</td><td>12980930000.00</td><td>68</td><td>13025000000.00</td></tr><tr><td>46</td><td>12983100000.00</td><td>69</td><td>13027830000.00</td></tr><tr><td>47</td><td>12985400000.00</td><td>70</td><td></td></tr></tbody></table> <table border><caption>표 2 뉴로-퍼지 알고리즘으로 분석시켜서 얻은 데이터</caption> <tbody><tr><td>온도</td><td>주파수</td><td>온도</td><td>주파수</td></tr><tr><td>25</td><td>12947330000.00</td><td>48</td><td>12995000000.00</td></tr><tr><td>26</td><td>12950030000.00</td><td>49</td><td>12998000000.00</td></tr><tr><td>27</td><td>12951830000.00</td><td>50</td><td>13000100000.00</td></tr><tr><td>28</td><td>12952070000.00</td><td>51</td><td>13000370000.00</td></tr><tr><td>29</td><td>12952100000.00</td><td>52</td><td>13000440000.00</td></tr><tr><td>30</td><td>12953330000.00</td><td>53</td><td>13000600000.00</td></tr><tr><td>31</td><td>12954330000.00</td><td>54</td><td>13000730000.00</td></tr><tr><td>32</td><td>12956330000.00</td><td>55</td><td>13000440000.00</td></tr><tr><td>33</td><td>12957330000.00</td><td>56</td><td>13004500000.00</td></tr><tr><td>34</td><td>12959160000.00</td><td>57</td><td>13005170000.00</td></tr><tr><td>35</td><td>12960170000.00</td><td>58</td><td>13006000000.00</td></tr><tr><td>36</td><td>13000440000.00</td><td>59</td><td>13007170000.00</td></tr><tr><td>37</td><td>12962170000.00</td><td>60</td><td>13000440000.00</td></tr><tr><td>38</td><td>12963000000.00</td><td>61</td><td>13015470000.00</td></tr><tr><td>39</td><td>12964830000.00</td><td>62</td><td>13015170000.00</td></tr><tr><td>40</td><td>12966330000.00</td><td>63</td><td>13016500000.00</td></tr><tr><td>41</td><td>12969000000.00</td><td>64</td><td>13019930000.00</td></tr><tr><td>42</td><td>12974330000.00</td><td>65</td><td>13020000000.00</td></tr><tr><td>43</td><td>12979500000.00</td><td>66</td><td>13021670000.00</td></tr><tr><td>44</td><td>1298493000.00</td><td>67</td><td>13023570000.00</td></tr><tr><td>45</td><td>12987030000.00</td><td>68</td><td>13026000000.00</td></tr><tr><td>46</td><td>12987500000.00</td><td>69</td><td>13027830000.00</td></tr><tr><td>47</td><td>12989500000.00</td><td>70</td><td></td></tr></tbody></table> <p>sBs 측정프로그램으로 온도변화에 대한 주파수가 천이가 발생한 그래프를 출력한 것이다. 이러한 그래프에서 나타난 주파수를 정량적으로 표 1에서와 같이 나타내었다. 이러한 데이터를 얻기 위하여 수차례 반복적으로 실험을 하여 데이터에 대한 정확도와 신뢰도를 높였다. 오차범위에 대한 신뢰도를 향상하는데 온도 간격을 30분으로 진행하였고, 고분 해능을 얻기 위하여 똑같은 온도에서 컴퓨터 연산처리를 거쳐 범위 변화에 대한 오차를 $ 1.1 \mathrm{MHz} $ 까지 축소 할 수 있었다. 표 2의 데이터를 활용하여 각각의 온도변화에 따른 변화범위를 그래프로 분석하였으며, 측정시스템에서 얻어진 결과를 뉴로-퍼지로 분석하여 얻어진 결과가 표 1과 그림 5에서 나타내었다. 이는 연결하는 프로그램에서 연산처리를 거친 데이터 결과로써 분석이 향상되었음을 증명하였다.</p> <p>그림 5는 제안된 시스템에서 실측된 데이터와 뉴로-퍼지 를 이용하여 분석하여 얻은 결과를 같이 보여주고 있다. 알고리즘으로 연산하여 실측된 데이터의 정교함을 높이고 신뢰도를 향상시키기 위하여 그래프에 나타낸 것이다.</p> <p>그림 6과 같이 주파수 천이가 일어나고, 온도가 낮아질수록 원점으로 돌아온다는 사실을 알 수 있었다. 이는 길이 $ 40 \mathrm{Km} $에서 $ 12.94867000 \mathrm{~Hz}^{\sim} 13.2783000 \mathrm{~Hz} $ 의 주파수 범위를 갖는 온도변화에 대한 주파수 천이이다.</p>	[ "광섬유센서 시스템에서 주파수 값이 있는 마지막 온도는 무엇이야?", "47온도의 주파수 값은 무엇이야?", "13027830000.00의 주파수를 갖는 온도는 무엇이야?", "13007170000.00, 13082170000.00, 14707110000.10, 83092470000.09중에서 59의 온도의 주파수로 올바른 것은 무엇이야?", "어떻게 하면 데이터에 대한 신뢰도와 정확도를 얻을 수 있어?", "25의 온도의 주파수는 무엇이야?", "12985400000.00의 주파수를 갖는 온도는 무엇이야?", "13017500000.00, 130485300000.00, 19417900000.00중에서 63의 온도의 주파수로 맞는 것은 무엇이야?", "25와 26중 더 큰 주파수값을 갖는 온도는 무엇이야?", "뉴로-퍼지 알고리즘으로 분석시켜서 얻은 데이터의 마지막 온도의 주파수 값은 무엇이야?", "25와 26의 온도중 더 높은 주파수의 값을 갖는 온도는 무엇이야?", "더 높은 주파수의 결과를 보여준 온도는 몇 도인가요?" ]
cb96b68d-c8d4-4620-beca-93cecf92a5dd	인공물ED	전계구동 양자점 발광 다이오드	<h1>1. 서 론</h1><p>디스플레이 기술의 발전과 함께, 지난 십수 년 동안 CRT, PDP, LCD(liquid crystal display), 유기 발광 다이오드(organic light-emitting-diode)가 시장에 등장했다. 현재 CRT와 PDP는 경쟁에 밀려 시장에서 사라지고, LCD와 유기 발광 다이오드가 각각의 장점들을 내세우며 경쟁을 하고 있다. LCD는 가격, 수명, 제품 수율 측면에서 장점을 가지고 있으며, OLED는 색재현율, 응답속도, 전력소모 등에서 장점을 보이고 있다. 그러던 중 2015년 2월, 삼성전자에서 LCD에 양자점(quantum dot) 기술을 적용하여, 개선된 색재현율을 보이는 그림 1(a)의 SUHD(super ultra high definition) TV를 출시하였다. SUHD TV는 LCD의 backlight unit(BLU)에 녹색, 적색 양자점으로 이루어진 필름이 적용됨으로써 그림 1(b)와 같이 기존 LED BLU보다 녹색과 적색 영역에서 더 높은 색재현율을 구현할 수 있 다 이 제품의 인기가 상승함과 동시에, 제품에 적용된 양자점 기술로 많은 디스플레이 업체들의 관심이 집중되고 있다.</p><p>양자점은 수 나노미터 크기의 반도체 나노입자(nanoparticles, NPs)이다. 반도체 물질 내에서는 전자와 정공이 만나 엑시톤을 형성한다. 이 때 전자와 정공 이 자연스럽게 떨어져있는 거리를 excitonic Bohr radius라고 하는데, 반도체 조성마다 서로 다른 크기를 가지고 있다. 이 excitonic Bohr radius보다 나노입자의 크기가 작아지게 되면, 입자 내에 전자와 정공이 존재하기 위해서는 추가적인 에너지가 필요하게 되고, 이 에너지는 밴드갭의 증가를 유발한다. 이를 양자제한효과(quantum confinement effect)라고 한다. 양자점은 양자제한효과를 통해, 크기나 조성을 변화시킴으로써 손쉬운 밴드갭 조절이 가능하기 때문에 다양한 파장의 빛을 구현할 수 있다.</p><p>디스플레이 분야에서는 이 양자점을 발광체로 응용하는 연구가 진행되고 있다. 양자점을 응용하는 방식으로는 파장변환방식(photoluminescence type, PL)과 전계구동방식(electroluminescence type, EL) 두 가지가 있다. 파장변환방식은 단어 그대로 어떤 파장의 빛을 양 자점을 통해 다른 파장의 빛으로 변환하는 것이다. 주로 높은 에너지를 가지는 청색 파장의 LED 칩 위에 녹색 또는 적색으로 발광하는 양자점 필름을 올려서 백색의 빛을 구현한다. 이 방식의 대표적인 예로는 앞서 언급한 SUHD TV의 BLU가 있다. 또 다른 방식인 전계구동 방식은 유기 발광 다이오드와 같은 원리로, 양극(anode)과 음극(cathode)을 통해 양자점 내로 주입된 전자와 정공이 엑시톤을 형성하여 발광하는 방식이다. 이 방식은 파장변환방식과는 다르게 소자의 두께를 매우 얇게 만들 수 있으며, 이는 bendable, flexible, foldable과 같은 차세대 디스플레이의 특성을 구현할 수 있게 한다. 즉, 전계구동방식을 통한 양자점의 응용이 유기 발광 다이오드의 뒤를 이을 차세대 디스플레이의 후보라고 볼 수 있다. Quantum dot light-emitting-diode(QLED)라고 불리는 전계구동 양자점 발광 다이오드는 수십 년 전부터 연구가 진행됐으며, 해가 바펄수록 성능이 지속적으로 발전해왔다. 그 결과, 삼성종합기술원에서는$ 320 \times 240 $ 의 해상도를 가지는 4인치 풀칼라 QLED 소자를, 서울대에서는 flexible QLED 소자를 구현하였다. 또한 단색 발광의 소자들은 이론상 최고 외부양자 효율(external quantum efficiency)인 $ 20 \% $ 를 기록하거나 유기 발광 다이오드에 필적할 수 있을 정도의 성능을 기록한 연구들이 발표되고 있다 이에 본 글에서는 전계구동 양자점 발광 다이오드들의 연구현황에 대해 알아볼 예정이다.</p>	[ "현재 디스플레이 시장에서는 LCD기술이 CRT 기술을 앞서나?", "삼성이 개발한 SUDH TV는 기존 LED BLU보다 어떤 색 영역에서 높은 우수성을 보이지?", "양자점의 크기는 어느정도야?", "전자와 정공이 결합하면 무엇이 만들어질까?", "전자와 정공이 떨어진 거리를 무엇이라 부를까?", "전자와 정공 간의 거리차는 모든 반도체 조성에서 비슷할까?", "나노입자 크기가 전자와 정공 사이 거리차보다 커지면, 에너지밴드갭의 증가를 유발할까?", "삼원색(적색,녹색,청색) 중 빛에너지가 가장 큰 것이 뭐지?", "LED의 청색 파장을 녹색,적색 양자필름을 통과시켜 백색 빛을 만들어 내는 기술은 뭘까?", "전계구동방식이 파장변환방식보다 어떤 장점을 가질까?", "파장변환방식이 전계구동방식보다 디스플레이 기술분야에서 전망이 더 클까?", "양극, 음극을 통해 엑시톤을 형성하여 발광하는 방식은 뭐지?", "단색발광 소자의 이론적인 최고 외부양자 효율은 얼마지?", "삼성전자에 의해 super ultra high definition TV는 언제 출시되었지?", "양자점을 통해 빛의 파장을 바꾸는 방식을 뭐라할까?" ]
641ad028-99b2-4ae3-a178-6b22ac4433f0	인공물ED	DiffServ 망에서 QoS를 보장하기 위한 개선된 퍼지 기반 WRR 알고리즘 개발	<h2>4.2 시뮬레이션 결과 및 분석</h2><p>시뮬레이션 결과는 앞서서 기술했던 두 가지 모드, EF 클래스를 제외한 클래스에 남는 가중치가 없을 때와 남는 가중치가 있을 때의 상황을 설정하여 시뮬레이션 결과들을 그림으로 나타낸다. 그리고 현재 사용되어지고 있는 방식인 PQ 방식과 WRR 방식, 그리고 제안된 방식을 비교분석하여 나타낸다. WRR 방식은 EF 클래스의 손실을 줄이기 위해 EF 가중치를 미리 11,12로 증가시켜서 WRR_11, WRR_12 방식을 병행하여 시뮬레이션을 수행하였으며, 제안된 방식에서 가중치 동적으로 제어한 방식을 PRO_D라 하였는데, 동적인 방식이란 제어주기를 고정시킨 방식이 아니라 가중치의 변화가 있을 경우 제어 주기를 짧게 조정하고 변화가 없을 경우 길게 조정하여 시뮬레이션을 수행한 것이다.</p><p>그림 4.3에서 4.8은 첫 번째 모드에서의 시뮬레이션 결과를 보여주고 있다.</p><p>그림 4.3은 EF 클래스의 평균 패킷 폐기율을 보여주고 있다. PQ의 경우에는 링크의 가중치를 우선순위가 가장 높은 EF 클래스에서 우선적으로 사용할 수 있기 때문에 PQ에서의 성능은 현저하게 좋으나 WRR의 단점인 입력이 많아질수록 EF 클래스의 폐기율이 증가하는 것을 볼 수 있는 결과이다. 제안된 알고리즘은 EF 클래스의 트래픽이 폭주하여 손실이 발생할 경우 가중치를 동적으로 제어함으로써 EF 클래스의 손실을 줄일 수 있어 WRR 방식의 단점을 보안할 수 있다.</p><p>그림 4.5와 4.6은 AF4 클래스와 DE 클래스의 손실율을 보여주고 있는데, PQ 방식은 우선순위가 낮은 클래스를 손실을 피할 수 없는 단점이 있으나, 제안된 알고리즘은 PQ의 이러한 단점을 보완하여 패킷 손실율과 평균 지연시간이 현저하게 떨어진 것을 알 수 있다. 마지막으로 AF4 클래스를 제외한 클래스들은 EF 클래스의 입력율이 작을 때는 WRR과 비슷한 성능을 보이고, 입력율이 증가하여 폭주가 발생할 경우에는 WRR_11, WRR_12와 비슷한 성능을 보이고 있다. 제안된 알고리즘은 WRR 기반으로 가중치를 동적으로 제어하여 트래픽 폭주가 발생할 경우 EF 클래스의 손실을 줄일 수 있고, AF 클래스의 QoS를 보장하해 주면서도 DE 클래스도 어느 정도 보장해주는 것을 볼 수 있다.</p><p>그림 4.7과 4.8은 퍼지 제어를 위한 CT(Control Time)과 EF 클래스의 퍼지 임계치의 변화에 따른 시뮬레이션 결과를 보여주고 있다. 이 결과들은 CT이 각각 $ 15 \mathrm{msec} $, $ 30 \mathrm{msec} $, $ 60 \mathrm{msec} $ 일 때이다. 그리고 EF 클래스의 가중치를 반환하기 위한 최소 임계치(thLow)값은 $ -0.8 $이고 가중치를 증가시키기 위한 최고 임계치(thHigh)값을 0.6과 0.9의 경우에 시뮬레이션 결과 그래프이다. EF 클래스의 패킷 손실율은 임계치가 작고 제어 주기가 빠를 수 록 나은 결과를 보여주고 있다. 그러나 가중치의 변화가 자주 일어날 수 있으므로 시스템의 부하를 고려하여 CT 주기가 길면서 성능의 차이가 없는 것이 효과적이다. 따라서 CT 주기는 길게 하고, 성능저하를 막기 위해 가중치의 변화가 있을 경우 제어 주기를 짧게 조정하고 변화가 없을 경우 길게 조정하는 동적 제어 방식을 제안하였다.</p><p>그림 4.9에서 4.11은 두 번째 모드에서의 시뮬레이션 결과를 보여주고 있다. 두 번째 모드의 시뮬레이션 결과를 살펴보면 첫 번째 모드에서와 마찬가지로 WRR의 단점인 EF 클래스의 손실율을 줄일 수 있고, PQ의 단점인 AF4 클래스의 손실율을 줄일 수 있었다. DE 클래스는 최소 보장 서비스만을 하고 있기 때문에 효과가 조금은 감소하였다. 그 이유는 EF 클래스와 AF 클래스의 효과가 증가한 만큼 조금의 감소를 보이게 된 것이다. 하지만 제안된 알고리즘은 EF와 AF 클래스의 QoS를 보장해주면서도 DE 클래스도 PQ와 비교하였을 때 어느 정도 보장해주는 것을 볼 수 있다.</p><p>표 4.1은 AF4 클래스에 남는 가중치가 발생하였을 때의 각 클래스별 패킷 폐기율을 나타내고 있다(EF input rate=1.1에서). 그리고 제안된 스케줄러의 패킷 폐기율을 보면 PQ방식에서 발생하는 AF4 클래스의 손실을 방지하였으며, EF 클래스의 손실율을 WRR 방식에 비해 현저히 작게 나타나고 있다.</p><p>따라서, 우선순위가 높은 클래스의 패킷 폐기율이 낮으면서 우선순위가 낮은 클래스에서도 성능이 향상이 되었음을 알 수 있다. 따라서 남는 가중치를 효율적으로 분배하여 사용하고 있음을 알 수 있다.</p>	[ "시뮬레이션 결과를 그림으로 나타낼때 두가지 모드는 어떻게 상황을 설정하는가?", "동적인 방식이란 제어주기를 가중치 변화에 따라 어떻게 조정하여 시뮬레이션을 수행한 것인가?", "퍼지 제어를 위한 CT(Control Time)과 EF 클래스의 어떤 시뮬레이션 결과인가?", "WRR 방식을 EF 가중치를 미리 11,12로 증가시켜서 WRR_11, WRR_12 방식을 병행하여 시뮬레이션을 수행하는 이유는 무엇인가?", "가중치의 변화가 자주 일어날 수 있으므로 시스템의 부하를 고려하여 조정할 수 있는 동적 제어 방식을 제안할수있는가?", "그림 4.5와 4.6은 AF4 클래스와 DE 클래스의 손실율을 볼 때 PQ의 단점은 무엇인가?", "그림 4.7과 4.8은 무엇의 시뮬레이션 결과를 보여주고 있는가?", "PQ의 경우 EF 클래스의 평균 패킷 폐기율을 볼때 PQ에서의 성능은 현저하게 좋은 이유는 무엇인가?", "제안된 알고리즘은 EF 클래스의 트래픽이 폭주하여 손실이 발생할 경우 어떻게 해야 WRR 방식의 단점을 보안 할 수 있는가?" ]
bd0d6013-009e-4349-aef9-42778608f32a	인공물ED	특수 명령어를 지원하는 자동 경계 주사 생성기 구현에 관한 연구	<h1>Ⅱ. IEEE 1149.1</h1><p>IEEE 1149.1은 기판상의 여러 칩들의 테스팅을 용이하게 하기 위해 등장한 방식으로 1990 년도에 IEEE에서 제정한 표준안이다. 경계 주사 회로는 테스트 클럭(TCK:Test Clock), 테스트 데이터 입력 신호(TDI:Test Data Input), 테스트 데이터 출력신호(TDO:Test Data Output), 테스트 모드 선택 신호(TMS:Test Mode Select), 테스트 리셋 신호(TRST:Test Reset) 총 5개의 입출력 핀을 가지고 있다. TCK와 TMS는 경계 주사 기법을 이용하여 수행하는 여러 가지 종류의 테스트 방식을 선택하고 제어하기 위하여 사용된다. TRST(Test Reset)는 경계 주사를 위해 사용되는 회로 부분을 초기화 하기 위한 입력으로서 사용이 가능하고 TCK와 TMS의 신호 조합으로도 가능하기 때문에 없어도 무방하다. 각 핀의 기능은 표 1에서 보여주고 있다.</p><table border><caption>표 1. 경계 주사 회로의 입출력 핀의 종류 및 기능</caption><tbody><tr><td>핀 이름</td><td>기 능</td></tr><tr><td>TCK</td><td>TEE 1149.1에서 정의한 테스트 회로에 클럭을 인가하기 위한 핀이다</td></tr><tr><td>TDF</td><td>테스트 데이터와 명령어를 인가하기 위한 핀으로 TDI로 인가되는 값은 TCK의 rising edge에서 유효하다</td></tr><tr><td>TDO</td><td>테스트된 결과나 TDI로 인가된 값을 출력하기 위한 핀으로 TCK의 falling edge에서 유효하다</td></tr><tr><td>TMS</td><td>테스트 동작을 제어하는 TAP 제어기의 상태 져 어 신호를 인가하기 위한 핀으로 TMS 포트에 인가되 는 값은 TCK의 rising edge에서 유효하다</td></tr><tr><td>TRST</td><td>TAP 제어기의 비동기 초기화를 위한 optional 핀으로 TRTT에 논리 0이 인가되면 TAP 제어기는 Test-Logic-Reset 상태가 된다</td></tr></tbody></table><p>경계 주사 회로는 TAP 제어기(Test Access Port Controller), 바이패스(bypass) 레지스터, 명령어 레지스터, 명령어 디코더, 경계 주사 셀, 그리고 기타 회로들로 구성되어 있다. TAP 제어기는 TMS와 TCK에 의해 동작하는 동기 유한 상태기로서 경계 주사 회로의 동작에 필요한 여러 제어 신호들을 생성한다. 바이패스 레지스터는 TDI와 TDO 사이의 최단 경로를 제공하여 기판 수준의 테스트에서 테스트 시간을 줄일 수 있게 해주는 레지스터이다. 명령어 레지스터는 TDI 포트를 통하여 입력되는 경계 주사 회로를 위한 명령어를 래치하는 레지스터이다. 경계 주사 셀은 테스트를 수행할 때 주사 체인을 형성하는 레지스터이다. 그리고 32비트 크기를 갖고 버전, 부품번호, 제조업자 식별에 관한 정보를 갖고 있는 디바이스 식별 레지스터와 사용자가 정의한 레지스터를 필요에 따라 추가할 수 있다. 그림 1과 그림2는 기본적인 경계 주사 회로의 구조와 TAP 제어기의 상태도를 보여주고 있다. TAP 제어기는 그림 2에 보여진 것과 같이 16개의 상태를 갖는 동기화된 유한 상태기이다. TAP 제어기는 TMS신호를 입력으로 갖고 출력 신호들은 각 상태에 따라 해당되는 회로를 테스트하는데 쓰여진다. 그림2에서 알 수 있듯이 테스트 데이터 레지스터의 운용을 위해서는 Select-DR부터 Update-DR에 이르기까지의 7개 상태가 사용되며, 명령어 레지스터에 명령어를 적재시키기 위해서는 오른쪽 7개 상태가 쓰여지게 된다.</p><p>경계 주사 기법에서 지원하는 명령어는 크게 공개 명령어와 특수 명령어로 구분할 수 있다. 공개 명령어는 표준안에서 지정한 명령어이고, 특수 명령어는 사용자에 의해 추가되는 명령어를 말한다. 공개 명령어에는 반드시 지원해야 하는 BYPASS, SAMPLE/ PRELOAD, EXTEST 명령어가 있으며, 선택사항으로 IDCODE, USERCODE 명령어가 있다. 그리고 권장 명령어로 INTEST 명령어가 있다. 이들 명령어를 보면 표 2와 같다.</p>	[ "1990년도에 IEEE에서 푼 표준안으로 IEEE 1149.1는 어떤 방식인가?", "1990년도 IEEE에서 어떤 방식이 푼 확대안으로 IEEE 1149업일까?", "표 1. 경계 주사 회로의 입출력 핀의 종류 및 기능에서 테스트 데이터와 신용을 인가하기 위해 핀을 TDI로 인가하는 값은 TCK의 상승 에지에서 유효한 것은 어떤 핀인가요?", "테스트 데이터와 신용을 인가하기 위해 표 1 경계 주사 회로의 입출력 핀의 형태에서 유효한 건 어떤 금액이야", "표 1. 에서 TEE 1149.1에서 정의한 테스트 회로에 클럭을 인가하기 위한 핀의 이름은 무엇인가?", "표 1에서 클럭을 인가하기 위한 핀의 이름으로 TEE 1149의 테스트 회유는 무엇일까", "표 1. 에서 경계 주사 회로의 입출력 핀의 종류 중 테스트 동작을 제어하는 TAP 제어기의 상태 져 어 신호를 인가하기 위한 핀은?", "표 1에서 경계 주사 회로의 입출력 핀의 규모 중 테스트 동작을 제어하는 TAP 정보기의 모아 어 신호를 인가하길", "표 1. 에서 결과나 TDI로 허용된 값을 나타내기 위한 핀으로 TCK의 falling edge에서 유효한 것은?", "TDO:Test Data Outputsms 의 종류 및 기능은 표 1에서 무엇일까", "TAP 제어기의 비동기 초기화를 위한 optional 핀인 경계 주사 회로의 입출력 핀의 종류는?", "TAP 제어기의 비동기 초기화를 위한 optional 핀인 경계 주사 회로의 입출력 핀의 종류는 무엇인가?", "표 1. 에서 TDF의 종류와 기능은 어떻게 되나요?", "TDF의 종류와 기능은 표 1에서 어떻게 되나요가", "optional 핀으로 TRTT에 논리 0이 인가되면 Test-Logic-Reset 상태가 되는데 무었을 위한 것인가?", "TCK는 TEE 1149.1에서 정의한 테스트 회로에 무엇을 인가하기 위한 핀인가?", "바이패스 레지스터는 어떤 방법으로 테스트 시간을 줄여 주는가?", "IEEE 1149.1은 어떤 방식의 표준안인가?", "경계 주사 회로 중 TDI:Test Data Input는 무엇인가?", "경계 전압 회로는 몇개의 마이너스 핀을 가지고 있는가?", "경계 전압 회로 중 경계 저력을 이용하여 다양한 종류의 시험 방식을 선택하고 제하하기 위해 사용되는 것은 무엇인가?", "IEEE 1149.1는 몇 년도 표준안인가?" ]
