마라마랑 스토어

마라마랑

개인인증

팔로워0 팔로우

소개

등록된 소개글이 없습니다.

전문분야 시험자료공학/기술프로그램소스

판매자 정보

학교정보

입력된 정보가 없습니다.

직장정보

입력된 정보가 없습니다.

자격증

입력된 정보가 없습니다.

판매지수

판매중 자료수

22개
전체 판매량

228개
최근 3개월 판매량

0개
자료후기 점수

평균A+
자료문의 응답률

-

추천자료

UWB(초광대역) 위치인식

UWB 기반 실내 위치 측위 00 공학과 000 2022. 00. 00 . ‘ 과목명 ’ UWBI UWB 표준화 동향 II 정의 III 위치 측위 IV UWB 모듈 조사 V Decawave (Qorvo) UWB Pr..

리포트| 2022.08.27| 73페이지| 3,000원| 조회(162)

무선통신, 블루투스, 통신이론, UWB, 와이파이, 초광대역, 위치인식, UltraWideBand, 실내위치측위, decawave

미리보기

닫기

전체자료 22개

사업계획서 예시

팀이름팀 리더품목명1. 개념 및 정의□ 개념○ 기존 화재 진압용 소방로봇에서 부족한 부분을 보완한 로봇으로, 지하같이 협소한 지역이나 소방관이 진입하기 어려운 화재현장에 스마트 소방로봇이 들어가 화재를 진압할 수 있다.○ 화재현장의 온도를 감지하는 열화상카메라를 통하여 실시간으로 화재를 감지하고 진압할 수 있다.○ 화재현장 같은 고온지역에서는 본체의 손상을 줄 수 있으므로 본체의 온도가 올라가면 상기냉각시스템을 이용하여 본체의 온도를 낮춘다.○ 고온에서의 무선 통신이 가능할 수 있도록 무선 원격 계측 회로를 이용하여 원격으로 화재진압 가능하다.○ 통신이 끊겼을 때 자율주행 시스템을 이용하여 화재현장을 찾아 진압하거나 빠져나올 수 있다.○ 통신이 끊겼을 때 로봇이 멈추지 않고 열화상카메라랑 자율주행 시스템을 이용하여 계속해서 화재를 진압한다.□ 개발결과의 활용방안○ 소방관이 진입 불가능한 화재 현장에 진입하여 진압이 가능하다.○ 기존의 로봇 방식이 융합되어 있어 우수한 휴대성과 신속한 현장 투입이 가능하다.□ 핵심 목표 성능핵심 성능지표단위달성 목표1고온에서의 유지력%상기냉각시스템으로 본체를 고온에서 보호2돌발 상황 발생 시 제동능력초돌발 상황이 발생 했을 때의 화재현장 복귀 시간 감소3통신이 끊겼을 시 면적당 화재 진압 시간분자율주행 시스템과 열화상카메라를 이용한 화재 진압 시간2. 국내외 기술 동향□ 국내 기술동향○ 특허출원 10-2004-100368호의 “화재진압용 소방로봇” 은 이미 개발된 소방 로봇이지만 외부에서 유/무선으로 300M까지 밖에 조종이 안 되고, 소방포 외에는 부착된 것이 없어 고열에 견디기 힘들고 효과적인 탐색에 있어 제한사항이 발생한다. 때문에 화재현장에서 효과적으로 활용되기는 힘들다. 이 화재진압 로봇 외에도 많은 소방로봇이 있지만 효과적인 소방 활동을 할 수 있게 하는 여러 가지 해결수단을 동시에 가지고 있는 로봇은 없다.○ 자동차의 자율주행 기술 중 AEB시스템은 충돌방지 시스템이다. 이 시스템은 크게 두 가지 방식으로 있는데 LiDAR(라이다)과 카메라, 레이더를 이용하는 방식 두 가지로 있다. 그중 LiDAR(라이다) 시스템은 레이저 펄스가 돌아오는 시간을 계산해 거리를 측정하는 방식으로 사물과의 충돌을 예측한다. 이 기술은 거리가 짧은 곳 에서도 원활이 작동이 되어 화재진압로봇에 접목 시 좁은 화재 현장에서도 원활한 소방 활동을 기대할 수 있다.□ 국외 기술 동향○ 일본의 '소방대학교 소방연구센터'는 대형 화재에 대응할 수 있는 드론들을 개발했다. 항공정찰드론은 열화상 카메라와 연소 가스센서를 탑재해 공중에서 불꽃의 확산과 방수의 궤적을 파악할 수 있다. 지상 정찰 로봇은 유류 탱크나 화재 현장 주위의 온도를 측정하고, 고온으로 인한 내압 폭발을 감시한다. 또한 지상 로봇은 레이저 센서를 이용해 자신의 위치와 주변지도를 작성하면서 목표 지점까지 이동한다. 소방관은 로봇이 제안하는 이동 루트를 승인하고 드론의 배터리 교체 등 후방 작업을 지원한다. 때문에 인력 소모는 줄어드나 기능별로 로봇이 나뉘어져 있기에 한 가지 로봇만 있을 시에는 효율적인 화재 진압이 어렵다.3.지원 필요성□ 기술적 지원 필요성○ 국내외에서 많은 소방로봇이 개발된 바 있으나, 사람의 조종 없이 자율로 행동하는 로봇은 비상용화 되어있었으므로, 소방로봇에 자율주행 및 열 감지 시스템을 접목시키기 위해서는 기존 소방로봇의 기술과 자율주행 시스템(AEB)의 소형화, 열 감지 카메라와 로봇동작 연계를 위한 컴퓨터시스템의 접목, 자체 냉각 시 로봇 손상을 방지하기 위한 방수처리에 대한 지원이 필요하다.