42b1ea8d-32e5-4e34-9f81-1faa11750e0b	인공물ED	무선채널환경에서 ATM데이터의 전송성능분석 및 개선연구	<h1>Ⅳ. 전송성능 개선기법</h1> <p>ATM 셀을 무선링크를 통하여 전송하는 경우에 광 전송링크를 통하여 전송하는 경우보다 CLR값이 상당히 저하된다는 것을 그림 4의 성능분석 결과에서 알 수 있다. 이는 ATM셀이 무선 프레임에 삽입되어 이동단말과 기지국사이에서 송수신되는데 무선구간에서의 송수신시 다중경로 페이딩, 간섭 및 shadowing현상으로 비트에러율이 증가하기 때문이다. 따라서 ATM셀을 무선링크를 통해 전송할 때 성능 저하현상을 보상할 수 있는 방안이 강구되어야 하는데 대표적인 방안은 표 2와 같다. 본 장에서는 무선 ATM 망에 FEC, ARQ 및 Hybrid ARQ 기법을 적용, 이들 기법들의 전송성능을 정량적으로 비교 분석한다.</p> <table border><caption>표 1. 트래픽 형태별 서비스 요구조건</caption> <tbody><tr><td>트래픽등급</td><td>BER</td><td>CLR</td><td>CDV</td><td>CTD</td></tr><tr><td>CBR</td><td>$ 10^{-4} $</td><td>$ 10^{-4} \sim 10^{-6} $</td><td>$ 0 \mathrm{~ms} $</td><td>$ 10 \mathrm{ms} \sim 2 \mathrm{sec} $</td></tr><tr><td>rt-VBR</td><td>$ 10^{-6} $</td><td>$ 10^{-6} \sim 10^{-7} $</td><td>$ 0 \mathrm{~ms} $</td><td>$ 10 \mathrm{ms} \sim 2 \mathrm{sec} $</td></tr><tr><td>nrt-VBR</td><td>$ 10^{-9} $</td><td>$ 10^{-7} \sim 10^{-9} $</td><td>$ 100 \mathrm{ms} \sim 500 \mathrm{ms} $</td><td></td></tr></tbody></table> <table border><caption>표 2. 무선 ATM망의 전송성눙 개선기법</caption> <tbody><tr><td>계층</td><td>전송성능 개선 기법</td><td>비고</td></tr><tr><td>ATM 계층</td><td></td><td></td></tr><tr><td>DLC 부계층</td><td>ARQ</td><td>기존 ATM 프로토콜에 추가</td></tr><tr><td>MAC 부계층</td><td></td><td>기존 ATM 프로토콜에 추가</td></tr><tr><td>TC 부계층</td><td>다중접속, FEC, 인터리빙</td><td></td></tr><tr><td>PMD 부계층</td><td>섹터 안테나, 다이버시티, 등화</td><td></td></tr></tbody></table>	[ "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 CBR일 때 CDV의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 rt-VBR일 때 BER의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 CBR일 때 BER의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 CBR일 때 CLR의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 rt-VBR일 때 CLR의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 rt-VBR일 때 CTD의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 rt-VBR일 때 CDV의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 nrt-VBR일 때 BER의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 nrt-VBR일 때 CLR의 값은 얼마인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 nrt-VBR일 때 CDV의 값은 얼마인가?", "본문의 표 2. 무선 ATM망의 전송성눙 개선기법에서 DLC 부계층의 전송성능 개선 기법은 무엇인가?", "본문의 표 2. 무선 ATM망의 전송성눙 개선기법에서 TC 부계층의 전송성능 개선 기법은 무엇인가?", "본문의 표 2. 무선 ATM망의 전송성눙 개선기법에서 PMD 부계층의 전송성능 개선 기법은 무엇인가?", "본문의 표 1. 트래픽 형태별 서비스 요구조건에서 트래픽등급이 CBR일 때 CTD의 값은 얼마인가?" ]
7a3bdbca-f3e6-4d6b-9f8b-3f8ea6cc5741	인공물ED	BLDC 전동기 운전 특성을 이용한 고장 검출 기법 구현	<h1>4. 시뮬레이션</h1> <p>제안한 방법의 우수성과 신뢰성을 입증하기 위하여 시뮬레이션은 수행되어졌다. 이에 사용된 BLDC 전동 기의 정격과 파라미터들은 표 2 와 같다.</p> <table border><caption>표 2 BLDC 전동기의 정격과 파라미터</caption> <tbody><tr><td>정격 전압</td><td>$\mathrm{V}$</td><td>$\mathrm{24 [V]}$</td></tr><tr><td>정격 토크</td><td>$\mathrm{T_e}$</td><td>$\mathrm{7.5 [kgf-cm]}$</td></tr><tr><td>정격 속도</td><td>$\mathrm{N_r}$</td><td>$\mathrm{2000(\pm200) [rpm]}$</td></tr><tr><td>저 항</td><td>$\mathrm{R_s}$</td><td>$\mathrm{0.127 [Ω]}$</td></tr><tr><td>인덕턴스</td><td>$\mathrm{L_s}$</td><td>$\mathrm{2.07 [mH]}$</td></tr><tr><td>역기전력 상수</td><td>$\mathrm{K_e}$</td><td>$\mathrm{5 [V/krpm]}$</td></tr><tr><td>극 수</td><td>$\mathrm{P}$</td><td>$8$</td></tr></tbody></table> <p>시뮬레이션에서 실험 조건은 상단 하단 스위치에 개방성 고장을 각각 고려하였으며, 고장은 $ \mathrm{A} $ 상의 상단 스위치와 하단 스위치에서 발생시켰다. 나머지 스위치들 또한 개방성 고장에 대해 동일하게 우수한 특성을 보임을 확인하였다.</p> <p>그림 6(a)에서 $ \mathrm{A} $ 상 상단스위치에 개방성 고장이 발생하고 신속한 고장 검출과 이후 양방향 스위치의 턴 -온으로 인해 중성점 전류($If$)가 흐르고, 고장 이후 연속적인 동작이 가능한 전류 파형을 보여준다. 그림 6(b)는 $ \mathrm{A} $ 상 상단 고장 발생시 나타나는 고장 발생, 검출, 그리고 위치 확인 신호를 각각 보여준다.</p> <p>그림 7은 인버터의 $ \mathrm{A} $ 상 하단 스위치에 개방성 고장이 발생하였을 경우 또한 빠른 고장 검출과 고장 허용 제어 시스템으로 인하여 정상적으로 동작하는 것을 볼 수 있다.</p>	[ "BLDC 전동기의 무엇이 \$\\mathrm{7.5 [kgf-cm]}\$야?", "BLDC 전동기의 정격 전압은 얼마야?", "BLDC 전동기의 정격 전압이 뭐야", "BLDC 전동기의 \$\\mathrm{R_s}\$는 얼마야?", "BLDC 전동기의 정격 속도는 얼마야?", "얼마가 BLDC 전동기의 정격 속도지", "\$\\mathrm{5 [V/krpm]}\$은 BLDC 전동기의 무엇이야?", "본문의 그림 7에서 인버터의 \$ \\mathrm{A} \$ 상 하단 스위치에 개방성 고장이 생기면 어떻게 문제를 해결하는 것을 알 수 있어?", "본문에서 제안된 방법의 우수성을 어떻게 증명했어?" ]
6e1784c5-100d-4713-b74a-e1438412c7a4	인공물ED	BLDC 전동기 운전 특성을 이용한 고장 검출 기법 구현	<h2>3.3 제안한 고장 검출 기법 원리</h2> <p>일반적으로 히스테리시스 전류 제어기는 속도 제어기에 의해 추정된 기준 전류를 추종하기 위해 상전류에 대한 스위칭 신호를 생성한다. BLDC 전동기 구동 회로에서 스위치에 개방된 형태의 고장이 발생하였을 때 기준 전류를 실제 전류가 추종하지 못하기 때문에 오차가 발생한다. 기준 전류와 실제 전류의 차가 미리 선정된 임계값($th$)을 초과하게 되면, 다음과 같은 논리로 시스템은 오류를 탐지하게 된다.</p> <p>$\mathrm{IF} \left\|i_{r e f}-i_{a c t}\right\|>th\ \mathrm{THEN}\ Error\ \mathrm{ELSE}\ normal $</p> <p>발생된 오류($Error$)가 연속적으로 고장 검출 시간 $ \left(T_{{fault }}\right) $ 이상 지속된다면 다음과 같은 논리에 의해 고장으로 판단하여 $Fault\_Flag\ 1$ 의 신호는 발생한다.</p> <p>$ \mathrm{IF} (count\ a>T_{fault}\ \mathrm{THEN}\ Fault\_Flag\ 1\ High\ \mathrm{ELSE}\ normal $</p> <p>고장 검출에 필요한 시간은 일반적으로 식<caption>(3)</caption>과 같이 구할 수 있다.</p> <p>$ T_{\text {fault }}=K \times \frac{2}{p \times \omega_{\text {ref }}} \times \frac{1}{M o d e} $<caption>(3)</caption></p> <ul> <li>$ T_{\text {fault }} \quad $ : 고장 판단 시간</li> <li>$ K $ : 고장 판단에 대한 민감도</li> <li>$ p $ : 전동기의 극수</li> <li>$\omega_{r e f} $ : 기준 속도</li> <li>Mode : Mode 수</li></ul> <p>고장이 발생한 스위치의 검출 원리는 $Fault\_Flag\ 1$ 신호가 발생하고, 다음 Mode에서 $Fault\_Flag\ 2$ 신호 상태에 따라 고장이 발생한 스위치가 검출되어진다. Mode 전환이 되고 일정시간 이후 실제전류가 기준전류를 추종하지 못한다면 $Fault\_Flag\ 2$는 High의 신호를 발생하며, 실제전류가 기준전류를 추종하게 된다면 $Fault\_Flag\ 2$가 Low 신호를 발생한다. 고장 스위치를 검출하는 논리는 다음과 같다.</p> <p>$\mathrm{After}\ count\ b\ at\ the\ Next\ Mode\\ $ $\mathrm{IF} \left\|i_{\text {ref }}-i_{a c t}\right\|>th\ \mathrm{THEN}\ Fault\_Flag\ 2\ High\\ $ $\mathrm{ELSE}\ Fault\_Flag\ 2\ Low $</p> <p>표 1 은 $ \mathrm{BLDC} $ 전동기 구동 인버터의 스위치에서 개방성 고장이 발생하였을 때, 각 모드에서 $Fault\_Flag$ 의 상태에 따라서 고장 스위치 검출 조건을 보여준다.</p> <table border><caption>표 1 Mode 변환 시 고장 스위치의 판별</caption> <tbody><tr><td>Mode Conversion</td><td>Flag 1 (Previous Mode)</td><td>Flag 2 (Next Mode)</td><td>Fault Switch</td></tr><tr><td rowspan=2>Mode 6 ⭢ Mode 1</td><td>High</td><td>Low</td><td>$S_5$</td></tr><tr><td>High</td><td>High</td><td>$S_6$</td></tr><tr><td rowspan=2>Mode 1 ⭢ Mode 2</td><td>High</td><td>Low</td><td>$S_6$</td></tr><tr><td>High</td><td>High</td><td>$S_1$</td></tr><tr><td rowspan=2>Mode 2 ⭢ Mode 3</td><td>High</td><td>Low</td><td>$S_1$</td></tr><tr><td>High</td><td>High</td><td>$S_2$</td></tr><tr><td rowspan=2>Mode 3 ⭢ Mode 4</td><td>Hight</td><td>Low</td><td>$S_2$</td></tr><tr><td>High</td><td>High</td><td>$S_3$</td></tr><tr><td rowspan=2>Mode 4 ⭢ Mode 5</td><td>High</td><td>Low</td><td>$S_3$</td></tr><tr><td>High</td><td>High</td><td>$S_4$</td></tr><tr><td rowspan=2>Mode 5 ⭢ Mode 6</td><td>High</td><td>Low</td><td>$S_4$</td></tr><tr><td>Hjgh</td><td>High</td><td>$S_5$</td></tr></tbody></table>	[ "표3에서 Mode 2 ⭢ Mode 3으로 변환시 Fault Switch는 어떻게 변화되는가?", "Fault Switch는 표 3에서 Mode 2 ⭢ Mode 3으로 변환하면 어떻게 되는가?", "표1에서 Mode 3 ⭢ Mode 4으로 변환 시 Flag 2 (Next Mode)의 시작신호는 무엇인가?", "표1에서 Mode 4 ⭢ Mode 5으로 변환시 Flag 1 (Previous Mode)의 시작 신호는 무엇인가?", "표1에서 Mode 5 ⭢ Mode 6으로 변환시 Fault Switch는 어떻게 변하는가?", "표 1에서 제시한 것을 미루어 보았을 때, Mode 5 ⭢ Mode 6으로 변환시 Fault Switch는 무엇이 되는가?", "표1에서 Mode 6 ⭢ Mode 1으로 변환될때 Flag 1 (Previous Mode)의 신호는 어떻게 변하는가?", "표1에서 Mode 6 ⭢ Mode 1으로 변환이면 Flag 1 신호의 결과는 무엇이 되는가?", "표1에서 Mode 1 ⭢ Mode 2로 변환시 Flag 2 (Next Mode)의 신호는 어떻게 변화되는가?" ]
f542be07-bf4b-4193-b5d5-8496442b63c0	인공물ED	식약처에서 허가된 집속형 ESWT 치료기의 음향 출력 분석	<h1>Ⅲ. 결 과</h1> <h2>3.1 집속형 ESWT 치료기 현황</h2> <p>Table 1은 식약처에 등록된 기술 문서를 근거로, 국내에서 사용중인 집속형 ESWT 치료기의 충격파 발생방식, 제조사, 제품명, 제조국, 등록일을 제시하고 있다. EH 방식은 100$\%$ 수입 제품이며, PE 방식은 총 16개의 기술 문서 중 5개(31.3 $\%$)가 수입 제품이며, EM 방식은 총 10개의 기술 문서 중 2개(20.0 $\%$)가 수입 제품인 것으로 나타났다.</p> <h2>3.2 충격파 음향 출력 분포</h2> <p>기술 문서 별로 집속형 ESWT 치료기의 충격파의 집속 정보 $ (\mathrm{FL}, \mathrm{FW}, \mathrm{FD}) $ 밋 음향 출력 $ (\mathrm{P+}, \mathrm{EFD}, \mathrm{E}) $ 은 Table 2에서 제시하고 있다.</p> <h3>3.2.1 기술 문서의 충실도</h3> <p>Table 3은 수집된 30개의 기술 문서에 대해 음향 출력 항목 별로 데이터 포함 여부를 $ \mathrm{O}, \mathrm{X} $ 로 표시하고 있다. 음향 출력 항목 중 $ \mathrm{P}- $ 는 모든 기술 문서에서 누락되어 있는 반면, EFD는 1개의 기술 문서 (3.3$\% $)에서만 누락되어 있다. 환자의 피부와 접하는 충격파 집속기 끝에서 초점까지의 거리 $ \mathrm{FL}$은 총 30개의 기술 문서 중 4개의 기술 문서(13.3$\%$)에서 누락되어 있으며, $ \mathrm{P+}$는 8개의 기술 문서(26.7$\%$)에서 누락되어 있다. 펄스 에너지 E는 총 30 개 중 11 개(36.7 $\%$) 기술 문서에서 포함되어 있다.</p> <p>Table2에서 보여 주듯이, 기술 문서에 제출된 초점까지의 거리 및 크기에 대한 데이터는 통일된 정보를 포함하지 않고 있다. 초점 크기에 대해 3차원 정보 $ \left(\mathrm{e}_{\mathrm{x}}, \mathrm{e}_{\mathrm{y}}, \mathrm{e}_{z}\right) $를 모두 제시한 기술 문서는 18개(60 $\%$)에 불과했다. 1$\sim$2개의 수치를 제시한 12개의 기술 문서에서 값의 의미는 대부분 분명하지 않다. 초점까지의 거리(PE02 $ \sim $ PE04 경우)는 $ 0 \mathrm{~mm} \sim 60 \mathrm{~mm} $ 혹은 $5 \mathrm{~mm} \sim 40 \mathrm{~mm}$등 값의 의미가 분명하지 않다. 음향 출력 변수에 대한 자료 분석에서, 모든 기술 문서에서 자료가 누락된 $\mathrm{P-}$ 및 포함된 데이터 수가 매우 작은 E는 포함하지 않았다.</p> <table border><caption>Table. 1. The shock wave production type, manufacturer and model name of the focal type commercial ESWTsystems clinically used in the Republic of Korea, collected on 7 Feb 2020 from the 30 technical documents thathave been registered to MFDS since May 2012.</caption> <tbody><tr><td>type</td><td>manufacturer</td><td>product model</td><td>ID</td><td>country</td><td>reg. date (Y.M.D)</td></tr><tr><td rowspan=4>EH</td><td>Medispec</td><td>ED1000</td><td>EH01</td><td>lsrael</td><td>12.12.28</td></tr><tr><td>MTS Medical UG</td><td>OW100 (OB035)</td><td>EH02</td><td>Germany</td><td>15.11.18</td></tr><tr><td>MTS Medical UG</td><td>OW100 (OR050)</td><td>EH03</td><td>Germany</td><td>15.11.18</td></tr><tr><td>MTS Medical UG</td><td>OW100 (OP155)</td><td>EH04</td><td>Germany</td><td>15.11.18</td></tr><tr><td rowspan=10>EM</td><td>STORZ</td><td>Duolith SDI BT</td><td>EM01</td><td>Swiss</td><td>13.08.19.</td></tr><tr><td>Initia Ltd</td><td>Renova</td><td>EM02</td><td>Israel</td><td>18.06.04</td></tr><tr><td>HNT Medical</td><td>SHINEWAVE-SONIC(SS-S)</td><td>EM03</td><td>Rep.Korea</td><td>12.11.26.</td></tr><tr><td>HNT Medical</td><td>HINEWAVE-SONIC(SM-F)</td><td>EM04</td><td>Rep.Korea</td><td>12.11.26.</td></tr><tr><td>HNT Medical</td><td>Care wave(CW-F)</td><td>EM05</td><td>Rep.Korea</td><td>15.09.08.</td></tr><tr><td>HNT Medical</td><td>Care wave(CW-R)</td><td>EM06</td><td>Rep.Korea</td><td>15.09.08.</td></tr><tr><td>HNT Medical</td><td>CENOWAVE(Focus)</td><td>EM07</td><td>Rep.Korea</td><td>19.08.19.</td></tr><tr><td>HNT Medical</td><td>CENOWAVE(Multi Focus)</td><td>EM08</td><td>Rep.Korea</td><td>19.08.19.</td></tr><tr><td>MITech</td><td>PROTERA</td><td>EM09</td><td>Rep.Korea</td><td>13.07.30.</td></tr><tr><td>Urontech</td><td>IMPO88</td><td>EM10</td><td>Rep.Korea</td><td>15.02 12</td></tr><tr><td rowspan=16>PE</td><td>Richard Wolf</td><td>Piezo Wave2(FBL 10x5G2)</td><td>PE01</td><td>Germany</td><td>13.12 12</td></tr><tr><td>Richard Wolf</td><td>Piezo Wave2(F10G4)</td><td>PE02</td><td>Germany</td><td>13.12 12</td></tr><tr><td>Richard Wolf</td><td>Piezo Wave2(FB10G6)</td><td>PE03</td><td>Germany</td><td>13.12.12</td></tr><tr><td>Richard Wolf</td><td>Piezo Wave2(F10G4)</td><td>PE04</td><td>Germany</td><td>13.12 12</td></tr><tr><td>Weverinstuments</td><td>Zeus wave A</td><td>PE05</td><td>Rep. Korea</td><td>17.04.17.</td></tr><tr><td>Weverinstuments</td><td>Zeus wave Plus</td><td>PE06</td><td>Rep. Korea</td><td>17.09.05.</td></tr><tr><td>ITC</td><td>Ulforce</td><td>PF07</td><td>Rep.Korea</td><td>18.01.29.</td></tr><tr><td>REMED</td><td>SALUS-FSWT(Fixed)</td><td>PE08</td><td>Rep.Korea</td><td>18.12.12</td></tr><tr><td>REMED</td><td>SALUS-FSWT(Electric)</td><td>PE09</td><td>Rep.Korea</td><td>18.12.12,</td></tr><tr><td>REMED</td><td>SALUS-ESWT-EXPERT(5$\mathrm{mm}$</td><td>PE10</td><td>Rep.Korea</td><td>19.01.25.</td></tr><tr><td>REMED</td><td>SALUS-ESWT-EXPERT(20$\mathrm{mm}$</td><td>PE11</td><td>Rep.Korea</td><td>19.01.25.</td></tr><tr><td>REMED</td><td>SALUS-ESWT-EXPERT(40$\mathrm{mm}$</td><td>PE12</td><td>Rep.Korea</td><td>19.01.25.</td></tr><tr><td>Migen</td><td>DUAL WAVE PLUS</td><td>PE13</td><td>Rep.Korea</td><td>16.08.09.</td></tr><tr><td>0ryx</td><td>Piezo-RX</td><td>PE14</td><td>Rep.Korea</td><td>17.06.26.</td></tr><tr><td>Daol Med</td><td>Terracare</td><td>PE15</td><td>Rep.Korea</td><td>17.08.16.</td></tr><tr><td>BTL Industries JSC</td><td>BTL-6000 FSWT</td><td>PE16</td><td>Bulgaria</td><td>19.07.03.</td></tr></tbody></table> <table border><caption>Table. 2. The acoustic output of the focal type commercial ESWT systems clinically used in the Republic of Korea, collected on 7 Feb 2020 from the 30 technical documents that have been registered to the MFDS since May 2012.</caption> <tbody><tr><td>ID</td><td>Focal length ($\mathrm{mm}$)</td><td>Focal size ($\mathrm{e}_\mathrm{x},\mathrm{e}_\mathrm{y},\mathrm{e}_\mathrm{z}$)($\mathrm{mm}$</td><td>P+($\mathrm{MPa}$)</td><td>EFD $\mathrm{mJ/mm^2}$</td><td>E (mD)</td></tr><tr><td>EH01</td><td></td><td>3$\times$3$\times$108</td><td>41.7</td><td></td><td>0.737</td></tr><tr><td>EH02</td><td></td><td>FD(-6$\mathrm{dB}$) 59.1</td><td></td><td>0.135</td><td>4.22</td></tr><tr><td>EH03</td><td></td><td>FD(-6$\mathrm{dB}$) 31.3</td><td></td><td>0.27</td><td>6.15</td></tr><tr><td>EH04</td><td></td><td>FD(-6$\mathrm{dB}$)82.3</td><td></td><td>0.176</td><td>3.88</td></tr><tr><td>EM01</td><td>50</td><td>5$\times$5$\times$30</td><td>62</td><td>0.55</td><td></td></tr><tr><td>EM02</td><td>20</td><td>5$\times$40$\times$60</td><td>11.52</td><td>0.089</td><td></td></tr><tr><td>EM03</td><td>30</td><td>16$\times$16$\times$60</td><td>80</td><td>0.6</td><td></td></tr><tr><td>EM04</td><td>10</td><td>16$\times$16$\times$60</td><td>80</td><td>0.6</td><td></td></tr><tr><td>EM05</td><td>30</td><td>10$\times$10$\times$15</td><td>60.58</td><td>0.462</td><td></td></tr><tr><td>EM06</td><td>20</td><td>30$\times$30$\times$30</td><td>35.61</td><td>0.273</td><td></td></tr><tr><td>EM07</td><td>50</td><td>10$\times$10$\times$15</td><td>70</td><td>0.5</td><td></td></tr><tr><td>EM08</td><td>20</td><td>30$\times$30$\times$30</td><td>50</td><td>0.3</td><td></td></tr><tr><td>EM09</td><td>40</td><td>8$\times$8$\times$26</td><td>44</td><td>0.44</td><td></td></tr><tr><td>EM10</td><td>110</td><td>20</td><td>280</td><td>3.50$\mathrm{E}$-03</td><td></td></tr><tr><td>PE01</td><td>0, 5, 10, 15, 20</td><td>4$\times$46$\times$18.5</td><td>12</td><td>0.14</td><td></td></tr><tr><td>PE02</td><td>5$\sim$40</td><td>3.2$\times$3.2$\times$10.6</td><td>77.7</td><td>0.82</td><td></td></tr><tr><td>PE03</td><td>0$\sim$60</td><td>4.18$\times$4.18$\times$25</td><td>75.8</td><td>0.7</td><td></td></tr><tr><td>PE04</td><td>5$\sim$40</td><td>3.2$\times$3.2$\times$10.6</td><td>77.7</td><td>0.82</td><td></td></tr><tr><td>PE05</td><td>44</td><td>3.75$\times$4</td><td>7.51</td><td>0.547</td><td>80.86</td></tr><tr><td>PE06</td><td>44</td><td>3.75$\times$4</td><td>7.51</td><td>0.547</td><td>80.86</td></tr><tr><td>PE07</td><td>65</td><td>4$\times$4$\times$65</td><td>1.4</td><td>1.01</td><td>11</td></tr><tr><td>PE08</td><td>20</td><td>20</td><td></td><td>0.2</td><td></td></tr><tr><td>PE09</td><td>5, 20, 40</td><td>12</td><td></td><td>0.5</td><td></td></tr><tr><td>PE10</td><td>5</td><td>17</td><td></td><td>0.5</td><td></td></tr><tr><td>PE11</td><td>20</td><td>27</td><td></td><td>0.5</td><td></td></tr><tr><td>PE12</td><td>40</td><td>30</td><td></td><td>0.5</td><td></td></tr><tr><td>PE13</td><td>40</td><td>4.25$\times$4</td><td>7</td><td>0.41</td><td>63.91</td></tr><tr><td>PE14</td><td>22.25, 32.25, 42.25</td><td>4.25$\times$4.25</td><td>7.93</td><td>0.32</td><td>56.86</td></tr><tr><td>PE15</td><td>10(pad surface)</td><td>110 $\mathrm{mm^2}$</td><td>9</td><td>3.5 $\mathrm{J/cm^2}$</td><td>3.85 $\mathrm{J}$</td></tr><tr><td>PE16</td><td>15</td><td>5$\times$5$\times$35</td><td>65</td><td>0.65</td><td>8.3</td></tr></tbody></table>	[ "EM 타입의 치료기를 가장 많이 식약처에 등록시킨 제조사는 어디 나라 기업인가?", "EM 타입의 집속형 ESWT 치료기 중 식약처에 가장 빨리 등록된 제품을 보유하고 있는 제조사는 어디인가?", "식약처에 등록된 EM 타입의 집속형 ESWT 치료기 중 가장 많은 제품을 등록한 제조사는 어디인가?", "ESWT 치료기의 EH type 중 가장 많은 등록 제품을 가지고 있는 제조사는 어디인가?", "가장 빨리 식약처에 등록된 PE 타입의 치료기는 어디 회사에서 제조되었는가?", "식약처에 등록된 EH 타입의 ESWT 치료기 중 가장 등록이 먼저된 제품의 모델명은 무엇인가?", "식약처에 가장 최근에 등록된 EM 타입의 치료기를 보유하고 있는 제조사는 어디인가?", "ED1000의 제조사인 Medispec은 어디 나라 기업인가?", "2018년 12월 29일에 식약처에 등록된 PE 타입의 치료기 제품의 모델명은 무엇인가?", "집속형 ESWT 치료기 중 EH 타입의 기기인 EH03이 갖는 E 값은 얼마인가?", "집속형 ESWT 치료기 중 식약처에 등록된 ID PE11의 제품이 갖는 focal length를 구한다면, 그 값은 얼마인가?", "Focal의 사이즈를 집속형 ESWT 치료기에서 구한다면, 그 값은 얼마인가?", "집속형 ESWT 치료기의 focal length를 구하기 위해 ID가 PE12 제품을 사용한다면, 그 값은 얼마인가?", "식약처에 등록된 제품 중 ID가 EH01인 제품의 Focal Size는 얼마인가?", "EFD 값에 대해 ESWT 치료기 중 ID가 EH02인 제품에 대해서 그 값을 구한다면, 이때 값은 얼마인가?", "EH04의 Focal size는 얼마인가?", "식약처 등록 집속형 ESWT 치료기 중 PE01 제품이 갖는 focal의 크기는 얼마인가?", "ID가 EM01인 제품의 Focal 길이는 얼마인가?", "Focal Size에 대해 EM02에서 구한다면 그 값은 얼마인가?", "Focal의 사이즈를 ID가 EM07인 제품에서 구한다면 그 값은 얼마인가?", "PE 타입의 제품 PE04가 갖는 EFD의 값은 얼마인가?", "PE02 제품이 갖는 focal length의 범위는 얼마인가?", "식약처에 등록된 여러 EM 타입의 치료기 중에 EM06이라는 ID를 갖는 제품의 Focal Length를 구한다면 그 값은 얼마인가?", "식약처에 등록된 제품 중 EM03이 갖는 P+의 값을 구한다면 그 값은 얼마인가?", "focal이 갖는 사이즈를 구하기 위해 국내에서 사용된 집속형 ESWT 치료기 중 ID가 PE16인 제품을 사용하여 그 값을 구한다면, 이때 구해진 focal 사이즈는 얼마인가?", "EM05 제품이 가지고 있는 EFD는 얼마인가?", "P+의 값을 EM09 제품에서 구한다면, 얼마인가?", "EM type의 집속형 ESWT 치료기 중 ID가 EM10인 제품이 갖는 focal의 길이는 얼마인가?", "focal size의 범위를 PE03에서 구한다면 그 값은 얼마인가?", "Focal의 크기를 구하기 위해 여러 집속형 ESWT 치료기 중 ID가 EM08인 제품에서 그 값을 구한다면 얼마인가?", "식약처 등록 제품 중 ID가 PE05인 제품에 대한 E값은 얼마인가?", "제품의 P+을 구하기 위해 식약처에 등록된 여러 제품 중 ID가 PE06인 제품에서 그 값을 구한다면, 이때 구해지는 값은 얼마인가?", "focal Length를 EM04에서 구하면 그 값은 얼마인가?", "ID PE08의 focal 길이 값은 얼마인가?", "PE 타입의 제품의 Focal Size를 구하기 위해 ID가 PE07인 제품에서 그 값을 구한다면, 이때 구해지는 값은 얼마인가?", "제품 ID가 PE09에서 EFD의 값을 구한다면, 이때 구해지는 값은 얼마인가?", "식약처에 등록된 여러 제품 중 충격파 발생방식이 PE 타입인 PE10 제품이 갖는 focal 길이는 얼마인가?", "PE타입의 집속형 ESWT 치료기에서 focal 크기를 구하기 위해 ID PE14인 제품을 사용한다면, 그 값은 얼마인가?", "제품 PE15에서 확인할 수 있는 P+의 값은 얼마인가?" ]
c648da36-c933-4ed8-93b6-21a0a4fa1945	인공물ED	식약처에서 허가된 집속형 ESWT 치료기의 음향 출력 분석	<table border><caption>Table. 3. The status of which acoustic output parameters are presented in the 30 technical documents collectedon 7 Feb 2020 from the homepage of the MFDS for the focal type ESWT systems used clinically in the Republicof Korea.</caption> <tbody><tr><td>ID</td><td>$\mathrm{P+}$</td><td>$\mathrm{P-}$</td><td>EFD</td><td>E</td><td>FL</td><td>FS</td><td>$\%$</td></tr><tr><td>EH01</td><td>O</td><td>X</td><td>X</td><td>O</td><td>X</td><td>O</td><td>50.0</td></tr><tr><td>EH02</td><td>X</td><td>X</td><td>O</td><td>O</td><td>X</td><td>O</td><td>50.0</td></tr><tr><td>EH03</td><td>X</td><td>X</td><td>O</td><td>O</td><td>X</td><td>O</td><td>50.0</td></tr><tr><td>EH04</td><td>X</td><td>X</td><td>O</td><td>O</td><td>X</td><td>O</td><td>50.0</td></tr><tr><td>EM01</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM02</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM03</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM04</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM05</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM06</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM07</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM08</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM09</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>EM10</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>PE01</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>PE02</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>PE03</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>PE04</td><td>O</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>66.7</td></tr><tr><td>PE05</td><td>O</td><td>X</td><td>O</td><td>O</td><td>O</td><td>O</td><td>83.3</td></tr><tr><td>PE06</td><td>O</td><td>X</td><td>O</td><td>O</td><td>O</td><td>O</td><td>83.3</td></tr><tr><td>PE07</td><td>O</td><td>X</td><td>O</td><td>O</td><td>O</td><td>O</td><td>83.3</td></tr><tr><td>PE08</td><td>X</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>50.0</td></tr><tr><td>PE09</td><td>X</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>50.0</td></tr><tr><td>PE10</td><td>X</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>50.0</td></tr><tr><td>PE11</td><td>X</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>50.0</td></tr><tr><td>PE12</td><td>X</td><td>X</td><td>O</td><td>X</td><td>O</td><td>O</td><td>50.0</td></tr><tr><td>PE13</td><td>O</td><td>X</td><td>O</td><td>O</td><td>O</td><td>O</td><td>83.3</td></tr><tr><td>PE14</td><td>O</td><td>X</td><td>O</td><td>O</td><td>O</td><td>O</td><td>83.3</td></tr><tr><td>PE15</td><td>O</td><td>X</td><td>O</td><td>O</td><td>O</td><td>O</td><td>83.3</td></tr><tr><td>PE16</td><td>O</td><td>X</td><td>O</td><td>O</td><td>O</td><td>O</td><td>83.3</td></tr><tr><td>$\%$</td><td>73.3</td><td>00.0</td><td>96.7</td><td>36.7</td><td>86.7</td><td>100</td><td></td></tr></tbody></table>	[ "본문의 Table. 3에서 EM04의 \$\\mathrm{P+}\$은 무엇이니?", "본문의 Table. 3의 경우에서 PE10의 EFD은 무엇으로 나타낼 수 있을까?", "본문의 Table. 3의 경우에서 EM05의 EFD은 무엇이야?", "본문의 Table. 3을 보았을 때 PE08의 \$\\mathrm{P-}\$은 무엇으로 나타낼 수 있니?", "본문의 Table. 3에서 EH01의 \$\\mathrm{P+}\$은 뭐야?", "본문의 Table. 3의 경우에서 PE05의 EFD은 무엇으로 나타낼까?", "본문의 Table. 3의 경우에서 PE08의 EFD은 무엇으로 나타낼 수 있어?", "본문의 Table. 3에서 EM02의 \$\\mathrm{P+}\$은 무엇일까?", "본문의 Table. 3의 경우에서 PE04의 EFD은 무엇으로 나타내는가?", "본문의 Table. 3에서 EM03의 \$\\mathrm{P+}\$은 무엇이야?", "본문의 Table. 3의 경우에서 EM09의 EFD은 무엇으로 보일까?", "본문의 Table. 3의 경우에서 PE09의 EFD은 무엇으로 나타낼 수 있는가?", "본문의 Table. 3에서 EM05의 \$\\mathrm{P+}\$은 무엇이지?", "본문의 Table. 3에서 EM06의 \$\\mathrm{P+}\$은 무엇으로 보여?", "본문의 Table. 3에서 EM07의 \$\\mathrm{P+}\$은 무엇으로 보이지?", "본문의 Table. 3에서 EM08의 \$\\mathrm{P+}\$은 무엇으로 보이니?", "본문의 Table. 3에서 EM09의 \$\\mathrm{P+}\$은 무엇으로 보일까?", "본문의 Table. 3의 경우에서 PE15의 EFD은 어떤 것으로 나타내는가?", "본문의 Table. 3에서 EM10의 \$\\mathrm{P+}\$은 무엇으로 보이는가?", "본문의 Table. 3의 경우에서 PE16의 EFD은 어떤 것으로 나타낼까?", "본문의 Table. 3의 경우에서 PE14의 EFD은 어떤 것으로 나타내나?", "본문의 Table. 3에서 PE02의 \$\\mathrm{P+}\$은 무엇으로 나타내지?", "본문의 Table. 3에서 PE03의 \$\\mathrm{P+}\$은 무엇으로 나타내니?", "본문의 Table. 3의 경우에서 PE13의 EFD은 어떤 것으로 나타내니?", "본문의 Table. 3에서 PE04의 \$\\mathrm{P+}\$은 무엇으로 나타낼까?", "본문의 Table. 3의 경우에서 PE06의 EFD은 무엇으로 나타낼 수 있지?", "본문의 Table. 3에서 PE05의 \$\\mathrm{P+}\$은 무엇으로 나타내는가?", "본문의 Table. 3에서 EH02의 \$\\mathrm{P+}\$은 뭐지?", "본문의 Table. 3에서 PE06의 \$\\mathrm{P+}\$은 무엇으로 나타낼 수 있지?", "본문의 Table. 3의 경우에서 PE03의 EFD은 무엇으로 나타내니?", "본문의 Table. 3의 경우에서 PE07의 EFD은 무엇으로 나타낼 수 있니?", "본문의 Table. 3에서 PE08의 \$\\mathrm{P+}\$은 무엇으로 나타낼 수 있어?", "본문의 Table. 3에서 PE09의 \$\\mathrm{P+}\$은 무엇으로 나타낼 수 있는가?", "본문의 Table. 3의 경우에서 PE02의 EFD은 무엇으로 나타내지?", "본문의 Table. 3에서 PE10의 \$\\mathrm{P+}\$은 무엇으로 나타낼 수 있을까?", "본문의 Table. 3의 경우에서 PE01의 EFD은 무엇으로 나타내?", "본문의 Table. 3에서 PE11의 \$\\mathrm{P+}\$은 어떤 것으로 나타내?", "본문의 Table. 3의 경우에서 EM10의 EFD은 무엇으로 보이는가?", "본문의 Table. 3에서 PE12의 \$\\mathrm{P+}\$은 어떤 것으로 나타내지?", "본문의 Table. 3의 경우에서 EM07의 EFD은 무엇으로 보이지?", "본문의 Table. 3에서 PE13의 \$\\mathrm{P+}\$은 어떤 것으로 나타내니?", "본문의 Table. 3에서 PE14의 \$\\mathrm{P+}\$은 어떤 것으로 나타내나?", "본문의 Table. 3의 경우에서 EM08의 EFD은 무엇으로 보이니?", "본문의 Table. 3에서 EH03의 \$\\mathrm{P+}\$은 뭐니?", "본문의 Table. 3에서 PE15의 \$\\mathrm{P+}\$은 어떤 것으로 나타내는가?", "본문의 Table. 3을 보았을 때 PE15의 \$\\mathrm{P-}\$은 어떤 것으로 보일까?", "본문의 Table. 3을 보았을 때 PE16의 \$\\mathrm{P-}\$은 어떤 것으로 보이는가?", "본문의 Table. 3의 경우에서 EM03의 EFD은 무엇이지?", "본문의 Table. 3에서 PE16의 \$\\mathrm{P+}\$은 어떤 것으로 나타낼까?", "본문의 Table. 3을 보았을 때 EH03의 \$\\mathrm{P-}\$은 뭐니?", "본문의 Table. 3의 경우에서 EM04의 EFD은 무엇이니?", "본문의 Table. 3의 경우에서 EM06의 EFD은 무엇으로 보여?", "본문의 Table. 3을 보았을 때 EH01의 \$\\mathrm{P-}\$은 뭐야?", "본문의 Table. 3을 보았을 때 EM01의 \$\\mathrm{P-}\$은 무엇인가?", "본문의 Table. 3의 경우에서 EM02의 EFD은 무엇일까?", "본문의 Table. 3을 보았을 때 EM03의 \$\\mathrm{P-}\$은 무엇이니?", "본문의 Table. 3을 보았을 때 EM02의 \$\\mathrm{P-}\$은 무엇일까?", "본문의 Table. 3에서 EH04의 \$\\mathrm{P+}\$은 뭘까?", "본문의 Table. 3을 보았을 때 EH04의 \$\\mathrm{P-}\$은 뭘까?", "본문의 Table. 3의 경우에서 EM01의 EFD은 무엇인가?", "본문의 Table. 3의 경우에서 EH01의 EFD은 뭐야?", "본문의 Table. 3을 보았을 때 EM04의 \$\\mathrm{P-}\$은 무엇이지?", "본문의 Table. 3을 보았을 때 EM05의 \$\\mathrm{P-}\$은 무엇이야?", "본문의 Table. 3을 보았을 때 EM08의 \$\\mathrm{P-}\$은 무엇으로 보이니?", "본문의 Table. 3의 경우에서 EH03의 EFD은 뭐니?", "본문의 Table. 3의 경우에서 EH02의 EFD은 뭐지?", "본문의 Table. 3에서 EM01의 \$\\mathrm{P+}\$은 무엇인가?", "본문의 Table. 3을 보았을 때 EM06의 \$\\mathrm{P-}\$은 무엇으로 보여?", "본문의 Table. 3을 보았을 때 PE13의 \$\\mathrm{P-}\$은 어떤 것으로 보이니?", "본문의 Table. 3을 보았을 때 EH02의 \$\\mathrm{P-}\$은 뭐지?", "본문의 Table. 3을 보았을 때 EM09의 \$\\mathrm{P-}\$은 무엇으로 보일까?", "본문의 Table. 3을 보았을 때 PE14의 \$\\mathrm{P-}\$은 어떤 것으로 보이나?", "본문의 Table. 3을 보았을 때 PE12의 \$\\mathrm{P-}\$은 어떤 것으로 보이지?", "본문의 Table. 3을 보았을 때 PE11의 \$\\mathrm{P-}\$은 어떤 것으로 보여?", "본문의 Table. 3을 보았을 때 EM10의 \$\\mathrm{P-}\$은 무엇으로 보이는가?", "본문의 Table. 3의 경우에서 EH04의 EFD은 뭘까?", "본문의 Table. 3을 보았을 때 PE04의 \$\\mathrm{P-}\$은 무엇으로 나타내는가?", "본문의 Table. 3을 보았을 때 PE06의 \$\\mathrm{P-}\$은 무엇으로 나타낼 수 있어?", "본문의 Table. 3을 보았을 때 PE01의 \$\\mathrm{P-}\$은 무엇으로 나타내?", "본문의 Table. 3을 보았을 때 PE02의 \$\\mathrm{P-}\$은 무엇으로 나타지?", "본문의 Table. 3을 보았을 때 PE03의 \$\\mathrm{P-}\$은 무엇으로 나타내니?", "본문의 Table. 3을 보았을 때 PE10의 \$\\mathrm{P-}\$은 무엇으로 나타낼 수 있을까?", "본문의 Table. 3을 보았을 때 PE09의 \$\\mathrm{P-}\$은 무엇으로 나타낼 수 있는가?", "본문의 Table. 3을 보았을 때 PE05의 \$\\mathrm{P-}\$은 무엇으로 나타낼까?", "본문의 Table. 3을 보았을 때 PE07의 \$\\mathrm{P-}\$은 무엇으로 나타낼 수 있지?", "본문의 Table. 3의 경우에서 PE12의 EFD은 어떤 것으로 나타내지?", "본문의 Table. 3의 경우에서 PE11의 EFD은 어떤 것으로 나타내?", "본문의 Table. 3에서 PE01의 \$\\mathrm{P+}\$은 무엇으로 나타내?", "본문의 Table. 3에서 PE07의 \$\\mathrm{P+}\$은 무엇으로 나타낼 수 있니?" ]