사업계획서| 2022.08.28| 2페이지| 500원| 조회(466)

로봇, 사업계획서, 사업계획서 예시

미리보기

닫기
판매자 표지

UWB(초광대역) 위치인식 및 표준

..FILE:mimetypeapplication/hwp+zip..FILE:version.xml..FILE:Contents/header.xml^1.^2.^3)^4)(^5)(^6)^7^8^1.^2.^3)^4)(^5)(^6)^7^8..FILE:BinData/image1.bmp..FILE:BinData/image2.png..FILE:BinData/image3.png..FILE:BinData/image4.bmp..FILE:BinData/image5.bmp..FILE:BinData/image6.bmp..FILE:BinData/image7.bmp..FILE:BinData/image8.png..FILE:BinData/image9.bmp..FILE:Contents/section0.xmlUWB 위치인식 및 표준UWB 방식을 이용한 위치인식 방법실내 위치인식을 하는 방법으로는 크게 거리를 측정하는 기술인 RSSI(Received Signal Strength Indicator), ToA(Time of Arrival), TDoA(Time Difference of Arrival), AoA(Angle of Arrival)와, 위치를 추정하는 기술인 Cell-ID, 삼각법, Fingerprint 방식 등이 있다.RSSI 방식은 미리 정의된 위치에 존재하는 무선기기의 송출신호를 수신기에서 수신하여 그 신호의 세기를 거리로 환산하여 측량에 이용한다. 거리 환산은 Friis 공식인그림입니다.원본 그림의 이름: CLP000019084725.bmp원본 그림의 크기: 가로 344pixel, 세로 101pixel을 기초로 한다. 이때 L은 경로 손실, λ는 전파의 파장, d는 송신기와 수신기 사이의 거리이다. 기술적으로 낮은 복잡도로 인해 인프라 구성이 쉬워 송·수신기 간에 시간 정보를 공유할 수 없을 경우에 사용한다. 하지만 실제 전파의 세기는 사용 환경, 안테나 배치, 장애물, 재질 등에 영향을 받아 정밀한 위치 정보 제공이 어려운 단점이 있다.그림 1-1. One Way Ranging그림입니다.원본 그림의 이름: image1.png원본 그림의 크기: 가로 361pixel, 세로 323pixel그림 1-2. Two Way Ranging그림입니다.원본 그림의 이름: image1.png원본 그림의 크기: 가로 393pixel, 세로 364pixelToA방식은 거리 측정을 위한 신호를 송신기와 수신기 강에 신호가 도달하는데 소요되는 절대적인 시간을 측정하여 거리를 구하는 방식으로 ToF(Time of Fight)라고도 한다. ToA를 구하는 공식은그림입니다.원본 그림의 이름: CLP000019080001.bmp원본 그림의 크기: 가로 115pixel, 세로 34pixel이다. 이때 τ는 송신기에서 보낸 신호가 수신기까지 도달한 시간인 ToA이고 c는 빛의 속도를 의미한다. ToA는 동기식 방식 OWR(One Way Ranging)과 비동기식 방식인 TWR(Two Way Ranging)으로 계산할 수 있는데, OWR은 그림 1-1과 같이 단방향 통신이기 때문에 송신기와 수신기가 시간적으로 동기화가 되어있어야 한다. 송신기에서 수신기로 현재 시간을 기록한 신호를 보내 수신기에서 송신기에서 보낸 시간과 도착시간의 차이를 이용해서 ToA를 구한다. TWR에서는 수신기와 송신기 간에 시간 동기를 맞출 필요가 필요 없다. 그림 1-2와 같이 송신기에서 현재 시간을 기록한 다음 수신기에 신호를 보내고 수신기에서 다시 송신기로 신호를 되돌려 보내 ToA를 계산한다. 계산 공식은그림입니다.원본 그림의 이름: CLP000019080003.bmp원본 그림의 크기: 가로 360pixel, 세로 101pixel으로 나타낼 수 있는데 Tround는 송신기가 신호를 보내고 다시 받는 시간을 나타내고 TreplyB는 수신기에서 신호를 받고나서 다시 보낼때까지의 처리시간을 나타낸다.그림 1-3 TDoA 방식그림입니다.원본 그림의 이름: CLP000019080004.bmp원본 그림의 크기: 가로 604pixel, 세로 461pixelTDoA는 여러 개의 수신기에서 수신한 신호의 도착 시간들의 차로부터 송신기의 위치를 측정하는 방식이다. 이 방식에서는 송신기에서 신호를 보낸 절대적인 시간은 알 수 없으며, 서로 시간적으로 동기되어 있는 수신기들이 송신기로부터 수신한 신호의 도착시간을 각각 측정한다. ToA와 유사한 기술이지만 가장 큰 차이점은 송신기와 수신기간에 동기화가 필요한 ToA 기술과 달리 TDoA는 송신기 간의 동기화만 필요하다. 송신기와 수신기는 개별적으로 통신하지 않아 ToA 기술보다 배터리 소모가 적다는 장점이 있다. 하지만 송신기간의 정확한 시간동기가 필요해 설치 및 운영이 어렵다는 단점이 있다.그림 1-4. AoA 방식그림입니다.원본 그림의 이름: CLP000019080005.bmp원본 그림의 크기: 가로 525pixel, 세로 503pixelAoA 방식은 그림 1-4와 같이 수신기와 송신기 간의 방향각을 이용하여 송신기의 위치를 계산하는 방식으로 수신기는 어레이 안테나를 사용해야한다. 각 안테나별 수신된 신호의 시간차이를 통해 수신 신호의 방향을 측정하고 그 각들이 이루는 교점을 송신기의 위치로 계산하는 방식이다. 이 방식은 시간 동기가 필요 없고, 2D 환경에서는 2대의 수신기로, 3D 환경에서는 3대의 수신기로 위치 확인이 가능하며, 짧은 거리에 정확한 측위가 가능한 장점이 있다. 하지만 어레이 안테나가 크고 복작하며 LoS에서는 잘 작동하지만 NLoS나 신호 반사가 있는 경우 정밀도가 감소한다.Cell-ID 방식은 개체가 존재할 수 있는 지역을 단위 셀로 지정하고 개체가 어느 셀에 존재하는지의 여부를 판단하면서 위치를 추정한다. 이동통신방이나 RFID 기반의 위치추적 시스템에 많이 사용되는 방식이다. 하지만 이동통신망의 경우 셀의 크기가 수백 미터에서 수 Km에 달하기 때문에 정확한 위치 추정보다는 존재여부만 확인하는 용도로 사용한다.삼각법에 의한 위치 추정은 세 개 이상의 기준점과 장치 사이의 거리를 통해 위치를 추정하는 방법이다. 거리를 추정하는 방법인 RSSI, ToA, AoA 등으로 수신기와 송신기 사이의 거리를 구한 후 삼각법으로 위치를 추정한다. 이 방법은 위성을 이용하는 GPS나 무선랜 기반의 위치추적 시스템에 주로 사용된다.Fingerprint 방식은 확률론적 모델링에 의한 위치 추정 방법으로 노이즈 및 주위 환경 정보를 위치추적을 위한 정보로 활용한 방식이다. 이 방법은 측위를 수행하기 전에 먼저 실내 공간을 작은 셀 단위로 나누어 각 셀에 수신되는 전파의 RSSI 값을 수집하여 데이터베이스화하는 단계가 필요하다. 데이터베이스가 구축된 상태에서 현재 위치를 저장된 데이터베이스 신호값들과 비교하였을 때 가장 비슷한 신호값들을 가지는 셀 정보를 반환하여 위치를 표시한다. 이 방법은 최초에 데이터베이스를 구축하는 작업이 필요하지만 삼각법보다 정확한 위치 추정이 가능하다.UWB IEEE 802.15.4z 특징IEEE 802.15.4z 이전에 2007년 IEEE 802.15.4a에서 HRP를 표준화하였고, 2012년 IEEE 802.15.4f에서 LRP를 표준화하였다. 이후 HRP와 LRP를 개정한 표준안이 2020년에 발표한 IEEE 802.15.4z 표준안이다. HRP는 높은 펄스 반복률을 가진 UWB를 신호로 3개의 그룹으로 나누어진 채널 대역을 가지고 있으며 0그룹에 1개, 1그룹에 4개, 2그룹에 11개 분포되어 총 0~15번 채널로 이루어져있다. LRP는 낮은 펄스 반복률을 가진 UWB 신호로 그룹 분류 없이 0~9번의 채널로 이루어져있다. 4z 표준은 HRP와 LRP를 이용한 위치 인식에 초점을 뒀으며, 보안 기능이 향상된 표준안이다.표 1-1 IEEE 802.15.4z 표준의 HRP/LRP그림입니다.원본 그림의 이름: image1.png원본 그림의 크기: 가로 1062pixel, 세로 420pixel표 1-1은 4z 표준에서 발표한 향상된 UWB를 간단하게 나타내었다. HRP와 LRP의 세부 분류에서 REDV(Ranging Device)는 이전 버전인 4a, 4f에서 발표된 표준안이고, ERDEV(Enhanced Ranging Device)가 이번 4z에서 발표한 향상된 표준안이다. 4z의 가장 중요한 세 가지가 있는데 첫 번째로, 더 높은 펄스 반복률과 최적화된 변조 방식으로 전력 소비를 개선하고 최대 100m 범위까지 안정적인 통신이 가능하다는 것이다. BPRF 물리계층은 BPM-BPSK를 사용하여 변조한다. 또한 62.4MHz의 평균 펄스 반복률을 생성하는데 이는 6.8Mbps의 데이터 속도를 허용한다. 이와는 대조적으로 HPRF 물리계층은 124.8MHz 또는 249.6MHz의 더 높은 펄스 반복 속도를 사용하고 최적화된 변조 방식으로 전력 소비를 개선하였다.그림 2-1 PPDU(Physical Protocol Data Unit)의 STS 패킷 구조 구성그림입니다.원본 그림의 이름: CLP000019080006.bmp원본 그림의 크기: 가로 963pixel, 세로 337pixel두 번째로, STS(Scrambled Timestamp Sequence)에 사용되는 암호화 및 난소 생성에 의한 안전한 범위 지정이 가능하다는 것이다. STS는 무작위로 생성된 펄스 시퀀스로 보안 개인 데이터 통신 서비스를 사용하여 AES128기반의 랜덤 비트이다. 송신기와 수신기 모두 STS의 키를 알고 있어 수신기가 이를 통해 데이터를 올바르게 수신할 수 있게 된다. STS가 포함된 HRP-ERDEV의 프레임 구조는 그림 2-1과 같다. 이때 SHR은 동기화 헤더, PHR은 데이터 길이와 같은 데이터 정보, PSDU는 실제 데이터를 의미한다. 세 번째로, DS-TWR(double-Sided Two Way Ranging)를 포함한 위치 추정 방법에 대한 설명이다. DS-TWR은 SS-TWR(Single-Sided Two Way Ranging)의 확장으로 보다 정확한 거리 측정이 가능한 알고리즘이다.