ee062822-a876-441e-9c94-d66509e332eb	인공물ED	정확한 기생 성분을 고려한 ITRS roadmap 기반 FinFET 공정 노드별 회로 성능 예측	<h1>III. 기생 커패시턴스 모델</h1> <p>모델링 단계에서와 같이 미소성분 분할 후 기생 커패시턴스 모델링을 진행한다. 분할된 미소성분은 그림 4에 도시되어 있으며 우선 식 (1) 과 같이 전체 기생 성분 커패시턴스를 각 전도된 노드에 따라서 게이트에서핀까지 기생 커패시턴스($C_{gf}$), 게이트에서 RSD까지 기생 커패시턴스($C_{gr}$) 그리고 게이트에서 metal contact까지 기생 커패시턴스로($G_{gm}$) 분할한다.</p> <p>$ C_{\text {total }}=C_{g f}+C_{g r}+C_{g m} $<caption>(1)</caption></p> <table border><caption>표 2. FinFET 기생 커패시턴스 미소성분 분류</caption> <tbody><tr><td>전계 형태</td><td>(a)</td><td>(b)</td><td>(c)</td></tr><tr><td>미소 성분</td><td>$ \mathrm{C}_{\mathrm{gr}} \mathrm{par} $ $ \mathrm{C}_{\mathrm{gm}} $ par</td><td>$ \mathrm{C}_{\text {gr side }} $</td><td>$ \mathrm{C}_{\mathrm{gf}} $ upp $ \mathrm{C}_{\mathrm{gf}} $ sido, $ \mathrm{C}_{\mathrm{gr}} $ top $ \mathrm{C}_{\mathrm{gm} \text { toph }} \mathrm{C}_{\mathrm{gm}} $ side</td></tr></tbody></table> <p>분할된 커패시턴스는 구조에 따라서 한 번 더 분할된다. $ \mathrm{C}_{\mathrm{gf}} $ 는 $ \mathrm{C}_{\mathrm{gf}} \operatorname{tap}, \mathrm{C}_{\mathrm{gfside}} $ 로 분할되며, $ \mathrm{C}_{\mathrm{gr}} $ 은 $ \mathrm{C}_{\mathrm{grpar}} $ , $ \mathrm{C}_{\mathrm{grside}} $ , $ \mathrm{C}_{\mathrm{grtop}} $ 그리고 $ \mathrm{C}_{\mathrm{gm}} $ 은 $ \mathrm{C}_{\mathrm{gmpar}} $, $ \mathrm{C}_{\mathrm{gmside}} $ , $ \mathrm{C}_{\mathrm{gm top}} $ 으로 분할된다.</p> <p>각각 분할된 미소 커패시턴스 성분은 그림 5와 같이세 가지 형태의 전계 형태로 구분된다. 그림 5 (a)와 같은 마주보는 노드 사이에서 전계가 발생하는 평판 커패시턴스, 그림 5 (b)와 같이 노드가 서로 평행한 위치에있는 coplanar 커패시턴스 그리고 수직한 위치관계를 가지는 노드 사이에서 전계가 발생하는 그림 5 (c)와 같은 형태를 갖는 perpendicular 커패시턴스로 구분된다. 표 2는 각 미소분할 기생 커패시턴스들을 세 가지형태의 전계 형태로 정리한 것이다. 평판 구조의 기생커패시턴스는 식 (2)로 모델링된다.</p> <p>$ C_{\text {par }}=\varepsilon \frac{L_{1} L_{2}}{d} \beta $<caption>(2)</caption></p> <p>RSD 구조 변화에 따라 달라지는 기생 커패시턴스성분은 변화하는 구조에 따라서 변수 $\beta$를 조절해 적용한다.</p> <p>평행한 위치의 두 전도 노드에서 발생하는 전계인 그림 5의 (b) 모델은 conformal mapping method 중 Schwarz - Christoffel 방식을 적용했다.</p> <p>$ C_{c o-\text { planar }}=\frac{\epsilon_{o x} H}{2 \pi} \times \ln \left[1+2 \delta\left(\frac{\sqrt{ }\left(L_{1}+L_{2}\right)\left(L_{1}+d\right) L_{1} L_{2}}{\left(d+L_{1}+L_{2}\right) d}\right)^{\gamma}\right] $<caption>(3)</caption></p> <p>평행한 두 메탈(L1 과 L2)의 길이 차이를 보정하기 위한 변수로 $\gamma$를 적용하였으며, Schwarz - Christoffel 방식에서 동심원의 뒤틀림으로 발생하는 오차를 $ \delta $를 도입해 보정했다.</p> <p>세 번째 분할된 미소전계 형태는 수직하는 두 메탈사이에서 발생하는 perpendicular 커패시턴스이다. 수직하는 두 전계를 형성하는 두 전도체 사이에서 전도체 길이가 크게 차이 날 경우 피팅 변수를 도입해도 발생하는 오차를 줄이기가 쉽지 않다. 현격한 두 메탈 길이차이로 인해 발생하는 오차를 줄이기 위해 metal 1과metal 2 사이의 전계를 E1과 E2로 분할해 서로 다른 두conformal mapping 방식을 도입해 기생 커패시턴스 모델링을 진행했다.</p> <p>Perpendicular 기생 커패시턴스 모델은 수식 (4)와 같으며, 수식에 사용된 피팅 변수 $ \eta $와 $k$는 각각 서로 다른 길이에 대한 보정을 위한 피팅 변수이다.</p> <p>$ C_{c o-\text { sicnar }}=\frac{\epsilon_{a \mathrm{c}} H}{2 \pi} \ln \left[1+\frac{\left.\eta \min \left(L_{1}, L_{2}\right)+\sqrt{\frac{\left(\eta \min \left(L_{1}, L_{2}\right)\right)^{2}}{+2 \eta \min \left(L_{1}, L_{2}\right) d}}\right]}{d}\right] $ $ +\frac{2 \epsilon_{o s} H}{\pi} \ln \left[\frac{\pi \mathrm{min}\left(L_{1}, L_{2}\right)}{d}\right] $<caption>(4)</caption></p> <p>각 전계 형태에 따른 기생 커패시턴스 모델은 $L_{1}$, $L_{2}$ $d$그리고 $H$의 일반화된 구조 변수로 표현했다. 그림 4에 정의된 미소 기생 커패시턴스 성분과 연관된 구조 변수(그림2)는 표 3에 정리했다.</p> <table border><caption>표 3. 기생 커패시턴스 미소성분 별 FinFET 구조 변수</caption> <tbody><tr><td>모델</td><td>$L_{1}$</td><td>$L_{2}$</td><td>d</td><td>H</td></tr><tr><td>$ C_{g f} \operatorname{lop} $</td><td>$ \mathrm{T}_{\text {galc }} $</td><td>$ I_{\text {cxt }} $</td><td>$ T_{o x} $</td><td>$ W_{\text {fin }} $</td></tr><tr><td>$ \mathrm{C}_{\mathrm{gf}} $ side</td><td>$W_{g}$</td><td>$L_{ext}$</td><td>$T_{ox}$</td><td>$H_{fin}$</td></tr><tr><td>$C_{gm top}$</td><td>$ \mathrm{II}_{\mathrm{con}}+\mathrm{I}_{\mathrm{rsd}}-\mathrm{I}_{\mathrm{g}} $</td><td>$ 0.5 \mathrm{~L}_{\mathrm{g}} $</td><td>$ 0.5\left(\mathrm{~L}_{\text {red }}-\mathrm{L}_{\text {oun }}\right)+\mathrm{L}_{\mathrm{ext}} $</td><td>$W_{con}$</td></tr><tr><td>$C_{gm side}$</td><td>$ \mathrm{W}_{\mathrm{g}}-0.5 \mathrm{~W}_{\text {rsd }} $</td><td>$L_{con}$</td><td>$L_{ext}$</td><td>$H_{g}$</td></tr><tr><td>$C_{gr top}$</td><td>$ 0.5\left(\mathrm{~L}_{\text {red }}-\mathrm{L}_{\mathrm{emn}}\right) $</td><td>$L_{g}$</td><td>$L_{ext}$</td><td>$W_{rsd}$</td></tr><tr><td>$C_{gr side}$</td><td>$L_{rsd}$</td><td>0.5 $L_{g}$</td><td>$L_{ext}$</td><td>$H_{rsd}$</td></tr><tr><td>$C_{gr par}$</td><td>$W_{rsd}$</td><td>$H_{rsd}$</td><td>$L_{ext}$</td><td></td></tr><tr><td>$C_{gm par}$</td><td>$H_{g} - H_{rsd}$</td><td>$W_{con}$</td><td>$ 0.5\left(\mathrm{~L}_{\mathrm{rsd}}-\mathrm{L}_{\mathrm{con}}\right)+\mathrm{L}_{\mathrm{ext}} $</td><td></td></tr></tbody></table>	[ "전체 기생 성분 커패시턴스는 어떻게 분할될 수 있는가?", "평판 구조의 기생 커패시턴스는 어떻게 모델링될 수 있는가?", "평판 구조의 기생 커패시턴스의 모델링은 어떻게 수식으로 나타낼 수 있어?", "perpendicular 기생 커패시턴스는 어떻게 모델링될 수 있는가?", "전계 형태 a에서 FinFET 기생 커패시턴스의 미소성분은 무엇인가?", "기생 커패시턴스 미소성분 \$ C_{g f} \\operatorname{lop} \$의 구조 변수 \$L_{1}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$ C_{g f} \\operatorname{lop} \$의 구조 변수 \$L_{2}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$ C_{g f} \\operatorname{lop} \$의 구조 변수 d은 무엇인가?", "기생 커패시턴스 미소성분 \$ C_{g f} \\operatorname{lop} \$의 구조 변수 H은 무엇인가?", "기생 커패시턴스 미소성분 \$ \\mathrm{C}_{\\mathrm{gf}} \$ side의 구조 변수 \$L_{1}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$ \\mathrm{C}_{\\mathrm{gf}} \$ side의 구조 변수 \$L_{2}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$ \\mathrm{C}_{\\mathrm{gf}} \$ side의 구조 변수 d은 무엇인가?", "전계 형태 b에서 FinFET 기생 커패시턴스의 미소성분은 무엇인가?", "전계 형태 c에서 FinFET 기생 커패시턴스의 미소성분은 무엇인가?", "기생 커패시턴스 미소성분 \$ \\mathrm{C}_{\\mathrm{gf}} \$ side의 구조 변수 H은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm top}\$의 구조 변수 \$L_{1}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm top}\$의 구조 변수 \$L_{2}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm top}\$의 구조 변수 d은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm top}\$의 구조 변수 H은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm side}\$의 구조 변수 \$L_{1}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm side}\$의 구조 변수 \$L_{2}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm side}\$의 구조 변수 d은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gm side}\$의 구조 변수 H은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gr top}\$의 구조 변수 \$L_{1}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gr top}\$의 구조 변수 \$L_{2}\$은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gr top}\$의 구조 변수 d은 무엇인가?", "기생 커패시턴스 미소성분 \$C_{gr top}\$의 구조 변수 H은 무엇인가?" ]
ebb25269-b4bf-4f9e-91a0-c7db8786a6d9	인공물ED	정확한 기생 성분을 고려한 ITRS roadmap 기반 FinFET 공정 노드별 회로 성능 예측	<h1>VI. 소신호 등가모델 및 DC 피팅</h1><p>검증이 완료된 모델을 통해서 기생 성분이 FinFET특성에 미치는 영향을 분석하기 위해서는 개발된 기생커패시턴스 및 저항의 해석적 모델을 BSIM-CMG에 Verilog-A를 통해서 구현해야 한다. BSIM-CMG 내부에 구현이 완료 된 후, 두 가지 절차를 통해 기생 성분에 의한 FinFET 성능변화 예측을 진행했다. 첫 번째는 소신호 등가모델의 성분들을 추출해 소자의 RF 특성을추출하는 방법 그리고 두 번째는 SPICE 시뮬레이션 진행을 통해서 회로 특성 시뮬레이션을 진행하는 것이다.</p><p>FinFET의 소신호 등가 모델은 그림 10과 같이 도시할 수 있는데, gate에서 source와 drain 까지 내부 intrinsic 영역(파선 내부)의 저항 및 커패시턴스 그리고컨덕턴스를 등가하고 intrinsic영역 외부에 $ \mathrm{C}_{\mathrm{gs}, \mathrm{fr}}, \mathrm{C}_{\mathrm{gd}, \mathrm{fr}} $$ \mathrm{R}_{\mathrm{g}}, \mathrm{R}_{\mathrm{s}}, \mathrm{R}_{\mathrm{d}} $ 등의 extrinsic 성분들을 등가하면 소신호 등가모델이 완성된다. 위 등가 모델을 통해서 FinFET소자의 Unity current gain frequency와 Maximumoscillation frequency를 추출 가능하다.</p><p>SPICE 회로 시뮬레이션을 통한 회로 특성 예측을 위해서 SPICE 시뮬레이션은 개발된 기생 커패시턴스 및 저항의 해석적 모델을 Verilog-A로 구현한BSIM-CMG가 사용되었다. SPICE 시뮬레이션을 진행하면서 특성 비교를 위해 모델 검증 과정에서와 같이, 본 연구에서 제안한 모델과 BSIM-CMG에서 제공하는 모델을 비교했다. 기생 커패시턴스 모델만의 비교를 진행하기 위해서는 기생 성분 부분을 제외한 코어모델의 전기적 특성이 동일 조건으로 적용되어야 한다.이를 위해 DC 피팅을 진행했다. 피팅 알고리즘은 그림11의 순서로 진행한다. 참고 논문의 측정 데이터를 통해서 원하는 소자의 이동도, 도핑 농도, 일함수 등을 결정했다. 일함수와 도핑 농도가 가장 중요한 변수로 사용되는데 그 이유는 동작 전류와 문턱 전압에 가장 밀접하게 관련된 변수이기 때문이다. 주요 변수의결정이 완료되면 기준이 되는 문턱 전압과 가까운 값을설정한다. TCAD로부터 추출한 effective gate length값을 결정하는 LINT 값을 적용해 문턱 전압 값을 피팅했다. 문턱 전압이 피팅된 후 DIBL 피팅을 진행한다.DIBL 값은 DSUB와 ETA가 피팅 변수로 사용되었으며, SS는 source와 drain 사이의 커플링 커패시턴스를조절하는 피팅 변수 CDSC와 CDSCD를 조절해 진행한다. 동작전류와 대기전류 피팅은 IDS0MULT, DROUT,RDSW, VSAT, 과 같은 전류와 직접적인 연관관계가큰 피팅 변수를 결정해 진행한다. DC 피팅 오차와 특성값은 표 4에 정리되어 있으며 각 공정에서 사용된 공급전압은 0.8 $\mathrm{V}$, 0.75 $\mathrm{V}$, 0.7 $\mathrm{V}$, 그리고 0.65 $\mathrm{V}$ 이다. 각공정별로 각 DC 특성에 대한 평균 오차 0.11 $\%$ ~ 7.39$\%$를 가지도록 피팅을 완료했다. 그림 12는 DC 피팅이완료된 I-V 그래프 이며 각 공정 별로 saturation 상태와 linear 상태일 때를 도시했다.</p><table border><caption>표 4. 공정 단위별 FinFET DC 특성</caption><tbody><tr><td rowspan="2">DC특성</td><td colspan="2">DIBL(mV/V)</td><td colspan="2">SS(V/V)</td><td colspan="2">$I_{on}$(uA)</td><td colspan="2">$I_{off}$(nA)</td></tr><tr><td>N</td><td>P</td><td>N</td><td>P</td><td>N</td><td>P</td><td>N</td><td>P</td></tr><tr><td rowspan="2">5nm</td><td>54</td><td>56</td><td>90</td><td>76</td><td>30.6</td><td>31.9</td><td>3.77</td><td>3.77</td></tr><tr><td>0.46</td><td>0.00</td><td>4.65</td><td>17.0</td><td>0.15</td><td>0.23</td><td>0.07</td><td>0.02</td></tr><tr><td rowspan="2">7nm</td><td>41.9</td><td>47</td><td>82.4</td><td>71</td><td>37.7</td><td>38.3</td><td>4.44</td><td>4.54</td></tr><tr><td>0.06</td><td>0.03</td><td>0.56</td><td>7.79</td><td>0.44</td><td>0.02</td><td>0.43</td><td>0.29</td></tr><tr><td rowspan="2">10nm</td><td>45</td><td>30.6</td><td>83</td><td>67</td><td>46.8</td><td>47.4</td><td>5.42</td><td>5.44</td></tr><tr><td>0.00</td><td>2.18</td><td>16.9</td><td>4.30</td><td>0.03</td><td>0.09</td><td>0.04</td><td>0.18</td></tr><tr><td rowspan="2">16nm</td><td>30.1</td><td>34.9</td><td>66</td><td>66.3</td><td>56.6</td><td>54.1</td><td>6.51</td><td>6.47</td></tr><tr><td>0.41</td><td>0.03</td><td>1.78</td><td>0.46</td><td>0.01</td><td>0.09</td><td>0.21</td><td>0.39</td></tr><tr><td>오차(%)</td><td>0.23</td><td>0.56</td><td>5.97</td><td>7.39</td><td>0.16</td><td>0.11</td><td>0.19</td><td>0.22</td></tr></tbody></table>	[ "기생 성분이 검증이 완료된 모델을 통해서 FinFET특성에 어떤 영향을 주는지 분석하기 위해 개발된 기생커패시턴스 및 저항의 해석적 모델을 어떻게 구현해?", "표 4는 DC 피팅 오차와 특성값이 나와 있는데 각 공정별로 DC 특성에 대한 평균 오차를 어떻게 셋팅하여 피팅을 완료한거야?", "표 4. 공정 단위별 FinFET DC 특성에서 공정이 5nm 일 때 DIBL(mV/V)의 N 채널일 때 값이 뭐야?", "표 4. 공정 단위별 FinFET DC 특성에서 공정이 7nm 일 때 DIBL(mV/V)의 N 채널일 때 값이 뭐야?", "표 4. 공정 단위별 FinFET DC 특성에서 공정이 7nm 일 때 DIBL(mV/V)의 P 채널일 때 값이 뭐야?", "표 4. 공정 단위별 FinFET DC 특성에서 공정이 10nm 일 때 SS(V/V)의 N 채널일 때 값이 뭐야?", "표 4. 공정 단위별 FinFET DC 특성에서 공정이 10nm 일 때 SS(V/V)의 P 채널일 때 값이 무엇입니까", "표 4. 공정 단위별 FinFET DC 특성에서 공정이 10nm 일 때 \$I_{off}\$(nA)의 N 채널일 때 값이 어떻게 되지" ]
ade3e29b-dee0-4edf-a436-d8a59ddfc611	인공물ED	정확한 기생 성분을 고려한 ITRS roadmap 기반 FinFET 공정 노드별 회로 성능 예측	<h1>II. 모델링 구조 및 시뮬레이션 방법</h1> <p>본 논문에서 각 공정 노드에서 사용된 구조 변수들의값은 그림 1의 TEM과 실제 22 $\mathrm{nm}$ FinFET 구조가 기재된 참고 논문을 통해서 추출하였고, ITRS를 통해서 공정 단위 변화 비율을 적용해 결정했다. 기존FinFET 구조에서 공정 단위가 줄어듦에 따라 영향이 증가한 metal contact 구조를 추가하였고, RSD 영역은실제 공정 구조와 동일한 다각형 구조를 갖는 S/D 구조로 모델링을 진행했다. 본 논문의 해석적 모델링을위한 FinFET의 단면도가 그림 2에 도시되어있다. 그림2의 (a)의 모델링을 진행한 3차원 구조를 보면 FinFET의 영역은 게이트 메탈, RSD 영역, 핀 확장 영역, metalcontact 영역으로 나뉜다. 그림 2의 각 영역에서 구조변수로 FinFET 기본 구조가 정의되며, 각 공정에 따라16 $\mathrm{nm}$, 10 $\mathrm{nm}$, 7 $\mathrm{nm}$, 5 $\mathrm{nm}$에 상응하는 구조 변수들을표 1에 규정했다.</p> <p>기생 성분 모델링 단계는 크게 세 단계로 구분된다.첫 번째로 각 기생 성분의 미소성분 분할을 위해 TCAD 시뮬레이션을 진행한다. 그림 3은 전계 및 전류이동 경로를 토대로 미소성분 분할을 위한 TCAD 시뮬레이션 결과이다. 기생 커패시턴스의 미소성분 분할을위해서는 각각의 전도된 노드 사이에서 발생하는 전계를 분할해야한다. 전도된 노드는 게이트에서 핀, RSD그리고 metal contact까지 발생하는 전계로 구분 가능하고, 각 분할된 전계에서 전도된 노드들 사이의 기하학적 구조에 따라서 다시 더 작은 미소전계로 분할 가능하다. 기생 저항은 contact과 silicon 접합면에서 발생하는 전류와 RSD silicide 부분에서 channel이 시작되는 핀 끝까지의 전류로 나뉜다.</p> <table border><caption>표 1. 공정 단위별 FinFET 구조 변수 설명</caption> <tbody><tr><td rowspan="2">구조변수</td><td rowspan="2">설명</td><td colspan="4">공정 노드</td></tr><tr><td>16nm</td><td>10nm</td><td>7nm</td><td>5nm</td></tr><tr><td>$L_{g}$</td><td>gate length</td><td>20.00</td><td>16.70</td><td>13.90</td><td>11.60</td></tr><tr><td>$T_{ox}$</td><td>Oxide thickness</td><td>2.56</td><td>2.53</td><td>2.49</td><td>2.42</td></tr><tr><td>$F_{pitch}$</td><td>Fin pitch</td><td>50.44</td><td>42.08</td><td>35.11</td><td>29.29</td></tr><tr><td>$H_{fin}$</td><td>Fin height</td><td>27.08</td><td>22.59</td><td>18.85</td><td>15.73</td></tr><tr><td>$T_{gate}$</td><td>Gate top</td><td>30.07</td><td>25.08</td><td>20.93</td><td>36.04</td></tr><tr><td>$T_{fin}$</td><td>Fin thickness</td><td>10.83</td><td>9.04</td><td>7.54</td><td>6.29</td></tr><tr><td>$W_{g}$</td><td>Gate wing</td><td>19.00</td><td>15.79</td><td>13.11</td><td>10.89</td></tr><tr><td>$L_{ext}$</td><td>Fin extension</td><td>8.29</td><td>6.92</td><td>5.77</td><td>4.81</td></tr><tr><td>$L_{rsd}$</td><td>RSD length</td><td>37.23</td><td>31.06</td><td>25.91</td><td>21.62</td></tr><tr><td>$L_{con}$</td><td>Contact length</td><td>14.40</td><td>12.02</td><td>10.00</td><td>8.30</td></tr><tr><td>$W_{rsd}$</td><td>RSD width</td><td>35.31</td><td>29.46</td><td>24.57</td><td>20.50</td></tr><tr><td>$W_{con}$</td><td>Contact width</td><td>35.31</td><td>29.46</td><td>24.57</td><td>20.50</td></tr><tr><td>$H_{epi}$</td><td>RSD epi</td><td>12.28</td><td>10.24</td><td>8.55</td><td>7.13</td></tr><tr><td>$H_{rsd}$</td><td>RSD height</td><td>27.83</td><td>23.22</td><td>19.37</td><td>16.16</td></tr><tr><td>$H_{con}$</td><td>Contact height</td><td>80.68</td><td>67.19</td><td>56.02</td><td>46.75</td></tr></tbody></table> <p>두 번째 과정은 분할된 미소성분의 해석적 모델 개발과정으로 미소 분할된 전계와 전류 경로는 각 미소 기생 커패시턴스와 미소 기생 저항 성분으로 모델링된다.</p> <p>마지막 단계는 검증 단계로서 개발된 미소성분 모델의 총합과 검증 자료인 TCAD 시뮬레이션의 총합이 동일할 때 해석적 모델이 개발이 완료된다. 이러한 기생성분 개발을 위해 표 1의 공정 단위에 따른 구조 변화에 따라 TCAD 3D Field Solver Raphael을 통해 각 기생 성분의 검증 데이터를 추출했다.</p>	[ "각 공정 노드에 사용된 구조 변수의 값은 어떻게 선정됐을까?", "논문에서 제안하는 FinFET 구조는 기존의 FinFET 구조로부터 어떻게 변경되었을까?", "논문에서는 RSD 영역을 어떻게 설계했을까?", "RSD 영역을 논문에서는 어떻게 설계 했지?", "기생 성분 모델링의 첫 번째 단계는 어떻게 수행될까?", "기생성분 개발을 위한 검증 데이터는 어떻게 획득했을까?", "FinFET 구조변수 \$L_g\$가 의미하는 것은 무엇일까?", "16 \$\\mathrm{nm}\$ 공정에서 게이트 길이는 얼마인가?", "\$L_g\$ 값으로 13.90을 가지는 공정 노드는 무엇일까?", "\$5 \\mathrm{nm}\$ 공정 노드에서 \$L_g\$의 값은 얼마인가?", "\$16 \\mathrm{nm}\$ 공정 노드에서 가장 작은 값을 가지는 구조변수는 무엇인가?", "\$T_{ox}\$는 \$10 \\mathrm{nm} \$ 공정에서 얼마의 값을 가질까?", "\$T_{ox}\$이 각 공정 노드에서 가지는 값 중 가장 작은 값은 얼마인가?", "Oxide thickness를 가리키는 FinFET 구조 변수는 무엇일까?", "FinFET 구조변수 \$F_{pitch}\$가 가리키는 것은 무엇인가?", "Fin pitch 값은 \$10 \\mathrm{nm} \$ 공정노드에서 얼마의 값을 가질까?", "\$7 \\mathrm{nm} \$ 공정 노드에서 사용된 Fin pitch 값은 얼마인가?", "\$F_{pitch}\$ 값으로 29.29를 사용하는 공정노드는 어디일까?", "Fin height를 가리키는 구조변수는 무엇인가?", "공정 노드가 \$16 \\mathrm{nm} \$일 때 \$H_{fin}\$의 값은 얼마인가?", "가장 작은 공정 노드에서 사용하는 Fin height 값은 얼마일까?", "FinFET 구조 변수 중 \$T_{gate}\$는 무엇을 의미할까?", "가장 긴 공정 노드에서 \$T_{gate}\$의 값은 얼마인가?", "\$10 \\mathrm{nm} \$ 공정노드에서 사용하는 Gate top의 값은 얼마인가?", "Fin thickness를 나타내는 FinFET 구조 변수는 무엇인가?", "\$T_{fin}\$의 값으로 9.04를 사용하는 공정 노드는 무엇일까?", "가장 작은 공정 노드에서의 \$T_{fin}\$ 값은 얼마인가?", "FinFET 구조변수 \$W_g\$이 의미하는 것은 무엇일까?", "Gate wing에 사용되는 값 중 가장 큰 값은 얼마인가?", "가장 작은 \$W_g\$ 값을 사용하는 공정 노드는 무엇일까?", "Fin extension을 나타내는 FinFET 구조 변수는 무엇일까?", "\$10 \\mathrm{nm} \$에 상응하는 \$L_{ext}\$ 값은 얼마인가?", "공정 노드 별 Fin extension 값 중 가장 작은 값은 얼마인가?", "FinFET 구조 변수 \$L_{rsd}\$가 의미하는 것은 무엇일까?", "가장 큰 \$L_{rsd}\$ 값을 사용하는 공정 노드는 무엇일까?", "\$7 \\mathrm{nm} \$ 공정 노드에 사용되는 RSD length는 얼마인가?", "RSD width를 나타내는 변수는 무엇인가?", "\$W_{rsd}\$가 7nm 공정 노드에서 사용되는 값은 얼마인가?", "공정 노드 별 변수의 값이 \$W_{rsd}\$와 동일한 구조변수는 무엇인가?", "공정 노드 별 Contact width 값 중 가장 작은 값은 얼마인가?", "Contact width 값으로 29.46을 사용하는 공정 노드는 무엇인가?", "RSD epi를 나타내는 구조 변수는 무엇일까?", "7 nm 공정노드에서 사용하는 RSD epi는 얼마인가?", "구조변수 \$H_{rsd}\$가 가리키는 것은 무엇일까?", "5nm 공정노드에서 RSD height 값으로는 얼마를 사용할까?", "Contact height는 가장 긴 공정 노드에서 얼마의 값을 사용할까?", "구조변수 \$H_{con}\$에 대한 설명은 무엇인가?" ]