공학/기술| 2022.08.27| 3페이지| 2,000원| 조회(116)

UWB, 초광대역, Ultra-Wideband, 위치인식, 802.15.4z

미리보기

닫기
판매자 표지

UWB 개념 및 응용

..FILE:mimetypeapplication/hwp+zip..FILE:version.xml..FILE:Contents/header.xml^1.^2.^3)^4)(^5)(^6)^7^8^1.^2.^3)^4)(^5)(^6)^7^8..FILE:BinData/image1.bmp..FILE:BinData/image2.bmp..FILE:BinData/image3.bmp..FILE:BinData/image4.bmp..FILE:Contents/section0.xmlUWBUWB 기본 개념UWB(Ultra Wide Band)는 짧은 시간의 펄스 신호를 사용하여 넓은 주파수 대역으로 데이터를 송수신하는 근거리 무선통신 기술을 의미한다. UWB는 1897년 마르코니(Marconi)가 보여준 최초의 무선 시스템에서 시작되었다. 본격적으로 연구한 시기는 1960년대에 군에서 레이더시스템을 사용하기 시작하면서이다. 1970년대에는 UWB의 Sensing 분야에서 특허들이 나오기 시작하였다. 현대 우리가 알고 있는 UWB 기술의 기초는 1980년대에 Sperry Research Center에서 정립되었다. 1980~1990년대 시간 도메인의 전자장 원리가 무선통신에 응용되었고, 1994년부터는 UWB 무선 기술의 많은 부분이 군사 보안에서 해제되었다. 1998년 9월 타임 도메인사(Time Domain)는 미국 FCC에 청원서를 통해 그동안 군 통신으로만 이용되었던 UWB의 도입을 요청하였고 2002년 2월에 대상 주파수 대역이 3.1~10.6GHz인 UWB의 사용을 허락하였다.이와 동시에 IEEE 802.15.3a는 표준화 작업을 위해 10m 이내에서 110~480Mbps 이상의 전송속도를 제공하는 제안서를 접수하였다. 총 23 건의 제안서가 접수되었고 크게 MB-OFDM (Multi-Band OFDM)과 DS-UWB(Direct-Sequence UWB)로 나뉘었다. 하지만 MB-OFDM과 DS-UWB간의 대립은 결국 표준안 도출에 실패하였다. 2007년 IEEE 802.15.4a에서 HRP-UWB(High Rate Pulse Repetition UWB) 표준안이 발표되었지만, 당시 경쟁기술이었던 Wi-Fi나 블루투스 등에 밀려 관심에서 멀어져 나갔다. 이후 2012년에 IEEE 802.15.4f에서 LRP-UWB(Low Rate Pulse Repetition UWB) 표준안이 발표되었고 2020년 IEEE 802.15.4z에서 HRP/LRP UWB가 개정되어 지금의 표준안이 되었다.그림 1-1. UWB 주파수 스펙트럼그림입니다.원본 그림의 이름: CLP00000f7ca73b.bmp원본 그림의 크기: 가로 682pixel, 세로 323pixelUWB란 기존의 스펙트럼에 비해 매우 넓은 대역에 걸쳐 낮은 전력으로 대용량의 정보를 전송하는 무선통신 기술이다. UWB의 정의는 500MHZ 이상의 대역폭을 사용하거나 대역폭이 중심주파수의 20% 이상인 무선신호를 의미한다. 또한, 주파수 대역이 3.1~10.6 GHz를 사용한다. UWB와 다른 무선신호들의 주파수 스펙트럼을 비교하면 그림 1-1과 같다. UWB 신호는 다른 무선 신호들에 비해 매우 넓은 주파수 대역폭을 가지고 있으며, 단위주파수 당 출력이 41.3 dbm/MHz 보다 작다.그림 1-2. BW=500 MHz인 단일 UWB 펄스그림입니다.원본 그림의 이름: CLP00000f7c0002.bmp원본 그림의 크기: 가로 607pixel, 세로 264pixelUWB의 전송 규정으로는 Average Power Spectral Density(평균전력밀도)가 41.3 dBm/MHz 보다 작아야 하고 Peak Power Spectral Density(첨두전력밀도)가 0 dBm/50MHz보다 작아야 한다. Average Power Spectral Density(mean.PSD)는 1ms의 시간 구간 동안의 평균 PSD를 의미하고, Peak Power Spectral Density(peak.PSD)는 단일 펄스가 전송될 수 있는 최대 PSD 이다. 500 MHz의 대역폭을 사용하는 UWB 신호를 기준으로 maen.PSD가 14.3 dBm(=37 μW)보다 작아야 하고 peak.PSD가 10dBm(=10 mW)보다 작아야 한다. mean.PSD가 14.3 dBm, 대역폭이 500 MHz인 UWB 신호를 단일 신호라고 가정하면 그림 1-2와 같이 펄스는 2ns, peak.PSD = 42.7 dBm(=18 W)인 신호로 나타낼 수 있다.그림 1-3. UWB 전송 규정 신호그림입니다.원본 그림의 이름: CLP00000f7c0004.bmp원본 그림의 크기: 가로 551pixel, 세로 264pixelUWB 전송 신호는 peak.PSD가 10dBm(=10 mW)보다 작아야 하므로 그림 1-3과 같이 peak.PSD가 10dBm(=10 mW)보다 작은 신호 여러 개로 나누어 보내야 한다. 이때 펄스 사이의 간격을 PRT(Pulse Repetition Time)라 하고 초당 펄스 발생 횟수를 PRF(Pulse Repetition Frequency) = 1/PRT 라고 한다.그림 1-4. LRP/HRP UWB그림입니다.원본 그림의 이름: CLP00000f7c0005.bmp원본 그림의 크기: 가로 1203pixel, 세로 325pixel신호 규정에 따라 펄스를 나누게 되면 그림 1-4의 LRP(Low Rate Pulse repetition) UWB와 그림 1-5의 HRP (High Rate Pulse repetition) UWB로 나눌 수 있다. LRP UWB는 적은 PRT를 가지고 있고 HRP UWB는 높은 PRT를 가지고 있는 특징이 있다.UWB 시스템 응용UWB 기술의 경우 500MHz 이상의 대역폭을 기반으로 2ns 길이의 파장을 이용한 무선 통신기술의 특성을 이용하여 자동차, 스마트 공장, 스마트홈 등 위치기반의 다양한 분야에 사용될 전망이다. UWB를 이용한 위치인식은 오차 범위가 수 m ~ 수십 m인 GPS, 수 m인 블루투스, Wifi를 이용한 위치인식보다 훨씬 정확한 센티미터(cm) 단위의 현저히 높은 정확도의 거리 측정이 가능하다. 자동차 분야에 UWB 위치인식 기술을 적용할 경우 차량에 진입할 때 자동으로 문이 열리게 하는 자동차 스마트 키에 적용할 수 있다. 기존에 자동차에 사용한 스마트키는 NFC 방식으로 스마트폰을 손에 들고 차량에 인식해야 했지만 UWB를 이용한 스마트 키의 경우는 손을 사용하지 않고 차량에 접근하기만 해도 차량 문이 열리도록 가능하다. 이는 차량뿐만 아니라 건물 내 도어락에도 적용 가능하고, 병원이나 대형 마트같이 큰 공간에서 현재 위치를 인식하고 길 안내를 해주는 서비스에 응용 가능하다. 반대로 병원이나 대형 마트에서는 환자나 고객의 동선을 실시간 모니터링할 수도 있다. 근접 거리에 있는 사람끼리 AR(Augmented reality)이나 VR(Virtual Reality)을 활용한 게임과 근거리에 있는 친구찾기같은 서비스가 가능하다.FiRa Consortium은 공통으로 사용 가능한 주요 3가지 기능을 언급했는데, 여기에는 Hands Free Access Control, Location Based Services, Device to Device Services가 있다. Hands Free Access Control은 손을 사용하지 않고, 주머니에 있는 휴대폰의 UWB가 자동으로 현관문 자물쇠와 통신하여 사용자가 접근했을 때 문이 열리는 응용이다. Location Based Services는 UWB 실시간 정밀 측위 기능을 활용하여 주로 실내에서 측위를 활용하는 서비스이며, Device to Device Services는 디바이스 상호간 데이터를 송수신하는 기능이다...FILE:Preview/PrvText.txtUWBUWB 기본 개념UWB(Ultra Wide Band)는 짧은 시간의 펄스 신호를 사용하여 넓은 주파수 대역으로 데이터를 송수신하는 근거리 무선통신 기술을 의미한다. UWB는 1897년 마르코니(Marconi)가 보여준 최초의 무선 시스템에서 시작되었다. 본격적으로 연구한 시기는 1960년대에 군에서 레이더시스템을 사용하기 시작하면서이다. 1970년대에는 UWB의 Sensing 분야에서 특허들이 나오기 시작하였다. 현대 우리가 알고 있는 UWB 기술의 기초는 1980년대에 Sperry Research Center에서 정립되었다. 1980~1990년대 시간 도메인의 전자장 원리가 무선통신에 응용되었고, 1994년부터는 UWB 무선 기술의 많은 부분이 군사 보안에서 해제되었다. 1998년 9월 타임 도메인사(Time Domain)는 미국 FCC에 청원서를 통해 그동안 군 통신으로만 이용되었던 UWB의 도입을 요청하였고 2002년 2월에 대상 주파수 대역이 3.1~10.6GHz인 UWB의 사용을 허락하였다.

공학/기술| 2022.08.27| 2페이지| 2,000원| 조회(174)

무선통신, UWB, 초광대역, Ultra-Wideband, UltraWideBa..