bbdb4648-9b53-4db5-88ae-16c825e06339	인공물ED	접촉연소식 센서의 열 특성 및 가스반응의 모델링	<h1>2. 이론</h1><p>상용 접촉연소식 센서는 백금 코일 위에 알루미나 재질의 담체를 형성한 구조가 일반적이다. 담체에는 백금이나 팔라듐 같은 귀금속 촉매가 포함되어 연소성 가스가 비교적 낮은 온도에서도 잘 연소될 수 있다. 담체의 연소효율이 높은 감지소자와 유리질로 코팅되어 연소효율을 저하시킨 보상소자가 한 조로 마운트에 패키지 되어 있다. 소자에 전력이 인가되면 백금열선에서 발생한 Joule열에 의해 소자의 온도가 상승한다. 소자의 형태에 따라 상승하는 시간과 정상 온도가 달라진다. 온도가 상승하면 내부의 백금코일은 온도에 비례하여 저항이 증가한다. 가열된 센서에 가연성 가스가 도달하면 담체에서 연소가 일어나계 연소열이 발생하여 소자의 온도를 더욱 상승된다. 증가된 온도만큼 소자의 저항은 증가를 하게 되고, 저항 차이는 휘트스톤 브리지 회로에서 불평형 전압으로 출력되는데 이때 출력값은 가연성 가스의 농도에 선형적으로 비례한다.</p><h1>3. 모델의 설계</h1><p>접촉연소식 센서의 구조에서 열은 백금 열선에서 발생하여 담체로 전도되고 담체표면에서 대류에 의해 공기 중으로 유출된다. 또한 일부의 열은 패키지의 마운트에 연결된 백금선을 통해 전도되어 나간다. 열선에서 발생하는 열량에 대한 소자의 열 특성을 대표적인 유한오소법 해석 프로그램인 ANSYS를 이용하여 해석하였다. 정상상태에서 발열량과 온도관계, 온도의 위치적 분포톡성. 발열이 순간적으로 이루어질 때의 시간응답특성을 살펴보았다. 그림 1은 해석에서 얻은 정상상태에서의 온도분포이다. 마운트에 연결된 부분을 제외하고 전체적으로 온도분포가 고른 것을 알 수 있다. 그림 2는 열량과 소자의 정상상태 온도에 대한 그래프이다. 열량과 소자의 상승온도가 선형적으로 증가함을 알수 있다. 그림 3은 가열에 대한 시간응답특성을 나타낸 것이다. 지수함수를 포함한 수식과 잘 일치하고 있음을 알 수 있다.</p><p>유한요소 해석의 결과 소자의 열적 특성이 발열체를 전류원, 열전도와 대류를 저항소자로, 열용량을 커패시터로 표현한 등가 전기회로를 구성할 수 있다. 등가회로에서는 열량이 전류로, 온도는 전압으로 표현된다. 실제 소자의 등가회로는 비접촉식 온도계와 공급된 전력의 비례관계를 측정하여 등가 저항올 계산하고, 소자의 시간적 저항변화 그래프에서 얻은 시간함수로 부터 시상수를 구하여 등가 커패시턴스를 계산하여 그림 4와 같이 등가회로로 표현하였다.</p><p>발열량은 소자에서 소모된 전럭과 같다. 저항이 변하는 비선형 소자이므로 전압과 전류를 곱하여 전력을 게산하였다. 소자의 저항특성은 백금저항체의 온도-저항특성을 따랐다. 실험적으로 측정한 $ \alpha $ 는 0.003136이었으며 온도와 저항의 관계는 식 (1)과 같다. 이 식을 모델에 구현하기 위해 2전압제어 전류원을 사용하였다. 소자의 두 단자와 전력-발열, 온도-저항 관계를 구현한 모델을 그림 5(a)에 나타내었다.</p><p>$ R(T)=R_{o}\left(1+\alpha^{\prime} T\right) $ $ \left(T=2.10 \times P, \quad \alpha^{2}=0.003136\right) $<caption>(1)</caption></p><p>$ \begin{aligned} I_{C D} &=\frac{V_{C D}}{R(T)} \\ &=\frac{V_{C D}}{R_{o}\left(1+\alpha^{\prime}\left(V_{T}-V_{\text {ronm }}\right)\right)} \end{aligned} $<caption>(2)</caption></p><p>접촉연소식 센서에서 가연성 가스는 소자가 특정온도 이상에서만 연소된다. 또 온도가 상승함에 따라 연소율이 점차 증가하게 된다. 그러나 특정온도 이상이 되면 가스의 확산과 흡탈착 속도에 의해 연소율이 포화된다. 연소시작온도, 포화온도, 각 가스가 가지는 폭발하한농도에서의 발열량은 소자의 크기나 촉매의 종류, 구조에 따라 결정된다. 대부분의 상용 접촉연소식 센서에서는 폭발하한농도 이내의 범위에서는 농도에 대한 출력의 선형성적 출력을 나타낸다. 이와같은 이론에서 온도와 연소율의 관계를 그림 6과 같이 표현할 수 있다. 연소시작 온도와, 포화온도, 폭발하한농도의 한계발열량은 저농도와 폭발하한농도에 서 전압에 대한 출력 특성을 실험적으로 측정한 자료로부터 휘트스톤 브리지 회로의 출력과 저항변화관계, 전력-열량변화비율, 온도-저항특성 관계식으로부터 계산할 수 있다. 폭발하한농도에서 연소열량의 계산 식을 식(3)에 나타내었다. RT는 열등가회로의 저항이고 rcd는 보상소자가 검지소자에 대해 가지는 감도비이다. 실험적으로 측정된 보상소자의 감도는 검지 소자의 $ 12 \% $ 정도이나. $ \alpha^{\prime} $은 소자의 실효적인 온도저항계수이다.</p><p>$ \Delta Q \cdot \frac{\Delta T}{R_{T}}=\frac{2}{\left(1-r_{\mathrm{de}}\right) \alpha^{2} R_{T}} \frac{V_{T}}{V_{i}} $<caption>(3)</caption></p><p>위와 같은 온도-열량의 관계를 회로소자로 구현하면 그림 5의 (b)와 같이 나타낼 수 있다. 가스의 농도는 전압으로 입력되고 이를 폭발하한농도에 대한 상대적인 비로 변환한다. 연소열량의 비율과 연소율의 증가, 포화 상태를 선택하여 열량으로 열등가회로에 공급되도록 구성하였다. 보상소자 모델은 열 특성이 검지소자와 유사하므로 열 등가회로와 전력-열량 변환부, 온도-저항 연산부는 동일하게 사용할 수 있다. 감도특성은 검지소자에 비해 약 0.12배 하였다. 보상소자는 유리질로 코팅되어 담체의 미세가공이 거의 없으므로 흡, 탈착과 확산에 의한 속도제한이 적다. 이를 반영하여 보상소자의 모델을 설계하였다.</p>	[ "상용 접촉연소식 센서는 백금 코일 위에 어떤 재질의 담체를 형성하는 게 일반적이야?", "백금 코일 위에 알루미나 재질의 담체를 형성한 상용 접촉연소식 센서는 특이한 구조를 가졌야?", "담체에 무엇을 코팅하면 연소효율을 저하시킨 보상소자를 만들 수 있어?", "담체에는 어떤 촉매가 포함되어 연소성 가스가 비교적 낮은 온도에서도 잘 연소돼?", "귀금속 촉매에는 백금이나 팔라듐이 포함되어 있어?", "담체의 연소효율이 높인 것을 보상소자라고 해?", "상승하는 시간과 정상 온도는 소자의 무엇에 따라 달라져?", "소자에 전력이 가면 백금열선에서 발생한 Joule열에 의해 소자의 무엇이 상승하게 돼?", "내부의 백금코일의 저항은 온도의 상승에 비례해?", "백금코일은 온도에 비례하여 온도가 상승하면 무엇이 증가해?", "가열된 센서에 무엇이 도달하면 소자의 온도가 더욱 상승해?", "가열된 센서에 가연성 가스가 도달하면 소자의 온도가 더 상승하는 것은 담체에서 연소가 일어나서야?", "가열된 센서에 가연성 가스가 도달하면 무엇이 발생해?", "온도가 증가하면 소자의 무엇이 증가해?", "가열된 센서에 가연성 가스가 도달하면 소자의 저항이 증가하게 돼?", "저항 차이는 어떤 회로에서 불평형 전압으로 출력돼?", "휘트스톤 브리지 회로에서 출력되는 출력값은 무엇의 농도에 선형적으로 비례해?", "휘트스톤 브리지 회로에서 불평형 전압으로 출력되는 출력값은 가연성 가스의 농도에 선형적으로 비례해?", "일부 열은 패키지 마운트에 연결된 무엇을 통해 빠져나가?", "접촉연소식 센서의 구조에서 열은 어떻게 공기 중으로 유출되는 거야?", "접촉연소식 센서의 구조에서 열은 모두 담체표면에서 대류에 의해 공기 중으로 나가?", "ANSYS는 유한오소법 해석 프로그램 중 하나야?", "열선에서 발생하는 열량에 대한 소자의 열 특성을 무엇을 이용해서 해석하였어?", "정상상태에서의 온도분포에서 어디에 연결된 부분을 제외하면 전체적으로 고르게 분포되어 있어?", "ANSYS를 이용해서 발열이 순간적으로 이루어질 때의 어떤 특성을 살펴보는 거야?", "열량과 소자의 정상상태 온도에 대한 그래프를 통해 열량과 소자의 상승온도가 어떻게 증가하는 것을 알 수 있어?", "정상상태에서는 제외없이 모든 부분에서 전체적으로 고른 온도분포야?", "유한요소 해석을 통해 소자의 열적 특성을 등가 전기회로를 구성할 수 있어?", "유한요소 해석의 결과 열전도와 대류를 무엇으로 표현할 수 있어?", "등가회로에서 온도를 무엇으로 표현해?", "등가회로에서는 열량을 전압으로 표현할 수 있어?", "실제 소자의 등가회로는 공급된 전력과 비접촉식 온도계의 어떤 관계를 측정하여 등가 저항을 계산했어?", "소자의 시간적 저항변화 그래프에서 얻은 시간함수로 무엇을 구할 수 있어?", "소자의 시간적 저항변화 그래프에서 얻은 시간함수로 시상수를 구해 계산하고자 하는 게 뭐야?", "접촉연소식 센서에서 온도가 상승하면 무엇이 점점 증가해?", "소자에서 소모된 전럭은 무엇과 같아?", "본문에서 소자의 저항특성을 백금저항체의 무엇을 따랐어?", "본문의 \$ R(T)=R_{o}\\left(1+\\alpha^{\\prime} T\\right) \$ \$ \\left(T=2.10 \\times P, \\quad \\alpha^{2}=0.003136\\right) \$ 식은 온도와 무엇의 관계를 나타내는 식이야?", "접촉연소식 센서에서 가연성 가스는 소자가 항상 연소돼?", "보상소자 모델은 검지소자에 비해 감도특성을 약 몇 배로 하였어?", "담체의 미세가공이 거의 없기때문에 보상소자는 흡, 탈착과 확산에 의한 어떤 것이 적어?", "보상소자 모델은 검지소자와 동일한 열등가회로와 전력-열량 변환부, 온도-저항 연산부를 사용할 수 있어?", "접촉연소식 센서의 구조에서 열은 담체표면에서 무엇에 의해 공기로 유출돼?", "열선에서 발생하는 열량에 대한 소자의 열 특성은 유한오소법 해석 프로그램을 이용하면 해석할 수 있어?", "접촉연소식 센서에서 특정온도 이상이 되면 가스의 확산과 무엇에 의해 연소율이 포화돼?", "소자의 크기나 촉매의 종류, 구조에 따라 연소시작온도가 달라져?", "각 가스가 가지는 폭발하한농도에서의 발열량은 무엇의 크기에 영향을 받아?", "대부분의 상용 접촉연소식 센서에서 농도에 대한 출력의 선형성적 출력을 나타내는 범위는 무엇 이내야?", "대부분의 상용 접촉연소식 센서에서는 폭발하한농도 이내의 범위에서는 농도에 대한 출력이 선형적이야?", "연소시작 온도, 포화온도, 폭발하한농도의 한계발열량은 계산할 수 없어?", "\$ \\Delta Q \\cdot \\frac{\\Delta T}{R_{T}}=\\frac{2}{\\left(1-r_{\\mathrm{de}}\\right) \\alpha^{2} R_{T}} \\frac{V_{T}}{V_{i}} \$ 식은 폭발하한농도에서 무엇을 계산하는 식이야?", "본문의 실험에서 보상소자의 감도는 검지 소자의 얼마정도로 측정돼?", "가스의 농도가 폭발하한농도에 대한 상대적인 비로 변환할 때 무엇으로 입력돼?", "열 특성이 검지소자와 유사한 모델을 가지는 소자는 뭐야?", "보상소자는 유리질로 코팅되어 무엇이 거의 없어?" ]
17e27038-c4e8-4932-921f-c320ac464127	인공물ED	접촉연소식 센서의 열 특성 및 가스반응의 모델링	<h1>5. 결론</h1><p>접촉연소식 센서의 동작원리에 기초하여 회로설계용 CAD(computer added design) 프로그램인 SPICE의 모델을 제시하였다. 물리적 열전달 이론과 화학적 연소 반응 이론으로 기본 모델을 구성하였으며 모델의 계수들을 실제 센서로부터 측정해 내어 적용하였다. 시뮬레이션 결과와 측정회로의 출력을 비교하여 모델이 소자의 전기적 특성과 가스 반응 특성을 잘 반영함을 알 수 있었다.</p>	[ "모델이 소자의 전기적 특성과 가스 반응 특성을 잘 반영하였는가?", "제시한 모델은 어떤 원리에 기초하였는가?", "어떤 원리에 제안한 모델이 기초하였을까?", "제시된 CAD 프로그램 모델은 무엇인가?", "구성된 기본모델의 계수들은 실제 센서로 측정하였는가?", "시뮬레이션 결과와 무엇을 비교하여 모델의 특성을 확인하였는가?", "제시된 모델은 어느 프로그램에 사용되는가?", "화학적 연소 반응 이론과 함께 기본 모델을 구성하는데 사용된 이론은 무엇인가?", "모델의 계수들은 어떻게 측정했지?", "기본 모델은 어떻게 구성되어있지?" ]
eb6549cb-6008-4dd9-a55b-48aeb0f3f80e	인공물ED	접촉연소식 센서의 열 특성 및 가스반응의 모델링	<h1>4. 모델을 사용한 시뮬레이션 특성 검증</h1><p>디자인된 소자 모델의 열적 과도응답특성을 실제 소자의 특성과 비교하기 위헤 $ 10 \Omega $의 고정저항과 직렬로 소자를 연결하고 펄스신호와 $ 0.1 \mathrm{~Hz} $의 사인파 $ (\mathrm{Vpp} $ : $ 0-2 \mathrm{~V}) $를 인가하였다. 이 회로의 과도응답특성을 오실로스고포로 측정한 결과와 PSpice v9.2로 시뮬레이션한 결과를 그림 7에 나타내었다. 분배전압 파형이 거의 일치하고 있음을 볼 수 있는데 이는 저항, 온도, 전력의 물리적 되먹임 과정이 모델에서 동일한 특성으로 표현되었음을 확인 할 수 있다. 또한 시뮬레이션에서는 소자의 온도, 전력, 바이어스 상태를 실시간으로 확인 할 수 있었다.</p><p>가스반응 특성에 대한 비교를 위해 브리지 회로를 구성하고 메탄 농노 $ 1,2,3,4,5 $ vol. \%에 대한 소자의 응답특성을 입력전압에 대해 측정한 결과를 측정하였다. 또한 PSpice에서 2nd sweep 옵션으로 메탄농도에 대응하는 전압을 변화시키면서 입력전압에 대한 DC 해석 시뮬레이션 결과를 보았다. 이 두 응답특성 그래프를 그림 8에 나타내었다. 가스 농도에 대해서 최소반응시작 전압이 거의 일치하고 있으며 저농도와 고농도에서 출력의 전압 의즌성의 차이도 시뮬레이션 결과에서 비교적 잘 나타나고 있다.</p>	[ "분배전압 파형이 거의 일치하는 것은 저항, 온도, 전력의 물리적 되먹임 과정이 모델에서 동일한 특성으로 표현되었음을 확인 할 수 있는 부분인가?", "가스반응 특성에 대한 비교를 위해 구성한 회로는 무엇인가?", "시뮬레이션에서 실시간으로 확인 할 수 있는 것은 무엇인가?" ]
a11531c5-ada0-4edb-8f82-13fdbb6585a0	인공물ED	접촉연소식 센서의 열 특성 및 가스반응의 모델링	<h1>1. 서론</h1><p>접촉연소시 가스센서는 가정이나 산업체에서 가연성가스 검지에 가장 널리 사용되는 소자이다. 농도에 선헝적으로 비례하여 직선성과 재현성이 우수하고 가스에 대한 반응 속도가 비교적 빠른 특징이 있다. 전자시스템들이 저 전력화, 고기능화 되어 가면서 가스 검지시스템에도 저 전력화가 요구되고 있다. 이를 충족하기위해 마이크로센서를 개발하는 등 다각도의 연구가 진행되며 동작시간을 단축시키는 방법도 일반적인 해결책 가운데 하나이다. 특히 동작시간을 단축시키는 방법은 전력 소모를 줄이는 것 외에도 소자의 수명을 증가시키고 오동작이나 피독을 방지할 수 있다. 그러나 센서 제작사들에서 제공하는 자료는 가스에 대한 정상 상태의 출력이나 선형 특성만 제공할 뿐 과도응답에 대한 특성은 포함되어 있지 않다. 뿐만 아니라 대부분의 전자소자들에는 시뮬레이션에 이용할 수 있는 소자 모델이 제공되고 있지만 센서에는 이러한 설계용 모델이 제공되지 않아 시스템 설계 작업이 Try & Error 방식으로 진행되며 반응 특성을 조사하기 위한 고가의 장비들이 필요하였다. 본 연구에서는 접촉연소식 가스 센서의 SPICE(simulation program with integrated circuit emphasis) 모델을 검증된 물리적, 화학적 특성을 이용하여 구현하였다. 전열특성과 가스 반응특성에 대해 다양한 시뮬레이션을 통해 얻은 결과를 실제 회로 출력과 비교하여 평가하였다. 또한 전원회로, 완충회로, 신호증폭회로와 함께 시뮬레이션 하고 응답시간을 향상시킬 수 있는 동작방식을 제안하였다.</p>	[ "가스 검지시스템을 저전력화 하기 위해서는 마이크로센서를 개발하는 게 도움이 되니?", "시스템의 동작시간을 단축시키면 전력 소모를 줄이는 것 외에 어떤 장점이 있니?", "본 연구에서는 접촉연소식 가스 센서의 어떤 모델을 구현했어?", "접촉연소식 가스센서의 특징이 뭐야?", "무엇이 접촉연소식 가스센서의 특성이지?", "시스템의 동작시간을 단축시키면 전력 소모는 증가하지?", "센서 제작사들에서 제공하는 자료에는 과도응답에 대한 특성이 포함되어 있지?", "접촉연소식 가스센서는 어떤 가스 검지에 가장 널리 사용되니?", "접촉연소식 가스센서는 농도에 반비례하지?", "농도에 접촉연소식 가스센서는 반비례할까", "가스 검지시스템에서 시간이 흐를수록 고전력화가 요구되고 있지?" ]
635dc4ed-8daa-443c-89e2-da11bd13c05e	인공물ED	BDS B1C 신호 체계 분석	<h1>I. 서론</h1><p>우리는 알게 모르게 다양한 위치기반 서비스가 주는 혜택 속에 살아가고 있다. 네비게이션 또는 지도 앱은 실시간으로 우리가 원하는 목적지로 가는 길을 안내해주며 내가 있는 곳과 가까운 장소에서 진행 중인 좋은 이벤트가 있으면 알려주는 알림 서비스 등 이젠 없으면 불편할 서비스의 상당수가 실시간 위치 정보를 기반으로 제공되고 있다. 오늘날 이러한 민간 서비스를 제공해주는 측위 시스템의 대부분은 위성의 신호를 수신해 현재 위치를 계산하는 글로벌 위성항법 시스템(GNSS; Global Navigation Satellite System)을 기반으로 한다.GNSS는 지상에 있는 물체의 위치 - 고도 - 속도 정보를 제공해주며 이 정보들은 군사, 통신, 측지, 긴급구조, 교통 등 다양한 분야에서 폭넯게 활용될 수 있다. 예로 위성이 수집한 대량의 정보를 담은 모듈 - 마이크로칩 - 안테나 등은 조선 - 전자 -항공우주 등 기술 집약 산업 분야에서 활용가치가 높고 이를 빅데이터와 걸합하여 서비스 산업의 발전에도 기여할 수 있다. 이러한 폭넓은 활용성과 가치 덕분에 미국의 GPS(Global Positioning System)를 시작으로 현재 다양한 국가에서 위성항법 시스템을 개발 혹은 고도화하고 있다. 그 중 중국은 베이더우 위성항법 시스템(BDS; BeiDou Navigation Satellite System)이란 이름으로 미국에 비해 출발시점은 한참 늦었지만, 상대적으로 앞선 장비와 진전된 기술력을 바탕으로 현시점에서는 제공하는 정보의 수준에 큰 차이가 없다는 평가를 받고 있다. 중국은 BDS 시스뎀 구축을 위하여 추진한 $3$단계 개발 전략을 기준으로 $2000$년부터 꾸준히 위성을 발사해 국제기구로부터 $2014$년 미국의 GPS와 러시아의 GLONASS(GLObal NAvigation Satellite System)에 이어 세계에서 세 번째로 위성항법 시스템에 대한 합법적 지위를 얻었다. 그리고 $2$단계 개발 목표를 달성하고 BDS의 국제화 발전을 위하여 지역적 서비스를 개시한 후부터 중국뿐 아니라 아시아 지역을 중심으로 주변국들의 BDS 사용이 증가하였다. 현재 개발의 마지막 단계인 $3$단계의 막바지에 접어들었으며 시스템 구축에 필요한 마지막 위성의 발사를 눈 앞에 두고 있는 만큼 BDS 서비스 제공 영역이 전 세계로 빠르게 확장된 것을 예견할 수 있다. 앞으로 BDS가 GNSS 영역에서 차지하게 될 비중과 영향력을 고려할 때 우리나라에서도 BDS에 대한 체계적인 연구가 요구된다. 따라서 본 논문에서는 새로운 GNSS로서 GPS와 대응하는 성능과 영향력을 보여줄 것으로 예상되는 BDS의 공개 신호인 B$1$C에 대한 사용자 친화적인 설명을 제공하여 BDS B$1$C 수신기 시뮬레이션 및 구현을 용이하게 한다.</p>	[ "사람들이 자각하지 못하는 사이에 수혜 받는 서비스 분야는 뭐야?", "길을 안내해주는 서비스는 뭐야?", "네비게이션은 어떤 정보를 기반으로 제공되고 있니?", "측위 시스템은 어떤 시스템을 기반으로 제공되니?", "글로벌 위성항법 시스템의 기반이 되는 시스템은 뭐야?", "측위 시스템은 어떻게 제공되어 지니?", "GNSS는 어떤 분야에서 활용될 수 있어?", "통신 분야에서 활용될 수 있는 시스템은 뭐야?", "GNSS는 어떤 분야에서 활용될 수 있니?", "GNSS는 어느 분야에서 활용될 수 있을까?", "지상의 물체의 위치, 고도, 속도 정보를 제공해주는 시스템은 무엇이야?", "GPS는 어느 나라가 개발했어?", "GNSS는 교통 분야에서 활용될 수 있는게 맞아?", "위성항법 시스템이 개발되는 주된 이유가 뭐야?", "BDS를 개발한 나라는 어디니?", "중국보다 위성항법 시스템을 먼저 개발한 나라는 어디니?", "미국보다 위성항법 시스템을 늦게 개발한 나라가 중국이 맞아?", "BDS가 상대적으로 늦은 개발에도 불구하고 좋은 평가를 받는 주된 요인이 뭐야?", "중국이 BDS 시스템 구축을 위해 몇 년도부터 위성을 발사했니?", "중국이 BDS 시스템 구출을 위해 추진한 전략은 뭐야?", "러시아가 개발한 위성항법 시스템이 뭐니?", "미국, 러시아에 이어 세계에서 세 번쨰로 위성항법 시스템의 합법적 지위를 얻은 나라는 어디인가?", "2014년에 합법적인 지위를 얻은 위성항법 시스템은 무엇인가?", "미국의 GPS, 러시아의 GLONASS에 이어 세 번째로 합법적 지위를 얻은 위성항법 시스템은 무엇인가?", "2014년에 위성항법 시스템에 대한 합법적 지위를 얻은 GPS의 개발국은 어디인가?", "2014년에 위성항법 시스템으로써 합법적 지위를 얻은 시스템은 무엇인가?", "2014년에 합법적 지위를 얻은 GLONASS를 개발한 국가는 어디인가?", "아시아 지역을 중심으로 한 주변국들의 BDS의 사용이 증가하기 시작한 시기는 언제인가?", "BDS의 사용이 증가한 지역은 어디니?", "아시아 주변국을 중심으로 BDS 사용이 증가한 이유는 뭐니?", "BDS의 영향력이 증가될 영역은 무엇인가?", "새로운 GNSS로서 GPS에 대적할만한 성능과 영향력이 예상되는 시스템은 무엇인가?", "항공우주 등의 기술 집약 산업 분야에서 활용가치가 높은 시스템은 무엇인가?", "BDS의 신오는 무엇인가?" ]