미리보기

닫기
판매자 표지

딥러닝 입문 기말시험

..FILE:mimetypeapplication/hwp+zip..FILE:version.xml..FILE:Contents/header.xml^1.^2.^3)^4)(^5)(^6)^7^8..FILE:BinData/image1.png..FILE:BinData/image2.png..FILE:BinData/image3.png..FILE:BinData/image4.png..FILE:BinData/image5.bmp..FILE:BinData/image6.png..FILE:BinData/image7.png..FILE:BinData/image8.png..FILE:BinData/image9.png..FILE:BinData/image10.png..FILE:BinData/image11.png..FILE:BinData/image12.png..FILE:BinData/image13.bmp..FILE:BinData/image14.bmp..FILE:Contents/section0.xml2022년 1학기 딥러닝입문 기말시험1. Convolutional neural network(CNN)에서 사용되는 convolution 연산과 pooling 연산에 대해 설명하시오.그림 1-1. Convolutional neural network(CNN)그림입니다.원본 그림의 이름: KakaoTalk_20220614_171808167.png원본 그림의 크기: 가로 4000pixel, 세로 686pixelCNN은 이미지와 같은 3차원 데이터 형상을 무시하는 Fully Connected layer의 문제점을 해결하기 위해 그림 1-1과 같이 Convolution Layer와 Pooling Layer로 구성된 신경망을 사용한다. Convolution 연산은 이미지 픽셀을 특정 필터로 훑으며 나온 출력값을 통하여 이미지의 특징을 추출하는 역할이고, Pooling 연산은 Convolution 연산을 통해 나온 결과값을 다운샘플링하여 크기를 줄이는 역할이다. Convolution 연산과 Pooling 연산을 통해 이미지입니다.원본 그림의 이름: KakaoTalk_20220614_174853899.png원본 그림의 크기: 가로 2258pixel, 세로 999pixelConvolution 연산을 진행하게 되면 출력 데이터의 크기가 작아진다는 특징이 있다. Convolution Layer를 여러개 쌓았다면 출력값이 너무 작아지게 되는데 이러한 현상을 해결하기 위해 패딩(Padding) 기법을 주로 사용한다. 패딩이란 그림 1-4와 같이 입력 데이터의 가장자리에 지정된 개수의 폭만큼 행과 열을 추가하여 특정 값으로 채워주는 기법을 말한다. 주로 0을 채우는 제로 패딩을 사용하며, 패딩 기법을 사용하게 되면 입력 데이터의 크기가 증가하였기 때문에 출력 데이터 또한 증가하는 현상이 나타난다.그림 1-5. 스트라이드(Stride)그림입니다.원본 그림의 이름: CLP0000664c0005.bmp원본 그림의 크기: 가로 1154pixel, 세로 480pixelConvolution 연산은 필터가 입력 데이터를 왼쪽 위부터 오른쪽 아래까지 훑고 지나간다고 하였는데 그 간격을 설정할 수 있다. 이러한 간격을 스트라이드(Stride)라고 한다. 스트라이드가 증가할 경우 그림 1-5와 같이 출력 데이터의 크기가 감소하게 된다. 필터 크기, 패딩, 스트라이드값을 통해 출력 데이터의 크기를 계산할 수 있는데 그 식은 아래와 같다.수식입니다.H _{Out} = {(H _{"In"} +2P-H _{filter} )} over {S} +1수식입니다.W _{Out} = {(W _{"In"} +2P-W _{filter} )} over {S} +1수식입니다.H _{"IN"} ``~:~입력~데이터~높이#H _{Out} ~:~출력~데이터~높이#H _{filter}:~필터의~높이#P~~~``:~패딩#수식입니다.W _{"IN"} `~`:~입력~데이터~너비#W _{Out} ~:~출력~데이터~너비#W _{filter} ~:~필터의~너비#S~~~~:~스트라이드Pooling 연산은 일반적으로 Convolution 연산 이후에 57.png원본 그림의 크기: 가로 1000pixel, 세로 1668pixel그림 2-2. 풀어 헤친 RNN 구조그림입니다.원본 그림의 이름: KakaoTalk_20220615_022328050.png원본 그림의 크기: 가로 1433pixel, 세로 1000pixelRNN은 자연어처리나 주가 예측과 같이 반복적이고 순차적인 데이터 학습에 특화된 인공신경망의 한 종류이다. 그림 2-1과 같이 내부의 순환구조로 이루어져 있다는 특징이 있다. x가 입력, y가 출력, h가 히든 layer, w가 가중치를 의미한다. RNN의 구조를 풀어 헤치면 그림 2-2와 같이 되는데 이전 단계에서 사용한 가중치를 업데이트하여 다음 단계 사용하는 형태이다. 이는 과거의 학습을 현재에 반영하므로 현재의 학습과 과거의 학습의 연결을 가능하게 하고 시간에 종속된다는 특징을 가진다. 하지만, 학습이 길어지면 그 과정에서 가중치를 여러번 곱하게 되는데 이때 가중치가 크면 gradient가 폭발적으로 커지고 가중치가 작으면 gradient가 소멸되는 문제가 발생한다. 이는 학습이 길어질수록 과거의 정보를 현재까지 전달하기 쉽지 않다는 의미이기도 하는데, 이러한 문제점을 Vanishing Gradient Problem이라고 한다. Vanishing Gradient Problem을 해결하기 위한 방법이 LSTM이다.그림 2-3. LSTM 구조그림입니다.원본 그림의 이름: KakaoTalk_20220615_032429250.png원본 그림의 크기: 가로 2660pixel, 세로 1000pixelLSTM은 이전 데이터들의 정보를 가지고 있는 메모리 셀을 추가하여 Vanishing Gradient Problem을 해결한 방법으로 그림 2-3과 같다. LSTM은 RNN과 다르게 두 개의 히든 Layer를 다음 상태에 보낸다. 하나는 바로 이전 상태의 데이터이고 다른 하나는 메모리셀에 해당하는 데이터이다. 메모리셀에 해당하는 데이터는 입력 데이터가 들어오게 되면 과거의 정보의 일정 퍼센트만 기억하고 이전이미지를 만들고 만들어진 Fake 이미지를 통하여 Discriminator를 학습시킨다. Real 이미지를 판별하는 과정과 Fake 이미지를 판별하는 두 과정을 거쳐 GAN을 학습한다.4. 신경망에 대한 적대적 공격의 일종인 fast gradient sign method(FGSM)의 원리를 설명하시오. (FGSM을 통해 노이즈를 생성하는 수식을 포함하여 설명할 것.)적대적 공격이란 딥러닝 모델의 내부적 취약점을 이용하여 만든 특정 노이즈 값을 이용하여 의도적으로 오분류를 이끌어내는 입력값을 만드는 것을 의미한다. 적대적 공격의 일종인 FGSM이란 원본 데이터에 약간의 노이즈를 추가하여 오분류를 이끌어내는 방법이다. 이 오분류가 이미지일 경우 적대적 이미지라고 하고 이를 구하는 수식은 아래와 같다. 수식을 해석하면 파라미터값을 가진 상태에서 원본 레이블을 가진 손실함수의 기울기 값을 구한 다음 부호만 가져와서 원본 데이터를 ε 만큼의 부호 방향으로 이동시키면 쉽게 적대적 이미지를 생성할 수 있다.수식입니다.x _{adv} =x+ epsilon sign( NABLA _{x} J( {hat{theta }} _{c} ,x,y))수식입니다.(x _{adv} `:`적대적~이미지,~x`:`원본~이미지,~y`:`원본~입력~레이블,~ epsilon `:`왜곡의~양,~ theta `:`파라미터,~J`:`손실함수)5. 신경망 학습시 training error와 validation error의 변화 양상에 따라 학습 상황을 판단할 수 있다. 다음 각각의 경우에 대해 어떤 판단을 할 수 있고 그에 따라 어떤 조치를 취할 수 있는지 설명하시오.(1) Training error와 validation error가 함께 감소하는 경우그림 5-1. Underfitting그림입니다.원본 그림의 이름: KakaoTalk_20220615_011512284.png원본 그림의 크기: 가로 1693pixel, 세로 1000pixel그림 5-1과 같이 Training error와 Validation er결하기 위해서는 Overfitting이 일어나기 시작하는 시점인 Validation error가 가장 낮은 지점까지 Epochs을 줄이는 방법이 있다. 또한, Training 데이터셋 늘리기, 모델의 복잡도 줄이기, Dropout 사용하기 등을 통해 Overfitting을 해결할 수 있다.6. 다음 그림을 보고 GoogLeNet의 bottleneck layer의 역할을 설명하시오.그림 6-1. Naive Inception Module그림입니다.원본 그림의 이름: CLP00005428712a.bmp원본 그림의 크기: 가로 656pixel, 세로 259pixel그림 6-2. Inception Module with Dimension Reducion그림입니다.원본 그림의 이름: CLP000054280002.bmp원본 그림의 크기: 가로 673pixel, 세로 319pixelGoogleNet은 신경망의 성능을 향상시키기 위해 초기 인셉션 모듈인 그림 6-1의 Naive Inception Module을 생각하게 된다. 이 방법은 입력을 1×1 conv, 3×3 conv, 5×5 conv, 3×3 Max Pooling을 통과시켜 얻은 결과를 합쳐주는 방법이다. 이러한 방법으로 더욱 다양한 특징을 결합해서 더 광범위한 특징을 추출가능하다는 장점이 있지만 준다. 하지만, 전체 연산량이 854M ops로 엄청나게 증가하게 된다. 이를 해결하기 위해 그림 6-2와 같이 Bottleneck Layer를 추가한 Inception Module with Dimension Reducion이다. Bottleneck Layer는 1×1 conv로 구성되어있다. 이것을 3×3 conv, 5×5 conv앞에, 3×3 max Pooling 뒤에 추가한 것이다. Bottleneck Layer를 추가하여 1×1 크기로 필터링을 하면 입력 데이터의 높이와 너비는 그대로 유지한 채 채널을 감소시킬 수 있고 연산량도 감소가 가능하다. Bottleneck Layer 추가한 Inception Module wi삽입됨