7aa968d1-900d-435e-9dab-85c23ebef80b	인공물ED	BDS B1C 신호 체계 분석	<h2>3. 항법 메시지(Navigation Message)</h2><p>B$1$C 신호로 송출되는 항법 메시지는 B CNAV$1$라 불리며 B$1$C의 데이터 구성요소 상에 변조되어 전달된다. B CNAV$1$의 기본 프레임 구조를 부호화 전과 후로 구분하여 그림 $2$에 나타내었다. 그림 $2$에 나타나 있듯 전체 프레임은 $3$개의 서브 프레임(subframe)으로 구분되며 서브 프레임에 따라 다른 항법 정보를 담고 있다. 또한, 전체 프레임은 각 서브 프레임별로 상이한 오류 정정 부호화(error correction encoding) 기법이 적용되어 $ 100 \mathrm{sps} $의 심벌 레이트(symbol rate)로 $18$초 동안 지속되는 $1800$개의 symbol로 부호화된다. 위성으로부터 수집되는 정보의 유효성 검증과 수신기 설계 후 시뮬레이션 및 검증을 위하여 프레임별로 전달되는 항법 메시지 정보 및 비트 할당과 적용되는 부호화 기법의 이해가 필요하므로 이를 중점으로 항법 메시지를 파악한다.</p><p>서브 프레임 $1$은 전체 $14\mathrm{bit}$로 구성되며 그림 $3$(a) 과 같이 위성마다 유일하게 할당되는 의사 잡음 신호(PRN; Pseudo Random Noise)와 첫 번째 칩의 상승 엣지(rising edge) 시간을 초로 환산하여 서브 프레임 $1$의 시작 시점을 알려주는 $ 8 \mathrm{bit} $의 SOH(Seconds Of Hour) 정보를 전달한다. 이러한 정보가 담긴 서브 프레임 $1$에는 BCH 부호가 적용된다. BCH 부호는 기존의 정보에 잉여정보를 추가하여 오류를 정정 또는 검출하는 오류 정정 부호(error correction code)로 잉여정보를 추가하기 위해 생성 다항식(generator polynomial)을 필요로 하며 이는 BCH의 오류 정정 능력에 따라 다르다. 또한, 부호는 $ \mathrm{BCH}(n, k) $와 같은 형태로 표기되며 $ n $ 은 부호어의 길이를 나타내고 $ k $ 는 기존 정보의 길이를 나타낸다. 서브 프레임 $1$ 에서는 PRN을 위해 $ \mathrm{BCH}(21,6) $, SOH를 위해 $ \mathrm{BCH}(51,8) $을 적용하여 $72$ symbol로의 부호화를 진행하였다. 부호화를 위하여 요구되는 오류 정정 능력과 상응하는 생성 다항식에 대한 정보는 표 $2$에 정리하여 나타내었다. 표 $2$에서 $ t $는 오류 정정 능력을 의미하며 $ t $개의 오류를 정정 할 수 있음을 나타낸다.</p><table border><caption>표 $2$. 서브 프레임 $1$의 부호화에 사용되는 BCH 부호의 특성</caption><tbody><tr><td ROWSPAN=2>Target</td><td ROWSPAN=2>BCH code</td><td COLSPAN=3>Encoding characteristics</td><td ROWSPAN=2>Generator polynomials</td></tr><tr><td>$ n $</td><td>$ k $</td><td>$ t $</td></tr><tr><td>PRN</td><td>$ (21,6) $</td><td>$21$</td><td>$6$</td><td>$3$</td><td>$ x^{6}+x^{4}+x^{2}+x+1 $</td></tr><tr><td>SOH</td><td>$ (51,8) $</td><td>$51$</td><td>$8$</td><td>$11$</td><td>$ x^{8}+x^{7}+x^{4}+x^{3}+x^{2}+x+1 $</td></tr></tbody></table><p>서브 프레임 $2$는 전체 $ 600 \mathrm{bit} $로 구성되며 해당 프레임이 전달하는 항법 정보의 비트 할당 구조를 간 략화 하여 그림$3$-(b)에 나타내었다. 서브 프레임 $2$는 크게 $ 576 \mathrm{bit} $ 의 항법 정보와 정보비트의 오류 검출을 위한 CRC(Cyclic redundancy check)에 대응하는 $24 \mathrm{bit} $의 CRC 검사 비트로 구분된다. 항법 정보별로 특성을 살펴보면 시스템 시간(STP; System Time Parameters)는 BDS의 시간과 관련된 파라미터들이며 IOD(Issue Of Data)는 궤도력(ephemeris)과 시간 보정 계수(CCP; Clock Correction Parameters)가 갱신되고 나서 경과된 시간을 알려준다. 여기서 궤도력은 위성으로부터 제공되는 각 위성의 위치 정보를 전달하고 시간 보정 계수는 말 그대로 IOD에 따라서 시간 정보를 보정하기 위한 관련 파라미터들을 갱신하여 전달한다. 마지막으로 그룹 지연 차등 파라미터(GDP; Group Delay differential Parameters)는 신호가 위성 내부의 주파수 근원(frequency source)에서 안테나로 방사되는 데까지 소요되는 지연 정보를 담고 있다. 이러한 정보들을 전달하는 서브프레임 $2$는 $64$-진의 비이진 LDPC(Low Density Parity Check) 부호, $64$-ary LDPC$(200,100) $을 통해 부호화된다. 이때 사용된 표기법은 $ 100 \mathrm{bit} $ 의 기존 정보가 $ 200\mathrm{~symbol} $로 부호화됨을 의미하며 비이진 LDPC 부호는 이전 LDPC 부호보다 우수한 성능을 가지는 채널 코딩 기법의 한 종류이다[. 비이진 LDPC의 장점인 우수한 성능을 얻기 위해서는 페리티 검사 행렬인 $ \mathrm{H} $를 신중히 설계해야 한다. 이 때 $ \mathrm{H} $ 행렬은 $0$과 $1$뿐만 아니라 유한체(finite field) $ \mathrm{GF}(q), q>2 $ 상의 원소를 모두 포함할 수 있어 설계 시 비이진 원소의 위치뿐 아니라 비이진 원소의 값 또한 신중히 결정할 필요성이 있다. $ \mathrm{H} $ 행렬을 위한 정보들은 [$9$]에 기재되어 있으며 이를 활용하여 구한 생성행렬을 통해 $ 600 \mathrm{bit} $의 서브 프레임 $2$를 $1200\mathrm{~symbol} $로 부호화한다.</p><p>마지막으로 서브 프레임 $3$은 전체 $264\mathrm{bit} $로 구성되며 다른 서브 프레임들과는 달리 여러 페이지로 나뉘는 특성을 가진다. 따라서 서브 프레임 $3$의 비트 할당은 페이지 타입별로 간략화 하여 그림 $4$에 나타내었다. 모든 페이지 타입별 프레임에 존재하는 Page ID는 서브 프레임 $3$의 페이지 타입을 전달하고 전리층 지연 보정 모델(IDCMP; Ionospheric Delay Correction Model Parameters)는 단일 주파수를 사용하는 사용자를 위하여 전리층으로 인해 발생하는 지연을 보정하기 위해 제공된다. 그리고 알마낙(almanac)은 모든 위성의 대략적인 위치를 계산하는 데 쓰이는 다양한 파라미터 값을 전달하며 EOP(Earth Orientation Parameters)는 지구의 방향 정보를 제공한다. 이어서 BDT-UTC TOP(BDS Time-Universal Time Coordinated Time Offset Parameters)와 BGTO(BDT-GNSS Time Offset) 파라미터는 시간과 연관된 파라미터들로 각각 BDT와 UTC의 관계, BDT와 GNSS 시간과의 관계를 정의해준다. 마지막으로 HS(Health Status)는 위성의 상태를 표현하며 SISF(Satellite Integrity Status Flag), SISMAI(Signal In Space Monitoring Accuracy Index), SISAI(Signal In Space Accuracy Index)는 다른 프레임을 통해 전달되는 파라미터나 정보의 무결성을 증명해주기 위해 제공되는 정보이다. 다양한 정보들을 전달하는 서브 프레임 $3$의 오류 정정 및 검출을 위해서는 서브 프레임 $2$와 마찬가지로 CRC와 비이진 LDPC 기법이 사용되며 이 때 적용되는 비이진 LDPC는 $64$-진 $ \mathrm{LDPC}(88,44) $를 따른다.</p>	[ "B CNAV\$1\$는 항법 메시지이지?", "B\$1\$C의 데이터 구성요소 상에 변조되어 전달되는 것은 무엇이니?", "BCH 부호는 오류 정정 부호이지?", "BCH 부호는 무엇인가?", "기존의 정보에 잉여정보를 추가하여 오류를 정정 또는 검출하는 오류 정정 부호를 무엇이라고 하나?", "전체 프레임은 무슨 기법이 적용되지?", "Pseudo Random Noise의 약자는 무엇이야?", "전체 프레임은 오류 정정 부호화 기법이 적용될때 \$ 100 \\mathrm{sps} \$의 심벌 레이트(symbol rate)로 \$18\$초 동안 지속되는 몇 개의 symbol로 부호화되니?", "BCH 부호는 잉여정보를 추가하기 위해 무엇을 필요로 하지?", "전체 프레임은 몇 개의 서브 프레임으로 구분되니?", "전체 프레임에 적용되는 오류 정정 부호화 기법은 각 서브 프레임별로 상이하니?", "오류 정정 부호화 기법이 적용된 전체 프레임은 몇 \$ 100 \\mathrm{sps} \$의 심벌 레이트인가?", "부호어의 길이를 나타내는 것은 무엇인가?", "Issue Of Data의 약자는 IOD이지?", "시스템 시간은 무엇과 시간과 관련된 파라미터들이지?", "무엇이 Clock Correction Parameters의 약자니?", "BDS의 시간과 관련된 파라미터들은 무엇이지?", "무엇이 궤도력)과 시간 보정 계수가 갱신되고 나서 경과된 시간이지?", "부호는 어떤 형태로 표기되는가?", "BCH 부호가 생성 다항식을 필요로 하는 이유는 뭐야?", "위성으로부터 제공되는 각 위성의 위치 정보를 전달하는 것은 뭐야?", "무엇이 IOD에 따라서 시간 정보를 보정하기 위한 관련 파라미터들을 갱신하여 전달하는가?", "궤도력은 위성으로부터 제공되는 무엇을 전달하니?", "GDP는 Group Delay differential Parameters의 약자지?", "LDPC 부호는 비이진 LDPC 부호보다 성능이 우수한가?", "System Time Parameters의 약자는 뭐야?", "신호가 위성 내부의 주파수 근원에서 안테나로 방사되는 데까지 소요되는 지연 정보를 담고 있는 것을 무엇이라고 하는가?", "우수한 성능을 얻기 위해 ( \\mathrm{H} \\) 행렬은 무엇을 포함해야 할까?", "페리티 검사 행렬인 \$ \\mathrm{H} \$를 신중히 설계해야 하는 이유는 무엇이니?", "비이진 LDPC의 장점인 우수한 성능을 얻기 위해서는 어떻게 해야 할까?", "\$0\$과 \$1\$뿐만 아니라 유한체(finite field) \$ \\mathrm{GF}(q), q>2 \$ 상의 원소를 모두 포함한 \$ \\mathrm{H} \$ 행렬은 우수한 성능을 얻을 수 있는가?", "그룹 지연 차등 파라미터는 신호가 어디에서 안테나로 방사되는 데까지 소요되는 지연 정보를 담고 있니?", "무엇과 비이진 원소의 값은 \$ \\mathrm{H} \$ 행렬 설계시 신중히 결정할 필요성이 있니?", "\$ \\mathrm{H} \$는 뭐야?", "비이진 LDPC의 장점은 뭐야?", "IOD는 궤도력과 무엇이 갱신되고 나서 경과된 시간을 알려주지?", "비이진 LDPC 부호는 무엇의 한 종류인가?", "모든 페이지 타입별 프레임에는 무엇이 존재하지?", "Ionospheric Delay Correction Model Parameters의 약자는 무엇일까?", "모든 위성의 대략적인 위치를 계산하는 데 쓰이는 다양한 파라미터 값을 전달하는 것은 뭐야?", "무엇이 지구의 방향 정보를 제공하지?", "BDT-UTC TOP는 시간과 연관된 파라미터인가?", "BDT-GNSS Time Offset는 BGTO인가?", "BDT와 UTC의 관계를 정의 하는 파라미터는 무엇이니?", "무엇이 BDT와 GNSS 시간과의 관계를 정의해줄까?", "Health Status의 약자는 뭐야?", "위성의 상태를 표현하는 것은 HS인가?", "Satellite Integrity Status Flag의 약자는 무엇인가?", "HS는 무엇을 표현하니?", "전리층 지연 보정 모델은 누구를 위해 제공되지?", "Seconds Of Hour의 약자는 SOH인가?", "BDT와 UTC의 관계를 저의해주는 피라미터는 BGTO이지?", "B\$1\$C 신호로 송출되는 항법 메시지는 무엇이라고 불리니?", "\$ \\mathrm{H} \$ 행렬 설계시 비이진 원소의 위치와 무엇을 신중히 결정해야 하니?", "기존 정보의 길이를 나타내는 것은 \$ k \$인가?", "무엇이 Earth Orientation Parameters의 약자야?", "무엇이 Signal In Space Monitoring Accuracy Index의 약자니?", "Signal In Space Accuracy Index의 약자는 SISAI인가?", "SISMAI는 Signal In Space Accuracy Index의 약자지?", "다른 프레임을 통해 전달되는 파라미터나 정보의 무결성을 증명해주기 위해 제공되는 정보가 아닌것은 무엇이니?", "다른 프레임을 통해 전달되는 파라미터나 정보의 무결성을 증명해주기 위해 제공되는 정보에는 SISF, SISMAI 그리고 무엇이 있니?", "단일 주파수를 사용하는 사용자를 위하여 전리층으로 인해 발생하는 지연을 보정하기 위해 제공하는 것은 무엇이니?", "BDS Time-Universal Time Coordinated Time Offset Parameters의 약자는 뭐야?", "시간과 연관된 파라미터에는 BGTO도 포함되니?", "표 2. 서브 프레임 1의 부호화에 사용되는 BCH 부호의 특성에서 어떤 BCH 부호를 SOH를 위해서 적용하였지?", "SISF, SISMAI 그리고 SISAI는 다른 프레임을 통해 전달되는 무엇을 증명해주기 위해 제공되는 정보인가?", "서브 프레임 1에서는 PRN을 위해 어떤 BCH 부호를 적용하였는가?", "표 \$2\$. 서브 프레임 \$1\$의 부호화에 사용되는 BCH 부호의 특성에서 SOH의 기존 정보의 길이는 얼마이지?", "표 22. 서브 프레임 1의 부호화에 사용되는 BCH 부호의 특성에서 의사 잡음 신호의 생성 다항식은 무엇인가?", "서브 프레임 1에서 어떤 수식이 SOH의 생성 다항식일까?", "서브 프레임 1에서 의사 잡음 신호의 부호어 길이는 얼마인가?" ]
a7a272b4-1218-4de7-95d5-31b03a722ebe	인공물ED	BDS B1C 신호 체계 분석	<h1>II. B1C 신호</h1><p>GNSS의 경우 신호 체계 설계를 위해 크게 반송파 주파수, 변조(modulation) 방식처럼 대표적인 신호의 특성과 함께 레인징 코드(ranging code), 항법 메시지(navigation message)와 같은 $5$가지 정보가 요구된다. 결과적으로 수신기 설계자는 신호 모델을 설계할 뿐 아니라 신호의 생성, 구현 및 처리도 고려해야 한다. 따라서 본 절에서는 BDS의 공개 서비스 신호이며 GPS, Galileo와 호환 및 상호 운용이 가능한 B$1$C 신호의 수신기 설계에 앞서 신호 체계 설계를 위해 요구되는 정보를 요약하여 제공한다.</p><h2>1. B1C 신호의 특성</h2><p>B$1$C는 $ 1575.42 \mathrm{MHz} $로 송출되며 식($1$)과 같이 데이터 구성요소(data component)와 파일럿 구성요소(pilot component)를 포함한다. 데이터 구성요소는 항법 메시지를 전달하며 파일럿 구성요소는 신호 획득과 추적을 용이하게 하는 역할을 한다. $ s_{B 1 O}(t)=s_{B 1 C_{\text {data }}}(t)+j s_{B 1 C_{\text {pilot }}}(t) $.<caption>(1)</caption>여기서 $ s_{B 1 C_{\text {data }}}(t) $는 신호의 동 위상(in phase) 성분인 데이터 구성요소를 나타내고 $ \mathrm{j} $ 는 허수 단위이며 $ s_{B 1 C_{\text {pilot }}}(t) $는 신호의 직교 (quadrature) 성분인 파일럿 구성요소를 나타낸다. 데이터 구성요소 $ s_{B 1 C_{\text {data }}}(t) $는 항법 메시지 $ D_{B 1 C_{data}}(t) $ 및 데이터 구성요소를 위한 반송파(subcarrier) $ s c_{B 1 C_{\mathrm{data}}}(t) $ 로 변조된 레인징 코드 $ C_{B 1 C_{\mathrm{data}}}(t) $로부터 생성된다. 그리고 파일럿 구성요소 $ s_{B 1 C_{pilot}}(t) $는 파일럿 구성요소를 위한 부 반송파(subcarrier) $ sc _{B 1 C_{\text {pilot}}}(t) $ 로 변조된 레인징 코드 $ C_{B 1 C_{\text {pilot}}}(t) $ 로부터 생성된다. 이 점과 두 구성요소의 출력비(power ratio)가 $ 1: 3 $ 인 것을 고려하여 두 구성요소는 다시 다음과 같이 표현될 수 있다.</p><table border><caption>표 $1$. B$1$C 신호의 특성</caption><tbody><tr><td colspan=2>Signal component</td><td colspan=2>Modulation</td><td>Phase relationship</td><td>Power ratio</td></tr><tr><td >Data</td><td>$ S_{B 1 C_{data}}(t) $</td><td colspan=2>Sine BOC$ (1,1) $</td><td>$0$</td><td>$1/4$</td></tr><tr><td rowspan=2>Pilot</td><td>$ S_{B1C_{pilot\_ a}}(t) $</td><td rowspan=2>QMBOC\[(6,1,4 / 33)\]</td><td>Sine BOC$ (1,1) $</td><td>$90$</td><td>$29/44$</td></tr><tr><td >$ S_{B1C_{pilot\_ b}}(t) $</td><td>Sine BOC$ (6,1) $</td><td>$0$</td><td>$1/11$</td></tr></tbody></table><p>$ s_{B 1 C_{\text {data }}}(t)=\frac{1}{2} D_{B 1 C_{\text {data }}}(t) \cdot C_{B 1 C_{\text {data }}}(t) \cdot s c_{B 1 C_{\text {data }}}(t) $</p><p>$ s_{B 1 C_{\text {pilot }}}(t)=\frac{\sqrt{3}}{2} C_{B 1 C_{\text {pilot }}}(t) \cdot s c_{B 1 C_{\text {pilot }}}(t) $<caption>($2$)</caption></p><p>다음으로 구성요소에 따라 구분되는 부 반송파를 알아보기에 앞서 변조 방식에 대한 이해가 필요하다. 기본적으로 두 구성요소는 이진천이 반송파(BOC; Binary Offset Carrier)에 기반을 둔 변조 방식을 사용하고 있으나 각 구성요소에 사용되는 상이한 BOC형태 및 조합에 의해 변조 방식과 부 반송파에 차이가 발생한다. 먼저 BOC의 특성과 표기 방식을 간단히 언급한 후 그 차이를 정리하였다. BOC는 GPS보다 더 높은 측위 정확도를 제공할 수 있어 위성 통신 분야에서 특히 주목받는 변조 방식으로 GPS에 사용되는 위상 편이 방식 (PSK;Phase Shift Keying)과는 달리 특정하게 정의된 방식에 의해 $ +1 $ 과 $ -1$ 이 교대로 나타나는 파형을 가진다. 일 반적으로 $BOC(m, n)$과 같은 형태로 표기되며 여기서 $ m $ 은 $ \frac{f_{s c}}{R_{r e f}}, n $ 은 $ \frac{f_{c}}{R_{\text {ref }}} $ 로 $ f_{s c} $ 와 $ f_{c} $ 는 부 반송파 주파수와 칩 전송 주파수를 의미하며 $ R_{r e f} $ 는 B$ 1$C 레인징 코드의 칩 전송률 $ 1.023 \mathrm{Mcps} $ 를 나타낸다. 다음과 같은 특성을 가진 BOC 변조 방식에 기초하여 데이터 구성요소는 사인 위상의$BOC(1,1) $ 변조 방식을 사용하고 파일럿 구성요소는 출력비가 $ 29: 4 $ 인 두 가지의 BOC, $BOC(1,1) $ 과$BOC(6,1) $ 로 구성된 직교 다중화 이진천이 반송파(QMBOC; Quadrature Multiplexed Binary Offset Carrier) QMBOC $ (6,1,4 / 33) $ 변조 방식을 사용한다. 결과적으로 두 구성요소에 사용되는 반송파의 형태는 $ f_{\mathrm{SC}_{B1C\_a}} $가 $ 1.023 \mathrm{MHz} $ 이고 $ f_{\mathrm{SC}_{B1C\_b}} $가 $ 6.138 \mathrm{MHz} $일 때 식 $ (3),(4) $ 와 같다.</p><p>$ s c_{B 1 C_{\text {data }}}(t)=\operatorname{sign}\left(\sin \left(2 \pi f_{\mathrm{SC}_{B1C\_a}} t\right)\right) $<caption>($3$)</caption></p><p>$ \begin{aligned} s c_{B 1 C_{\text {pliot }}}(t) &=\sqrt{\frac{29}{33}} \operatorname{sign}\left(\sin \left(2 \pi f_{\mathrm{SC}_{B1C\_a}} t\right)\right) \\ &-j \sqrt{\frac{4}{33}} \operatorname{sign}\left(\sin \left(2 \pi f_{\mathrm{SC}_{B1C\_b}} t\right)\right) . \end{aligned} $<caption>($4$)</caption></p><p>$ s c_{B 1 C_{\text {pilot }}}(t) $ 가 복소 파형 (complex waveform)이므로 B$1$C 신호는 다시 수식($5$)의 형태로 나타내어진다. 두 번째 항과 세 번째 항은 $ S_{B 1 C_{pilot\_a}}(t), S_{B 1 C_{\text {pilot\_b}}}(t) $ 를 가리킨다. 지금까지 살펴본 B$1$C 신호의 특성을 요약하여 표 $1$에 나타내었다.</p><p>$ s_{B 1 C}(t)=s_{B 1 C_{\text {data }}}(t) $ $ +\sqrt{\frac{1}{11}} C_{B 1 C_{\text {pilot }}}(t) \cdot \operatorname{sign}\left(\sin \left(2 \pi f_{\mathrm{SC}_{B1C\_a}} t\right)\right) $ $ +j \sqrt{\frac{29}{44}} C_{B 1 C_{\text {pilot}}}(t) \cdot \operatorname{sign}\left(\sin \left(2 \pi f_{\mathrm{SC}_{B1C\_a}} t\right)\right) $.<caption>($5$)</caption></p>	[ "데이터 구성요소는 신호의 동 위상 성분이지?", "\$ f_{\\mathrm{SC}_{B1C\\_a}} \$가 \$ 1.023 \\mathrm{MHz} \$이지?", "변조 방식처럼 대표적인 신호의 특성은 또 무엇이 있지?", "수신기 설계자는 무엇을 고려해서 신호 모델을 설계해야 하니?", "BDS의 공개 서비스 신호는 무엇이지?", "B\$1\$C 신호는 GPS와 호환 및 상호 운용이 가능한가?", "B\$1\$C 신호는 GPS그리고 무엇과 호환 및 상호 운용이 가능하니?", "B\$1\$C는 데이터 구성요소와 파일럿 구성요소를 포함하는가?", "왜 변조 방식과 부 반송파에 차이가 발생하는거야?", "변조 방식과 부 반송파에 차이가 발생하는 이유는 무엇이지?", "무엇이 위성 통신 분야에서 특히 주목받는 변조 방식일까?", "BOC는 무엇보다 더 높은 측위 정확도를 제공할 수 있지?", "GPS에는 어떤 방식이 사용될까?", "BOC는 특정하게 정의된 방식에 의해 \$ +1 \$ 과 \$ -1\$ 이 교대로 나타나는 파형을 가지니?", "BOC는 어느 분야에서 주목받는 변조 방식일까?", "무엇이 Phase Shift Keying의 약자일까?", "위상 편이 방식은 어디에 사용되니?", "데이터 구성요소는 어디에 포함될까?", "데이터 구성요소는 무엇을 전달하니?", "신호 획득과 추적을 용이하게 하는 역할을 하는 것은 무엇이지?", "신호 획득과 추적을 용이하게 하는 역할을 하는 것은 데이터 구성요소인가?", "신호의 동 위상 성분인 데이터 구성요소를 나타내는 것은 무엇이니?", "파일럿 구성요소는 신호의 동 위상 성분이니?", "부 반송파 주파수와 칩 전송 주파수를 의미하는 것은 뭐야?", "B\$ 1\$C 레인징 코드의 칩 전송률 \$ 1.023 \\mathrm{Mcps} \$ 를 나타내는 것은 무엇이야?", "\$ \\frac{f_{s c}}{R_{r e f}} \$ 은 \$ m \$인가?", "반송파 \$ s c_{B 1 C_{\\mathrm{data}}}(t) \$ 로 변조된 레인징 코드 \$ C_{B 1 C_{\\mathrm{data}}}(t) \$로부터 무엇이 생성 되니?", "데이터 구성요소 \$ s_{B 1 C_{\\text {data }}}(t) \$는 무엇으로부터 생성될까?", "무엇이 신호의 직교 성분인 파일럿 구성요소를 나타내지?", "Binary Offset Carrier의 약자는 무엇이니?", "신호 모델을 설계할 뿐 아니라 신호의 생성, 구현 및 처리도 고려해야 하는 사람은 누구니?", "GNSS의 경우 신호 체계 설계를 위해 항법 메시지가 요구되는가?", "수신기 설계자 무엇을 설계하니?", "레인징 코드는 GNSS의 신호 체계 설계를 위해 요구되지?", "\$ S_{B1C_{pilot\\_ a}}(t) \$의 출력비는 얼마인가?", "\$ f_{\\mathrm{SC}_{B1C\\_a}} \$가 \$ 1.023 \\mathrm{MHz} \$ 이고 \$ f_{\\mathrm{SC}_{B1C\\_b}} \$가 \$ 6.138 \\mathrm{MHz} \$일 때 수식은 무엇이지?", "표 1. B1C 신호의 특성에서 데이터 구성요소의 출력비는 얼마인가?", "\$ s c_{B 1 C_{\\text {pilot }}}(t) \$ 가 복소 파형일때 B\$1\$C 신호를 나타내는 수식은 무엇이지?", "\$ S_{B1C_{pilot\\_ a}}(t) \$의 Phase relationship은 얼마인가?", "데이터 구성요소를 나타내는 것은 무엇인가?", "출력비가 \$1/11\$인 것은 무엇인가?" ]
155ff389-4060-414d-9b3a-98faec9ef598	인공물ED	BDS B1C 신호 체계 분석	<h1>요 약</h1><p>오늘날 민간에서 사용 중인 측위 시스템의 대부분은 위성의 신호를 수신하여 현제 위치를 계산하는 글로벌 위성항법 시스템(GNSS; Global Navigation Satellite System)을 기반으로 한다. 미국이 GPS (Global Positioning System)를 통하여 입증한 GNSS의 효용성은 다양한 국가에서 위성항법 시스템을 구축하고 고도화 하도록 이끌었다. 그중 중국은 앞선 IT 기술력과 자금력을 바탕으로 자체 GNSS인 베이더우 위성항법 시스템(BDS; BeiDou Navigation Satellite System)의 급진적인 개발을 성공시켰다. 중국이 빠르게 전 세계로 BDS의 서비스 영역을 확대하고 있는 것을 고려할 때 우리나라에서도 BDS에 대한 체계적인 연구가 요구된다. 따라서 본 논문에서는 BDS의 공개 신호인 B$1$C에 대한 전반적인 정보를 제공하여 B$1$C 신호 체계 설계 및 BDS B$1$C 수신기 설계에 활용될 수 있도록 한다.</p>	[ "오늘날 민간에서 사용 중인 측위 시스템의 대부분은 위성의 신호를 수신하여 현제 위치를 계산하는 것은 무엇인가요?", "GNSS가 무엇인가요?", "무엇이 GNSS의 정의지?", "미국이 GNSS를 통하여 입증한 GPS의 효용성은 다양한 국가에서 위성항법 시스템을 구축을 이끌었니?", "중국이 GNSS를 통하여 검증한 GPS의 효용성은 다양한 국가에서 위성항법 시스템을 구축하고 고도화 하도록 이끌었니?", "GPS의 발전은 미국 중국 순으로 개발을 이끌어 왔니?", "베이더우 위성항법 시스템은 GNSS에서 발전된 자체 GNSS시스템이니?", "중국은 IT기술과 자금력을 바탕으로 자체 GNSS를 개발을 성공시켰니?", "자체 GNSS의 서비스 영역의 확대로 본 논문에서 중요점을 강조하니?", "본 논문에서는 자체 GMSS의 공개 신호인 B\$1\$C에 대한 전반적인 정보를 제공하여 B\$1\$C 신호 체계 설계 및 BDS B\$1\$C 수신기 설계에 활용될 수 있도록 하니?", "오늘날 민간에서 사용 중인 측위 시스템은 어떻게 작동하나요?", "GNSS는 어떻게 작동하나요?", "GNSS의 작동원리는 뭐야?", "미국은 GNSS의 효용성을 어떻게 입증하였나요?", "GNSS의 효용성을 미국은 어떻게 증명하였나?", "입증된 GNSS의 효용성은 어떻게 작용하였나요?", "중국은 어떻게 자체 GNSS를 개발하였나요?", "어떻게 중국은 GNSS를 자체 제작하였나?", "BDS는 어떻게 개발되었나요?", "어떻게 BDS가 고안되었나?", "우리나라에서도 BDS에 대해 어떻게 해야하나요?", "본 논문에서 BDS에 요구되는 연구 흐름에 맞춰 어떻게 진행되나요?" ]
c565672f-a9e3-40a8-9243-8a96e77559b0	인공물ED	BDS B1C 신호 체계 분석	<h2>2. 레인징 코드 (Ranging Code)</h2><p>B$1$C신호는 구성요소에 따라 다른 레인징 코드를 사용한다. 데이터 구성요소는 오직 주 코드(primary code)만으로 구성된 레인징 코드를 사용하고 파일럿 구성요소는 모듈로 2 덧셈(modulo 2 addition) 연산을 활용하여 주 코드와 보조 코드(secondary code)를 결합한 계층 코드(tiered code)를 사용한다. 파일럿 구성요소를 위한 계층 코드를 생성하기 위해서는 연산을 통해 두 코드를 조합하기 전, 보조 코드의 시작과 주 코드의 첫 번째 칩의 시작을 같은 시점에 정렬시켜야 한다. 여기서 보조 코드의 칩 폭은 주 코드의 주기와 동일한 길이를 가진다. 그 후 연산을 수행하여 원래의 두 코드보다 더 긴 길이의 코드를 얻는다. 이러한 긴 길이의 레인징 코드는 더 나은 상관 성능을 얻을 수 있어 다수의 GNSS 신호에 사용되고 있다.</p><p>지금부터는 주 코드와 보조 코드가 어떻게 생성되는지 살펴보도록 하겠다. 먼저 B$1$C 신호의 주 코드는 $ 10 \mathrm{~ms} $ 주기로 동일한 $ 1.023 \mathrm{Mcps} $ 칩 전송률과 $10230$ 칩 길이를 가지며 웨일 코드(weil code)를 $10243$ 칩 길이로 잘라서 구할 수 있다. 일반적으로 길이가 $ \mathrm{N} $인 웨일 코드 시퀀스는 식($6$)로 정의된다.</p><p>$ W(k ; w)=L(k) \oplus L(k+w), k=0,1, \cdots, \mathrm{N}-1 $.<caption>($6$)</caption></p><p>여기서는 길이 $ \mathrm{N} $의 르장드르(Legendre) 시퀀스이며, $ w $는 $ 1 \sim 5121 $ 범위의 두 르장드르 시퀀스 간 위상차를 나타낸다. 길이가 $ \mathrm{N} $ 인 르장드르 시퀀스은 식 ($7$)과 같이 정의된다.</p><p>$ L(k)=\left\{\begin{array}{l}0, k=0 \\ 1, k \neq 0 \\ 0, \text { else }\end{array}\right. $ and $ k=x^{2} \bmod N( $ integer $ x) $.<caption>($7$)</caption></p><p>최종적으로 길이 $ \mathrm{N}_{0} $ 의 레인징 코드는 길이 $ \mathrm{N} $ 의 웨일 코드를 주기적으로 자름으로써 얻을 수 있으며 식 ($8$)로 표현된다.</p><p>$ C(n ; w ; p)=W((n+p-1) \bmod N ; w) $<caption>($8$)</caption></p><p>식 (8)에서 $ n$ 은 $0$ 에서 $ N_{0}-1 $ 까지의 값이 가능하며 $ p $ 는 웨일 코드의 절단 시작 시점을 가리킴과 동시에 레인징 코드가 $ p $ 번째 웨일 코드 칩에서 부터 시작됨을 의미한다. 따라서 $ p $ 값의 범위는 $1 \sim 10243$이 될 수 있다. 결과적으로 주 코드는 어느 구성요소를 위해 사용되든지 동일한 칩 전송률과 칩 길이를 가지기 때문에 주어진 범위에 따라 $ w $ 와 $ p $를 임의로 조합하여 $126$개의 주 코드를 생성하고 이를 $63$개씩 각 구성요소에 할당하여 사용한다. 필요한 $ w $ 와 $ p $ 의 조합은 [$9$]를 통해 확인할 수 있다.</p><p>이어서 보조 코드는 $ 18000 \mathrm{~ms} $를 주기로 칩 길이가 $1800$이며 주 코드와 동일하게 웨일 코드를 잘라내는 방식으로 생성할 수 있다. 이때 몇 가지 코드 생성에 필요한 파라미터의 범위에만 차이가 존재하는 데 $ w $ 의 범위는 $ 1 \sim 1803 $이며 주 코드와 다르게 웨일 코드를 $3607$ 칩 길이로 잘라 $ p $ 의 범위가 $13607$ 이 된다. 요구되는 $ w $ 와 $ p $ 의 조합은 주 코드와 마찬가지로 [$9$]에 나타나 있다.</p><p>좀 더 확실한 이해를 돕기 위하여 B$1$C 신호의 레인징 코드를 위한 주 코드와 보조 코드의 타이밍 관계도를 그림 $1$에 나타내었다.</p>	[ "좀 더 우수한 상관 성능을 구할수 있으며, 많은 수의 GNSS 신호에 사용되는 레인징 코드는 무엇인가?", "보조 코드는 \$ 18000 \\mathrm{~ms} \$를 주기로 칩 길이가 \$1800\$이며, 주 코드와 똑같이 어떻게 만들어 내는가?", "\$ C(n ; w ; p)=W((n+p-1) \\bmod N ; w) \$<caption>(\$8\$)</caption>에서 \$ p \$ 는 웨일 코드의 절단 시작 시점을 가리킴과 동시에 \$ p \$ 번째 웨일 코드 칩에서 부터 레인징 코드가 시작함을 나타내는데, \$ p \$ 값의 범위는 어떻게 되는가?", "구성요소와 관계 없이 B\$1\$C신호는 동일한 레인징 코드를 사용하는가?", "파일럿 구성요소를 위한 계층 코드를 만들려면 연산을 통해 두 코드를 조합하기 이전에 먼저 어떻게 해야 하는가?", "어떻게 결합된 계층 코드(tiered code)를 파일럿 구성요소에서 사용하는가?", "B\$1\$C 신호의 주 코드는 \$ 10 \\mathrm{~ms} \$의 주기로 같은 칩 전송률 \$ 1.023 \\mathrm{Mcps} \$과 칩 길이를 얼마나 가지는가?", "계층 코드(tiered code)는 모듈로 2 덧셈(modulo 2 addition)연산을 활용하여 주 코드와 보조 코드(secondary code)로 결합되어 있으며, 이러한 계층코드를 사용하는 구성요소는 무엇인가?", "B\$1\$C 신호의 주 코드는 \$ 10 \\mathrm{~ms} \$ 주기로 같은 칩 전송률 \$ 1.023 \\mathrm{Mcps} \$과 칩 길이 \$10230\$ 를 가지며, 어떻게 웨일 코드(weil code)를 구하는가?", "파일럿 구성요소를 위한 계층 코드를 만들려면 연산을 통해 두 코드를 조합하기 전에 먼저 주 코드의 첫 번째 칩의 시작과 보조 코드의 시작을 동일한 시점에 정렬해야 해?", "\$ C(n ; w ; p)=W((n+p-1) \\bmod N ; w) \$<caption>(\$8\$)</caption></p><p>식 (8)에서 \$ n\$ 은 \$0\$ 에서 \$ N_{0}-1 \$ 까지의 값이 가능하며 \$ p \$ 는 무엇을 의미하는가?", "연산을 통해 두 코드를 조합하기 전에 먼저 주 코드의 첫 번째 칩의 시작과 보조 코드의 시작과 동일한 시점에 정렬 하여 파일럿 구성요소를 위한 계층 코드를 생성하며, 후에 원래의 두 코드보다 더 긴 길이의 코드를 어떻게 얻는가?", "어떻게 구성된 레인징 코드를 데이터 구성요소에서 사용하는가?", "\$ C(n ; w ; p)=W((n+p-1) \\bmod N ; w) \$<caption>(\$8\$)</caption>에서 표현된것 같이, 결과적으로 길이 \$ \\mathrm{N}_{0} \$ 의 레인징 코드는 길이 \$ \\mathrm{N} \$의 웨일 코드를 어떻게 얻는가?", "어떤 레인징 코드만을 데이터 구성요소에서 사용하는가?" ]
86f11ea7-ee72-42bc-b7a9-9368ab7d5d71	인공물ED	BDS B1C 신호 체계 분석	<h1>III. 결론</h1><p>본 논문에서는 GNSS 분야에 있어서 지속적으로 상승 추세에 있는 중국의 영향력을 고려하여 개발 마무리 단계에 있는 중국의 BDS 공개 서비스 신호, B$1$C에 관한 내용을 정리하였다. B$1$C 신호 체계를 설계하기 위하여 요구되는 정보를 중점적으로 다루었으며 본 정보는 B$1$C 신호 체계 설계를 용이하게 해줄 뿐 아니라 나아가 BDS B$1$C수신기 설계에도 충분히 활용될 수 있다. BDS가 세계 GNSS 제품군에 통합되어 GNSS 산업의 새로운 시대를 이끌 수 있을 것으로 예상되는 만큼 본 논문에 이어 BDS 연구에 대한 더 많은 국내 연구진의 노력이 요구된다.</p>	[ "본 논문에서 어떠한 분야에서 계속된 상승기류에 있는 중국의 영향력을 생각하여, 개발이 끝나가는 중국의 BDS 공개 서비스 신호, B\$1\$C에 대한 내용을 정리했는가?", "B\$1\$C 신호 체계의 설계를 위해서 요구되는 정보를 중점적으로 다룬 본 정보는 B\$1\$C 신호 체계 설계를 쉽게 만들어주면서 또한 어떤 분야에도 활용이 가능한가?", "본 논문에서 중국의 GNSS 분야에서의 지속적인 상승 추세와 영향력을 고려하여, 거의 개발이 끝나가고 있는 중국의 어느 분야에 관한 내용을 정리하였는가?", "본 논문에서는 어느 나라의 GNSS 분야의 영향력을 염두하여서, 이 나라의 개발이 끝나가고 있는 BDS 공개 서비스 신호, B\$1\$C에 관한 내용을 정리하였는가?", "BDS가 통합되어 있는 것은 세계의 어느 제품군인가?", "본 논문에서 중점적으로 다룬 정보는 무엇을 설계하기 위해 요구되는 정보인가?", "본 논문에서 중점적으로 다룬 B\$1\$C 신호 체계를 설계하기 위한 정보는, B\$1\$C 신호 체계 설계는 쉽게 해주지만 BDS B\$1\$C수신기 설계에 활용되기에는 많은 어려움이 있는가?", "세계 GNSS 제품군에 BDS가 아직 미통합 되어 있기에, 앞으로 GNSS 산업의 새 시대를 열기 위해서는 BDS 연구에 관하여 더 많은 국내 연구진의 노력이 필요한가?" ]
49b6920e-c8fe-4e8b-afbc-f6e21819ad67	인공물ED	주파수 선택적 레이돔 결함요소 해석을 위한 반-무한배열구조 해석 방안에 관한 연구	<h1>Ⅰ. 서론</h1><p>주파수 선택 구조(Frequency Selective Surface, FSS) 는 단위셀(Unit-cell)이 무한히 배열되어 특정 주파수 대역을 선택적으로 투과 또는 반사하는 전자기 주기구조이다. 전자기 주기구조는 단위 셀을 설계하고, 단위셀이 무한배열된 구조를 가정하여 해석한다. 하지만, 이를 실제 제작하여 적용하는 경우 유한배열구조로 적용되며, 응용에 따라 곡면형구조, 대면적구조로 적용된다. 주기구조는 무한배열구조에서 이상적으로 동작하며, 유한배열구조로 적용하는 과정에서 발생하는 다양한 구조적 오차요소들에 대한 연구가 필요하다. 그 예로 FSS의 대표적인 응용분야인 레이돔을 제작하는 과정에서 곡면형 형상에 최적화된 제작을 위해 FSS 시트를 형상에 맞게 재가공하여 패널 형태로 조합하는 제작방식을 도입하고 있으며, 이때 패널의 접합부에서 패턴의 불연속 영역이 발생하게 된다. 접합부에는 빈 틈새가 존재하고, 잘려나간 패턴이 그대로 접합되거나, 어긋난 패턴 형상이 접합되는 등 다양한 전자기 결함요소들이 존재한다. 이러한 전자기 결함요소들 중 전파 투과성능에 영향이 큰 요소들을 해석, 측정을 통해 예측하고, 성능변화에 영향이 큰 결함요소를 최소화한 제작이 필요하다.</p><p>주기구조에서 발생하는 결함요소를 해석하고, 투과성능을 관찰하기 위해 유한배열구조에 대한 해석이 선행되어야 한다. 유한배열구조 해석 관련 선행연구로, 자유공간 해석법(Free space simulation model)과 반-무한배열 해석법(Semi-infinite analysis model)이 있다. 자유공간 해석법은 자유공간 측정 환경을 그대로 해석환경에 구현한 $ \mathrm{N} \times \mathrm{N} $ 배열 구조 해석법으로, 안테나 모델링과 이를 포함하는 전체 구조를 해석하기 위해 많은 메모리와 오랜 해석시간이 요구된다. 반-무한배열 해석법은 한 방향으로 주기배열, 다른 방향으로는 유한배열 되는 $ 1 \times \mathrm{N} $ 배열 구조 해석법으로, 자유공간 해석법에 비해 해석시간 단축에 용이하지만, 주기배열 방향으로 결함의 영역도 함께 주기성을 갖는 특징이 있다. 반-무한배열 해석법은 $ \mathrm{N} \times \mathrm{N} $ 배열 구조의 중심부에서 발생하는 일부 패턴 결함에 대한 구조 모델링 및 정확한 해석에 한계가 있지만, 전파 투과성능에 영향이 큰 결함요소를 파악하고자 하는 경우에 대해서 해석시간을 단축할 수 있는 이점이 있다. 또한, 주기구조의 중심부에서 연속적으로 존재하는 불연속 영역에 대해 해석을 통해 성능변화 요소를 예측할 수 있다.</p><p>유한배열구조와 주기구조 해석 시 소요되는 시간과 메모리, 분할된 메쉬 개수를 표 1 에 나타내었다. 간단한 예로, 3차원 상용 전자기 해석 소프트웨어인, Ansys HFSS 를 이용하여 PEC로 구성된 사각 루프구조의 $ 10 \mathrm{GHz} $ 단일 주파수 해석을 진행하였고, 유한배열, 반-무한배열, 주기구조 해석에 소요되는 해석 시간과 메모리를 비교하였다. 투과성능을 관찰하기 위해 각 주파수 마다 해석하는 경우에, 유한배열구조는 기하급수적으로 시간이 증가하게 되며, 컴퓨터의 메모리 성능에 따라 해석이 불가능한 문제가 발생 할 수 있다. 또한, 해석 정확도 확보를 위해 기존보다 메쉬를 세분화하여 분할하는 경 우에, 상당한 시간과 메모리 소요가 요구된다. 본 논문에서는 전자기 주기구조를 제작 및 적용하는 과정에서 발생하는 결함요소 해석을 위해 반-무한배열 해석방안을 제안하고, 해석 및 측정결과를 비교하여 유한배열 구조 내 결함요소의 해석 가능성 검증을 목표로 하였다.</p>	[ "자유공간 해석법이란 무엇인가?", "주파수 선택 구조는 반전자기 주기구조인가?", "주파수 선택 구조의 단위셀은 유한히 배열되어 있는가?", "주파수 선택 구조는 특정 주파수 대역을 선택적으로 투과 또는 반사하는가?", "단위셀이 무한히 배열되어 특정 주파수 대역을 선택적으로 투과 또는 반사하는 전자기 주기구조는 무엇인가?", "전자기 주기구조는 무엇을 설계하나?", "무엇을 전자기 주기구조가 설계하고 있어?", "주기구조는 유한배열구조에서 이상적으로 동작하는가?", "주기구조는 어떤 구조에서 이상적으로 동작하는가?", "무한배열구조에서 이상적으로 동작하는 구조는 무엇인가?", "자유공간 해석법은 해석시간이 짧은가?", "자유공간 해석법은 많은 메모리가 필요한가?", "유한배열구조 해석 관련 선행연구로 반-무한배열 해석법과 함께 있는 것은?", "유한배열구조에 대한 해석이 선행되면 주기구조에서 발생하는 결함요소를 해석하고, 투과성능을 관찰할 수 있나?", "FSS 시트의 접합부에는 빈 틈새가 존재하지 않는가?", "유한배열구조 해석 관련 선행연구로 닫힌공간 해석법이 있는가?", "유한배열구조 해석 관련 선행연구로 반-무한배열 해석법이 있는가?", "한 방향으로 주기배열, 다른 방향으로는 유한배열 되는 \$ 1 \\times \\mathrm{N} \$ 배열 구조 해석법은 무엇인가?", "반-무한배열 해석법의 특징은?", "반-무한배열 해석법의 특성은 뭐야?", "반-무한배열 해석법의 한계점은 뭐지?", "반-무한배열 해석법은 어떤 장점을 가지고 있어?", "유한배열구조는 선형적으로 시간이 증가하게 되나?", "유한배열구조의 시간 증가는 어떤식으로 증가되나?", "유한배열구조는 컴퓨터의 메모리 성능과 해석이 상관없는가?", "주파수 선택 구조는 어떤 주기구조인가?", "주파수 선택 구조는 어떤 주기구조야?", "전자기 주기구조는 단위 셀을 설계하는가?", "단위 셀을 전자기 주기구조는 설계하니?", "반-무한배열 해석법은 자유공간 해석법에 비해 어떤 점이 용이한가?", "전자기 주기구조는 단위 셀을 설계하고, 단위셀이 무한배열된 구조를 가정하여 해석하나 실제 제작할 경우 어떤 구조로 적용될 수 있나?", "주기구조에서 발생하는 결함요소를 해석하고, 투과성능을 관찰하기 위해 해석이 선행되어야 하는 구조는?", "전자기 주기구조는 단위 셀을 설계하고, 단위셀이 무한배열된 구조를 가정하여 해석하나 실제 제작하는 경우 어떤 구조로 적용되나?", "유한배열구조는 해석 정확도 확보를 위해 기존보다 메쉬를 세분화하여 분할하는 경우에, 상당한 시간과 메모리 소요가 요구되는가?" ]
15e98f94-9046-4eff-a749-4d6e26c6dbb9	인공물ED	주파수 선택적 레이돔 결함요소 해석을 위한 반-무한배열구조 해석 방안에 관한 연구	<h2>2. 결함요소가 포함된 FSS의 해석 및 측정</h2><p>레이돔 제작 시 FSS 패널 접합부에서 발생 가능한 패턴 손상에 대해 해석과 측정실험을 진행하였다. 해석에 앞서, 측정 셋업에서 송신 안테나의 빔 영역을 고려하여, 빔 영역 내에 들어오는 단위셀 개수와 반-무한배열 해석에서 유한배열 되는 단위 셀 개수를 일치시켜야 동일한 배열 조건에서 패턴 손상에 의한 성능 변화를 비교할 수 있다. 따라서 빔 영역 내에 존재하는 단위셀의 개수를 계산하여 반-무한배열구조의 유한배열 개수를 일치시킨 상태에서 해석과 측정결과를 비교하였다. 그림 6 과 같이 자유공간 측정환경에서 전파 투과특성을 측정하였으며, 측정 지그의 개구 사이즈는 $ 200 \times 200 \mathrm{mm} $ 로 $ 22 \times 22 $ 개의 FSS 단위셀이 배열되며 개구 주위로 흡수체가 부착된 지그에서 측정하였다. 또한, $ 2 \sim 18 \mathrm{GHz} $의 광대역 혼 안테나를 사용하였으며, FSS 시편과 송신 안테나 사이 거리로 $ 100 \mathrm{cm} $ 로 두었으며, 이 때 광대역 혼 안테나는 안테나로부터 $ 100 \mathrm{cm} $ 떨어진 거리에서 $ 15 \mathrm{cm} $ 의 빔 영역을 가지며, $ 150 \mathrm{mm} $ 의 빔 영역 내에 $ 16 \times 16 $ 개의 FSS 단위 셀이 존재한다.</p><p>측정환경과 동일하게, 유한배열 방향으로 16 개의 단위셀을 배열하여 $ 1 \times 16 $ 의 구조에 대해서 반-무한배열 해석을 진행하였다. 접합부에서 발생 가능한 불연속 요소들 중, 그림 7과 같이 접합부에서 패턴이 손상되며, $ 1 \mathrm{mm} $ 틈이 존재하는 경우로 가정하여 전파 투과성능을 해석 및 측정하였다. TE, TM 편파의 입사각 $ 0^{\circ}, 45^{\circ} $ 에 대해서 해석 및 측정하였으며, 이를 그림 8 그림 11에 나타내었다. 반-무한배열 해석결과, TE 편파의 수직입사 시 결함없는 FSS의 경우, $ 9.5 \sim 10.5 \mathrm{GHz} $ 대역에서 $ 94.5 \% $ 의 평균 투과율을 확인하였다. $ 0.5 \mathrm{mm} $ 손상의 경우 $ 85.5 \%, 1.5 \mathrm{mm} $ 손상의 경우, $ 85.1 \% $ 의 평균 투과율을 확인하여, 관심대역에서 $ -9.2 \% $ 의 평균 투과율 감소를 확인하였다. TM 편파의 경우, 패턴이 손상된 경우에도 결함없는 FSS와 유사한 성능을 확인하였고, 미미한 성능 변화를 확인하였다.</p><p>편파에 따른 성능변화의 차이는 전기장의 입사방향에서 전도성 패턴의 길이 변화에 의한 차이로 예상된다. 그림 12 와 같이, E-field가 수평방향으로 진행하는 TE 편파의 경우, 패턴 손상에 의해 전도성 길이가 감소하였고, 손상된 패턴이 투과성능에 영향을 주어 이로 인한 투과율 감소로 예상된다.</p><p>FSS 패턴이 손상되는 경우, 관심대역의 투과성능 저하를 확인하였고 전자기성능 변화에 영향 있는 결함요소로 판단하였다. 결함 있는 구조의 반-무한배열 해석과 측정결과 사이에 일부 오차가 있지만,전체적으로 성능변화가 발생하는 지점에서 동일한 경향을 확인하였다. 반-무한배열 해석을 이용하여 접합부에서 발생하는 FSS 불연속 영역에 대해 해석 가능성을 확인하였다.</p>	[ "본문에선 레이돔 제작 시 무엇의 패널 접합부에서 발생 가능한 패턴 손상에 대해 해석과 측정실험을 진행하였어?", "측정 셋업에서 송신 안테나의 무엇을 고려해야해?", "측정 셋업에서 송신 안테나의 무엇을 참작해야하지?", "빔 영역 내에 들어오는 단위셀 개수와 반-무한배열 해석에서 무엇이 되는 단위 셀 개수를 일치시켜야 동일한 배열 조건에서 패턴 손상에 의한 성능 변화를 비교할 수 있어?", "빔 영역 내에 들어오는 단위셀 개수와 반-무한배열 해석에서 유한배열 되는 단위 셀 개수를 불일치시켜야 동일한 배열 조건에서 패턴 손상에 의한 성능 변화를 비교할 수 있어?", "본문에서 빔 영역 내에 존재하는무엇을 계산해서 반-무한배열구조의 유한배열 개수를 일치시켰어?", "본문에서 사용한 측정 지그의 개구 사이즈는 얼마야?", "측정 지그의 개구 사이즈는 본문에서 얼마의 사용을 했어?", "FSS 시편과 송신 안테나 사이 거리가 얼마야?", "몇 개의 FSS 단위셀이 배열되었어?", "광대역 혼 안테나의 \$ 150 \\mathrm{mm} \$ 의 빔 영역 내에 몇 개의 FSS 단위 셀이 존재해?", "광대역 혼 안테나는 안테나로부터 100 \\mathrm{cm}100cm 떨어진 거리에서 150mm 의 빔 영역을 가지고 있어?", "무슨 방향으로 16 개의 단위셀을 배열하여 \$ 1 \\times 16 \$ 의 구조에 대해서 반-무한배열 해석을 진행했어?", "광대역 혼 안테나는 안테나로부터 \$ 100 \\mathrm{cm} \$ 떨어진 거리에서 얼마의 빔 영역을 가지고 있어?", "유한배열 방향으로 몇개의 단위셀을 배열하여 \$ 1 \\times 16 \$ 의 구조에 대해서 반-무한배열 해석을 진행한거야?", "유한배열 방향으로 16 개의 단위셀을 배열하여 어떤 구조에 대해 반-무한배열 해석을 진행했어?", "접합부에서 패턴이 손상되며, \$ 1 \\mathrm{mm} \$ 틈이 존재하는 경우는 접합부에 발생 가능한 어떤 요소라고 할 수 있어?", "접합부에서 패턴이 손상되며, \$ 1 \\mathrm{mm} \$ 틈이 존재하는 경우로 가정하여 무엇을 해석, 측정했어?", "TE 편파의 수직입사 시 결함없는 FSS의 경우, \$ 9.5 \\sim 10.5 \\mathrm{GHz} \$ 대역에서 평균 투과율이 얼마야?", "\$1.5 \\mathrm{mm} \$손상된 경우 평균 투과율이 \$ 85.5 \\% \$야?", "본문의 관심대역에서 평균 투과율은 얼마만큼 감소해?", "TM 편파의 경우에는 무엇이 손상되어도 FSS와 유사한 성능을 가져?", "TM 편파는 패턴이 손상되면 결함없는 FSS에 비해 성능이 떨어져?", "편파에 따른 성능변화의 차이는 전기장의 입사방향에서 어떤 패턴의 길이 변화에 의한 차이로 예상할 수 있어?", "편파에 따른 성능변화의 차이가 전기장의 입사방향에서 전도성 패턴의 길이 변화에 의한 차이와 상관이 있어?", "E-field가 수평방향으로 진행하는 TE 편파일 때, 패턴 손상에 의해 무엇이 감소해?", "패턴 손상에 의해 전도성 길이가 감소하면 무엇에 영향을 줄 수 있어?", "손상된 패턴은 투과성능에 영향을 주어 무엇을 감소시킬 수 있어?", "FSS 패턴이 손상되면 관심대역의 투과성능이 향상돼?", "어떤 해석을 이용하여 접합부에서 발생하는 FSS 불연속 영역을 해석할 수 있어?", "FSS 패턴이 손상되는 경우 전자기성능 변화에 영향 있는 결함요소라고 할 수 있어?", "유한배열 방향으로 16 개의 단위셀을 배열하여 \$ 1 \\times 16 \$ 의 구조에 대해서 반-무한배열 해석을 진행하는 것은 측정환경과 동일해?", "유한배열 해석을 이용하면 접합부에서 발생하는 FSS 불연속 영역에 대해 해석할 수 있어?", "본문에서 자유공간 측정환경에서 측정한 게 뭐야?", "무엇이 본문에서 자유공간 측정환경에서 측정되었지?", "본문에서 어떤 안테나를 사용하였어?", "본문에서 사용된 광대역 혼 안테나는 몇 \$ GHz\$야?", "접합부에서 패턴이 손상되며, \$ 1 \\mathrm{mm} \$ 틈이 존재하는 경우는 접합부에 발생가능한 요소가 아니야?", "무엇의 수직입사 시 결함없는 FSS의 경우, \$ 9.5 \\sim 10.5 \\mathrm{GHz} \$ 대역에서 \$ 94.5 \\% \$ 의 평균 투과율을 확인할 수 있어?", "TE 편파의 수직입사 시 결함없는 FSS의 경우에 평균 \$ 94.5 \\% \$의 투과율을 확인할 수 있는 대역이 얼마야?", "접합부에서 패턴이 몇 \$\\mathrm{mm}\$ 손상되면 \$ 85.5 \\% \$의 평균 투과율을 확인할 수 있어?" ]
5ffacef5-5818-44da-ae76-2b66f7ac7b6a	인공물ED	주파수 선택적 레이돔 결함요소 해석을 위한 반-무한배열구조 해석 방안에 관한 연구	<h1>요약</h1><p>본 논문에서는 전자기 주기구조인 주파수 선택 구조를 레이돔에 적용하는 과정에서 발생하는 결함요소를 해석하기 위해 반-무한배열구조 해석방법을 제안하였다. 3D 전자기 해석 소프트웨어를 이용하여 $ \mathrm{N} \times \mathrm{N} $ 유한배열 구조를 해석 하게 되면 많은 해석시간과 메모리가 소요되는 반면 제안한 반-무한배열구조 해석을 이용하면 적은 계산시간으로 전자기성능을 비교적 정확하게 예측할 수 있다. 주기구조해석과 반-무한배열구조의 해석 결과를 비교하여 $ \pm 3 \% $ 이내의 오차를 확인하였다. 주기적으로 배열된 패턴의 중심부에 발생한 결함요소에 대해 해석과 측정결과를 비교하였으며, 일부 해석과 측정결과의 오차는 존재하지만, 성능변화 지점에서 동일한 경향성과 관심대역에서 유사한 성능저하를 확인하였으며, 반-무한배열구조 해석을 이용하여 전자기 주기구조 내 발생하는 결함요소의 해석 가능성을 확인하였다.</p>	[ "본 논문에서 제안한 것은 무엇인가?", "3D 전자기 해석 소프트웨어를 이용하여 \\mathrm{N} \\times \\mathrm{N}N×N 유한배열 구조를 해석 하게 되면 어떻게 되는가?", "제안한 반-무한배열구조 해석을 이용하면 어떤 효과가 있는가?", "주기구조해석과 반-무한배열구조의 해석 결과를 비교하여 \$ \\pm 4 \\% \$ 이내의 오차를 확인하였다.", "일부 해석과 측정결과의 오차는 존재한다." ]
40df2b3f-7b5f-4acb-85b3-5997c32374f6	인공물ED	주파수 선택적 레이돔 결함요소 해석을 위한 반-무한배열구조 해석 방안에 관한 연구	<h1>Ⅲ. 결론</h1><p>본 논문에서는 전자기 주기구조의 설계와 제작 사이의 오차요소에 대해 해석을 통해 성능변화를 예측하기 위한 방안으로 반-무한배열 해석법을 제안하였다. 전자기 주기구조는 무한배열을 가정하여 설계되지만, 실제 제작되는 경우에 유한배열구조로 적용되며, 제작 과정에서 발생하는 결함요소 고려해야한다. 반-무한배열구조 해석의 신뢰성 확보를 위해 자유공간 측정결과와 비교하였으며, FSS의 중심부에서 패턴이 손상되는 경우에 대해 해석과 측정결과에서 유사한 투과성능 변화를 확인하였다. 레이돔의 FSS 패널 접합부에 발생하는 패턴손상의 결함에 대해 성능 저하가 심화되는 결함요소로 확인하였으며, 레이돔 제작 시, 접합부의 패턴손상을 최소화한 설계 및 제작이 고려되어야 한다. 본 논문에서 제안하는 반-무한배열 해석을 통해 대면적 구조의 접합면, 또는 FSS의 중심부에 발생하는 다양한 결함요소에 대해서 영향 분석이 가능하다. 또한, 실제 레이돔은 곡면 형상인 점을 고려하여, 곡면 구조에 대한 불연속 영향 분석으로 응용될 수 있다.</p>	[ "신뢰성 검증은 반-무한배열구조 해석인 경우 어떻게 이뤄지나요?", "실제 제작되는 전자기 주기구조 어떻게 제조되나요?", "본 논문은 언급한 결함 요소의 영향 분석을 어떻게하나요?", "반-무한배열 해석은 어떻게 활용할 수 있나요?", "결함요소에 대해 레이돔 제작은 어떻게 이뤄져야하나요?", "제안한 반-무한배열 해석은 레이돔을 어떻게 고려하고 분석하나요?", "논문에서 제안된 반-무한배열 해석은 레이돔에서 어떻게 사용되나요?", "레이돔의 FSS 패널 접합부에 패턴손상은 어떻게 평가되나요?", "전자기 주기구조는 어떻게 설계되어지나요?", "어떻게 전자기 주기구조가 만들어져?", "반-무한배열 해석법은 어떻게 제안되었나요?", "어떻게 반무한배열 해석법이 제의되었지?", "반-무한배열구조 해석의 비교 실험에서 확인한 결과를 바탕으로 어떻게 설계될 것을 지적하나요?", "FSS의 중심부, 대면적 구조의 접합면에 발생하는 다양한 결함요소의 분석을 어떻게 확인 가능한가요?", "반-무한배열 해석법은 결함요소 극복을 위해 어떻게 작동하나요?", "본 논문은 어떻게 오차요소로 인해 생기는 성능 변화를 예측하고자하나요?", "반-무한배열 해석법의 성능 변화의 예측은 어떻게 이뤄지나요?", "전자기 주기구조는 어떻게 설계되나요?", "어떻게 전자기 주기구조가 설계되지?", "반-무한배열 응용해석은 어떻게 제시되어지나요?", "가정된 설계와 다르게 실제 제작에서 전자기 주기구조는 어떻게 설계 되어야하나요?", "FSS의 중심부에서 패턴이 손상된 경우 어떻게 처리하나요?" ]
7fc3f2ea-d584-4b3f-b346-ad04318df587	인공물ED	주파수 선택적 레이돔 결함요소 해석을 위한 반-무한배열구조 해석 방안에 관한 연구	<h1>Ⅱ. 본론</h1><h2>1. 반-무한배열구조의 해석</h2><p>본 논문에서는 반-무한배열구조 해석을 위해 전자기 해석 소프트웨어로 Ansys 사의 HFSS를 사용하였다. 전자기 주기구조 해석은 Floquet 이론을 기반으로 하며, 단위 셀에 전기장(E-field)을 인가하여 주기성을 갖는 방향으로 동일위상을 보정하여 단위셀 주위로 동일한 셀의 무한배열을 가정하며, 평면파의 입사 대비 반사/투과되는 전기장양으로 반사/투과 성능을 계산한다. 주기구조 해석 모델로 Floquet 모드와 공간포트 모드가 있으며, Floquet 모드는 Floquet 포트에서 평면파를 인가하며, 해석 소프트웨어 상에서 Floquet 포트는 주기경계조건인 Master, Slave와 함께 사용되는 오직 주기구조 해석을 위한 모델이다. 공간포트 모드는 흡수경계조건인 PML(Perfect Matched Layer)과 평면파를 직접 인가하여, PML로부터 흡수되는 전기장의 양으로 입사 대비 반사/투과를 계산한다. 공간포트모드는 1 쌍의 주기경계조건을 필요로 하며, 경계조건 설정에 자유도가 있다.</p><p>반-무한배열 해석은 주기구조 해석모델 중 공간포트모드를 응용하여 단 방향으로 주기성을 가정하고, 유한배열방향으로 흡수경계조건을 설정하여 단위구조의 배열을 제한하는 구조로 구성하였다. 그림 2에 나타낸 바와 같이, 무한배열구조는 단위셀을 $ \mathrm{x}, \mathrm{y} $ 축으로 무한배열을 가정하는 구조이며, 반-무한배열 해석법은 유한배열 되는 $ \mathrm{x} $ 축으로 $ \mathrm{N} $ 개의 단위셀을 배열하고, 무한배열 되는 $ \mathrm{y} $ 축으로 1 줄의 단위셀을 배열하는 $ 1 \times N $ 배열 구조이다.</p><p>반-무한배열 해석모델의 경계조건 설정 방법을 그림 3에 나타내었다. PML은 흡수경계조건이지만 설정에 따라 공간포트 기능을 한다. 전자기파의 입사 대비 반사/투과를 계산하는 영역에 공간포트 기능의 PML(1&2)을 설정하고, 동시에 FSS를 유한 배열로 한정하는 지점에 흡수경계 기능의 PML(3&4)을 설정하며, 공간상자(airbox) 주위로 총 8 개의 PML 박스가 형성된다. 공간포트 모드을 설정하기 위해 전자기파가 입사되는 PML(1)에 "Reference for FSS"를 활성화 하며, 이로서 PML(1)을 Reference plane으로 하여 반사/투과되는 전기장의 양으로 산란파라미터를 계산한다. 생성된 PML 박스와 공간상자, FSS를 포함하여 1쌍의 Master, Slave를 설정하여 단방향의 주기배열을 가정한다. 마지막으로, 앞서 기준면(Reference plane)으로 지정했던 PML(1)과 동일 평면에 평면파를 설정해준다.</p><p>주기구조와 반-무한배열구조의 해석 결과 비교를 위해 단순 구조인 사각루프구조에 대해서 해석을 진행하였으며, X-band의 선택적 투과특성을 갖는 슬롯 타입으로 설계하였다. 해석결과를 비교하기 위하여 두께 $ 0.2 \mathrm{mm} $, 유전율 4.62, 손실탄젠트 0.018을 갖는 FR4 기판을 이용하여 FSS를 제작하였으며, 단위셀과 제작된 FSS를 그림 4 에 나타내었다.</p><p>설계한 단위셀은 $ 10.07 \mathrm{GHz} $ 에서 중심주파수를 가지며, 이때 $ 98.03 \% $ 의 전파 투과성능을 보이며, $ 90 \% $ 투과율을 기준으로 $ 2.6 \mathrm{GHz} $ 의 대역폭을 갖는다. 이는 주기구조 해석 결과이며, 주기구조와 반-무한배열구조의 해석결과를 그림 5와 표 2에 나타내었다. 성능 비교 시, 중심주파수, 대역폭, 투과율 성능에서 엄격한 조건인 $ \pm 3 \% $ 이내의 오차를 만족하여, 동일한 투과성능 결과를 확인하였다.</p>	[ "본 논문에서 반-무한배열구조 해석을 위해 사용한 것은 뭐야?", "반-무한배열구조 해석을 위해 본 논문에서 이용한 것은 뭐지?", "전자기 주기구조 해석은 무엇을 기반으로 해?", "무엇을 바탕으로 전자기 주기구조 해석을 하지?", "단위 셀에 무엇을 인가해?", "무엇을 단위 셀에 인가했지?", "단위 셀에 전기장을 인가하여 주기성을 갖는 방향으로 무엇을 보정해?", "주기구조 해석 모델로 무엇이 있어?", "Floquet 포트에서 평면파를 인가하는 것은 어떤 모드야?", "공간포트 모드는 흡수경계조건인 PML과 평면파를 간접적으로 인가하는가?", "전자기 해석 소프트웨어로 어디의 HFSS를 사용했어?", "평면파의 입사 대비 반사/투과되는 전기장양으로 무엇을 계산해?", "공간포트모드는 무엇을 필요로해?" ]
b86441d4-86c9-4742-8bd9-67f3f7c9850a	인공물ED	가속도계를 이용한 편마비 환자의 보행 분석 알고리즘 개발	<h1>Ⅲ. 실험 및 결과 고찰</h1> <p>본 연구에서는 보행 가속도 신호를 측정할 수 있는 휴대용 무선 가속도 측정 시스템을 개발하고 이를 이용하여 편마비 환자의 재활 훈련 평가 시 도움을 주기 위한 보행 분석 알고리즘을 개발하였다. 8명의 편마비 환자로부터 얻은 보행 가속도 신호를 이용하여 보행 분석 알고리즘을 개발한 후 8명의 편마비 환자로부터 얻은 보행 가속도 신호에 이를 적용하고 평가하였다.</p> <p>그림 8은 본 연구에서 개발한 보행 분석 알고리즘에 보행 가속도 신호를 적용하였을 때 나온 결과 파형의 한 예이다. 수직 축의 단위는 $ \mathrm{g} $ 이고 수평 축의 단위는 초이다. 작은 원으로 표시된 지점이 알고리즘에 의해 검출된 보행 구분점이다. 또한 사각파의 (+) 구간이 오른쪽 발이 운동하는 구간이고 (-) 구간이 왼쪽 발이 운동하는 구간이다.</p> <p>보통 정상인의 경우 규칙적인 보행 가속도 패턴을 보이는 반면, 편마비 환자의 경우 정상인 보다 보행의 안정성이 떨어지므로 불규칙적인 패턴을 보인다. 정상인과는 달리 편마비 환자의 수직 방향 보행 가속도 신호의 경우 그림 8의 1번 점과 같이 검출해야 하는 정점 (보행 구분점)과 정점 사이에서 이 정점들보다 값이 큰 점들이 나타나는 경우가 있으며 또한 대부분 환측을 내딛을 때의 가속도 크기가 건측의 경우보다 작기 때문에 그림 8의 2, 3, 4번 점과 같이 검출해야 하는 정점의 크기가 작은 경우도 있다. 따라서 단순히 원 신호에 문턱치를 적용하여 주요 정점을 구분하는 방법은 편마비 환자의 보행 가속도 신호에 적용하기 힘들기 때문에 원 신호를 직접 이용하는 방법 대신 다른 방법이 필요하다.</p> <p>편마비 환자로부터 얻은 보행 가속도 신호의 분석이 어려운 이유 중의 하나는 불규칙적인 고주파 성분에 기인하므로 이를 제거하기 위하여 피검자의 보행 주기 특성에 따라 차단 주파수를 다르게 결정한 디지털 저역통과 필터(4차, Butterworth)를 사용하였다. 필터를 적용한 후의 보행 가속도 신호는 고주파 성분의 영향이 제거된 사인파 형태의 간단한 패턴을 가지게 된다. 여기서 수직 방향의 보행 가속도 신호 주기는 보의 주기와 상관성을 갖고 수평 방향의 보행 가속도 신호 주기는 보행 주기와 상관성을 갖는다. 수직 방향의 보행 가속도 신호의 주 정점을 검출한 후 필터 사용에 의한 원 신호에서의 시간 지연을 보정하고 원 신호에서 보정된 지점의 전후 12개의 샘플 범위(0.2초) 안에서 최대 점을 검출하여 보행 구분 점으로 사용하였다. 이와 같은 방법은 수직 방향 보행 가속도 신호의 특징 점과 시간 보행 인자와 관련이 있다는 기존 연구 결과에 의한 것으로서 향후 보행 가속도 신호를 기존의 검증된 보행 분석 시스템의 데이터와 동기화하여 분석함으로써 알고리즘의 신뢰성을 높여야 할 필요가 있다.</p> <table border><caption>표 2. 보행 구분점 검출 결과</caption> <tbody><tr><td>Case</td><td>비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수</td><td>알고리즘을 이용하여 검출한 보행 구분점의 수</td><td>검출율 (%)</td></tr><tr><td>1</td><td>19</td><td>19</td><td>100</td></tr><tr><td>2</td><td>30</td><td>30</td><td>100</td></tr><tr><td>3</td><td>15</td><td>15</td><td>100</td></tr><tr><td>4</td><td>24</td><td>24</td><td>100</td></tr><tr><td>5</td><td>20</td><td>20</td><td>100</td></tr><tr><td>6</td><td>28</td><td>28</td><td>100</td></tr><tr><td>7</td><td>17</td><td>17</td><td>100</td></tr><tr><td>8</td><td>32</td><td>32</td><td>100</td></tr></tbody></table> <p>표 2는 본 연구에서 대조군으로 참여한 편마비 환자 8명의 보행 구분 점의 검출 결과를 보여준다. 보행 능력에 따라 보장과 걸음속도가 다르므로 측정 거리 $ 10 \mathrm{m} $ 안에서의 전체 보행 구분 점의 수는 $ 15 \sim 32 $개로 다양하게 분포하였고 모든 보행 구분 점을 검출하여 $ 100 \% $의 검출율을 보였다. 신호처리에 앞서 디지털 저역 통과 필터를 적용함으로써 신호의 앞부분에서 나타나는 과도기적인 1초간의 신호를 제거한 후 알고리즘에 적용하였다. 따라서 측정 시작 후 1초안에 나타나는 보행 구분 점은 전체 보행 구분 점의 수에 포함시키지 않았다.</p> <p>보행 구분 점을 검출한 후에는 수평 보행 가속도 신호를 이용하여 오른쪽 발과 왼쪽 발을 구분하였다. 그림 9(상)에서 신호의 (+) 구간이 오른쪽 발이 운동하는 구간이고 (-) 구간이 왼쪽 발이 운동하는 구간이다. 이 점을 이용하여 보행 구분 점으로 구분된 각 보의 구간 동안의 수평 방향 보행 가속도 신호의 크기를 비교하여 좌우를 구분하였다. 대조군 8명 모두 좌우 발이 완벽히 구분되었다.</p> <p>표 3 은 알고리즘에 의해 검출된 보행 구분점과 사전에 알고 있는 정보를 바탕으로 계산한 보행 인자들이다. 사전에 알고 있는 정보는 측정거리와 측정시간이며 보행 구분점으로부터 직접적으로 얻어진 정보는 알고 있는 시간동안의 보의 수, 각 보의 평균 소요시간 등이다. 양쪽 발의 보 지연시간의 평균과 표준편차, 활보 지연시간의 평균과 표준편차, 활보 지연시간의 양쪽 발 비율은 보행 구분점 사이의 시간을 계산하여 구하였다. 그리고 이를 이용하여 각 보장의 평균과 표준편차, 보행 속도, 분속수, 한 보행 주기 동안의 수직 방향 보행 가속도 신호의 절대값의 총합, 주 정점 크기의 평균과 표준편차를 구하였다. 식(1)~(3)은 관련 수식들이다.</p> <p>$ V=\frac{D}{T} $<caption>(1)</caption></p> <p>$ S L=V \times S T $<caption>(2)</caption></p> <p>$ C=\frac{120}{S \operatorname{tr} T} $<caption>(3)</caption></p> <p>여기서 $ \mathrm{V} $는 보행 속도 $ (\mathrm{m} / \mathrm{sec})$, $\mathrm{D} $는 측정 거리 $ (\mathrm{m}), \mathrm{T} $는 측정 시간 $ (\mathrm{sec})$, $\mathrm{SL} $은 평균 보장 $ (\mathrm{m})$, $\mathrm{ST} $는 보 평균 소요 시간(sec), $\mathrm{C}$는 분속수$(\mathrm{step}/ \mathrm{min})$, $\mathrm{StrT} $는 활보 평균 소요 시간 $ (\mathrm{sec} / \mathrm{stride}(=2 \mathrm{step})) $을 의미한다. 식 (1)은 측정 거리에 대한 정보를 사전에 알고 있어야 계산할 수 있고 식(2)은 좌우 발의 평균 속도가 같다는 가정 아래 성립한다. 따라서 가정에 큰 하자가 있거나 측정 거리에 대한 정보가 없을 때는 위 수식을 이용하는데 문제점이 생긴다. 향후 사전 정보나 가정에 독립적이고 더 많은 보행 인자를 계산할 수 있도록 알고리즘의 성능을 향상시켜야 할 것이다.</p>	[ "본문의 표 2. 보행 구분점 검출 결과에서 Case 3의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마니?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 2의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마지?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 4의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마인가?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 5의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마일까?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 6의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마 정도야?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 5의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도의 값이니?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 6의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도의 값인가?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 1의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도인가?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 7의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도의 값일까?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 1의 검출율은 얼마 정도의 값을 보이지?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 3의 검출율은 얼마 정도의 값을 보이는가?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 4의 검출율은 얼마 정도의 값을 보일까?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 6의 검출율은 얼마 정도의 값을 가지지?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 8의 검출율은 얼마 정도의 값을 가질까?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 7의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마 정도지?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 8의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마 정도니?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 8의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도의 값을 보여?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 4의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도의 값이지?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 2의 검출율은 얼마 정도의 값을 보이니?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 5의 검출율은 얼마 정도의 값을 가져?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 3의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도의 값이야?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 1의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 얼마야?", "표 2에서 1번 케이스의 비디오 데이터와 보행 가속도 신호를 직접 비교하여 검출한 보행 구분점의 수는 무엇이야?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 2의 알고리즘을 이용하여 검출한 보행 구분점의 수는 얼마 정도일까?", "본문의 표 2. 보행 구분점 검출 결과에서 Case 7의 검출율은 얼마 정도의 값을 가지는가?" ]
a57fb9db-1a41-4ed1-b20b-5ed58fa93df6	인공물ED	가속도계를 이용한 편마비 환자의 보행 분석 알고리즘 개발	<h1>Ⅱ. 본 론</h1> <h2>1. 측정 시스템 설계</h2> <p>본 연구에서 설계한 측정 시스템은 크게 가속도 신호를 측정하여 그 값을 아날로그로 출력하는 가속도 센서부와 그 아날로그 신호를 입력 받아 $A/D $ 변환 후 무선 전송하거나 메모리에 저장하는 송신부, 그리고 송신된 신호를 수신하고 시리얼 통신을 이용하여 개인용 컴퓨터(PC)로 전송하는 수신부로 구성되어 있다.</p> <p>그림 1은 2채널의 가속도 신호를 $ A/D$ 변환 후 RF 모듈을 통하여 무선으로 분석 시스템 PC에 전송하거나 혹은 EEPROM(24LC515, Microchip)에 저장 후 분석 시스템으로 전송하는 시스템의 하드웨어 구성도이다. EEPROM 저장모드의 경우, 30분 정도의 가속도 데이터를 저장할 수 있도록 하였다.</p> <table border><caption>표 1. 실험에 참여한 편마비 환자들의 정보</caption> <tbody><tr><td colspan=2></td><td>실험군</td><td>대조군</td></tr><tr><td colspan=2>나 이 (세)</td><td>$ 48.3 \pm 15.8 $</td><td>$ 46.9 \pm 16.3 $</td></tr><tr><td colspan=2>유병기간 (개월)</td><td>$ 5.9 \pm 2.3 $</td><td>$ 7.2 \pm 3.3 $</td></tr><tr><td rowspan=2>성 별 (명)</td><td>남성</td><td>5</td><td>4</td></tr><tr><td>여성</td><td>3</td><td>4</td></tr><tr><td rowspan=3>마비위치 (명)</td><td>사지</td><td>1</td><td>0</td></tr><tr><td>우측</td><td>4</td><td>4</td></tr><tr><td>좌측</td><td>3</td><td>4</td></tr><tr><td rowspan=2>병 명 (명)</td><td>뇌출혈</td><td>4</td><td>4</td></tr><tr><td>뇌경색</td><td>4</td><td>4</td></tr><tr><td rowspan=4>기능적 보행분류 (명)</td><td>3</td><td>1</td><td>1</td></tr><tr><td>4</td><td>1</td><td>1</td></tr><tr><td>5</td><td>3</td><td>2</td></tr><tr><td>6</td><td>3</td><td>4</td></tr></tbody></table> <p>가속도 센서부는 2축 가속도센서인 ADXL250$(\pm 50 \mathrm{g} $, Analog Device)을 사용하여 신호측정 범위를 $ \pm 1.95 \mathrm{g} $로 조절하였고 $ 16 \mathrm{Hz} $ 저역 통과 필터를 사용하여 고주파 잡음을 제거하였다. 송신부는 마이크로컨트롤러 PIC16 C73B (Microchip)를 기반으로, RF 송신 모듈 TX1-173.250-10 (Radiometrix)을 이용하여 설계하였으며 수신부는 RF 수신 모듈 RX1-173.250-10 (Radiometrix)을 사용하여 설계하였다. 그림 2는 제작된 휴대용 무선 가속도 측정 시스템이다. 왼쪽부터 송신부, 가속도 센서부, 수신부이다.</p> <h2>2. 피검자</h2> <p>2002년 3월부터 8월까지 국립재활병원에 입원한 뇌졸중 환자 중 $ 10 \mathrm{m} $ 이상 독립보행이 가능한 16명을 실험 대상으로 선정하였다. 이 중 8명은 알고리즘 개발을 위한 실험군으로, 8명은 개발한 알고리즘을 검증, 평가하기 위한 대조군으로 실험에 참여하였다. 실험군과 대조군은 기능적 보행 분류(functional walking category: FWC)에 의해 분류된 보행 능력 정도가 고르게 분포하도록 나누었다. 실험군의 평균 연령은 $ 48.3 \pm 15.8 $세였고, 평균 유병기간은 $ 5.9 \pm 2.2 $개월이었다. 마비 위치는 사지 1명, 좌측 3명, 우측 4명이었고 남자 5명, 여자 3명이었다. 또한 대조군의 평균 연령은 $ 46.9 \pm 16.2 $세였고, 평균 유병기간은 $ 7.2 \pm 3.3 $개월이었다. 마비 위치는 좌측 4명, 우측 4명이었고 남자 5명, 여자 3명이었다. 표 1은 실험에 참여한 편마비 환자의 정보이다.</p> <h2>3. 보행 데이터 획득</h2> <p>실험군과 대조군 모두 병원 내의 평평한 복도에서 평상시 보행 속도로 $ 20 \mathrm{m} $를 걷도록 하여 체중심 가속도를 측정하였다. 보행 운동의 안정화를 위해 실제 측정은 시작 $ 5 \mathrm{m} $ 후부터 $ 10 \mathrm{m} $ 동안의 보행에서 이루어졌다. 보행 가속도 데이터를 측정하기 위해 그림 3과 같이 가속도 센서부를 체중심에 가까운 등 중앙 요추 3번과 4번 사이에 스판 재질의 허리밴드로 고정 부착하였다. 샘플링 주파수 $ 60 \mathrm{Hz} $로 $ A/D$ 변환하여 획득한 보행 가속도 신호를 가속도 센서부와 함께 몸에 부착한 송신부를 통하여 수신부로 전송하였다. 수신된 보행 가속도 신호는 분석 시스템으로 전송하여 Matlab 6.5 (Mathworks, USA)를 사용하여 분석하였다. 알고리즘의 평가를 위하여 측정 시 비디오 촬영도 함께 하였다.</p>	[ "표 1 실험에 참여한 편마비 환자들의 정보에서 실험군의 나이는 얼마입니까?", "표 1 실험에 참여한 편마비 환자들의 정보에서 실험군의 성별의 비율은 남성과 여성 중 누가 더 높나요?", "표1에서 실험군의 성별은 남성과 여성 중 작은 쪽은 몇 명 입니까?", "실험군의 성별은 남성과 여성 중 작은 쪽은 표 1의 내용을 참조하면 얼마일까", "표1을 보면 실험군의 유병기간은 어떤가요?", "표1에서 마비위치의 좌측은 실험군과 대조군을 비교하면 어느 쪽이 더 작을까요?", "표1을 보면 유병기간은 실험군과 대조군 중 어떤 것이 더 길까요?", "표1에서 대조군의 나이는 무엇입니까?", "표1을 보면 대조군의 뇌경색은 몇 명일까요?" ]

Subsets and Splits

No community queries yet

The top public SQL queries from the community will appear here once available.