학교| 2022.08.27| 7페이지| 1,500원| 조회(289)

인공지능, 신경망, cnn, 기말고사, 머신러닝

미리보기

닫기
판매자 표지

딥러닝 입문 중간시험

..FILE:mimetypeapplication/hwp+zip..FILE:version.xml..FILE:Contents/header.xml^1.^2.^3)^4)(^5)(^6)^7^8..FILE:BinData/image1.png..FILE:BinData/image2.png..FILE:BinData/image3.bmp..FILE:BinData/image4.bmp..FILE:BinData/image5.png..FILE:BinData/image6.png..FILE:BinData/image7.png..FILE:Contents/section0.xml2022년 1학기 딥러닝입문 중간시험1. 머신러닝의 문제해결 방법론을 전통적인 문제해결 방법론과 비교하여 설명하시오.전통적인 문제해결 방법과 머신러닝의 문제해결 방법의 가장 큰 차이점은 문제를 해결하기 위해 얻는 프로그램을 어디서 얻느냐의 차이이다. 전통적인 문제해결 방법의 경우 그림 1-1과 같이 프로그램을 프로그래머가 직접 작성하여 입력 데이터를 넣으면 결과물이 출력되는 방법을 사용한다. 하지만 머신러닝의 경우 그림 1-2와 같이 데이터와 결과물을 통해 모델을 학습시켜 데이터에 내재된 패턴을 찾아 프로그램을 만들고 그 프로그램을 사용하여 문제를 해결하는 방법을 사용한다.그림-1. 전통적인 문제해결 방법그림입니다.원본 그림의 이름: KakaoTalk_20220419_172504558.png원본 그림의 크기: 가로 3999pixel, 세로 922pixel그림 1-. 머신러닝의 문제해결 방법그림입니다.원본 그림의 이름: KakaoTalk_20220419_172517728.png원본 그림의 크기: 가로 4000pixel, 세로 892pixel2. 지도 학습(supervised learning)에 대해서 간략히 설명하고 지도 학습 분야의 대표적인 문제인 회귀(regression)과 분류(classification)에 대해서 설명하시오.지도학습은 머신러닝의 한 종류로 다른 머신러닝의 종류에는 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning)이 있다. 지도학습은 문제와 답을 둘 다 가지고 모델을 학습시키는 방법으로 딥러닝과 큰 차이점은 Feature Extraction이 없다는 점이다.회귀(Regression)은 연속적인 값을 예측하는 지도학습 문제로 주식, 비가 올 확률, 몸무게와 같이 연속적인 데이터값을 출력한다.분류(Classification)은 이산적인 값을 예측하는 지도학습 문제로 물건의 상표면, 동물의 종류와 같이 이산적인 데이터를 출력한다.3. 최근 딥러닝 기술의 발전에 기여한 세 가지 요소에 대해서 설명하시오.학술적 진보 : 기존 모델의 단점을 극복한 더 좋은 알고리즘의 등장.하드웨어의 진보 : 이전보다 저 좋은 GPU로 인해 빠른 데이터 처리가 가능해짐.빅데이터 : SNS 사용자들에 의해 생산되는 다량의 데이터로 인해 학습에 용이함.4. Underfitting 문제의 원인과 그에 대한 해결책에 대해서 설명하시오.Underfitting의 문제는 은 학습이 덜 된 상태이다. 뉴럴넷의 학습방법으로 틀린 정도를 미분하고 뒤로 보내는 Back Propagation을 사용하는데 이때 활성함수로 sigmoid를 사용한다. sigmoid 함수의 경우 그림 4-1과 같은 그림으로, 뒤로 갈수록 기울기가 0이 되어 fitting이 잘되지 않는 Vanishing gradient 현상이 발생하여 Underfitting이 발생하게 된다. 이를 해결하기 위해서는 활성함수를 sigmoid에서 미분값이 0이 되지 않는 그림 4-2와 같은 ReLU(RectifiedLinearUnits)함수를 사용하면 해결할 수 있다.그림 4-1. Sigmoid 함수그림입니다.원본 그림의 이름: CLP000036540001.bmp원본 그림의 크기: 가로 286pixel, 세로 198pixel그림 4-2. ReLU 함수그림입니다.원본 그림의 이름: CLP000036544ab5.bmp원본 그림의 크기: 가로 252pixel, 세로 330pixel5. 신경망 학습에 사용되는 경사 하강법(gradient descent method)에 대해 설명하시오.경사하강법의 경우 딥러닝에서 기존 뉴럴넷이 가종치 파라미터들을 최적화하는 방법으로 사용한다. Loss 함수의 가중치에서 기울기를 구해 Loss를 줄이는 방향으로 업데이트 하는 방법이다. 가중치를 업데이트하는 공식은수식입니다.W`=`W`-` gamma {Partial L} over {Partial W}으로 이때 L은 Loss 함수 이다. Loss 함수를 미분한 공식은수식입니다.- gamma {Partial L} over {Partial W} `=`- gamma NABLA F(a ^{n} )으로 - 부호가 에러를 낮추는 방향,수식입니다.gamma는 얼마나 이동할지 나타내는 Learning Rate,수식입니다.NABLA F(a ^{n} )는 현 지점의 기울기를 타나낸다.6. 경사 하강법과 확률적 경사 하강법(stochastic gradient descent method)을 비교하여 설명하시오.경사 하강법은 가지고 있는 데이터를 모두 넣어 가중치를 구하게 되는데, 데이터가 많기 때문에 학습은 정확하게 되지만 학습 속도가 매우 느리게 되는 문제점이 발생한다. 이를 해결하기 위해 적용된 것이 확률적 경사 하강법(stochastic gradient descent method, SGD)이 된다. 그림 6-1을 보면 SGD의 경우 Full-batch를 사용하는 경사하강법과는 다르게 전체의 학습 데이터를 일부만 사용하는 Mini-batch를 사용한다. 그림 6-2를 보면 데이터의 일부만 사용하는 mini-batch를 사용하더라도 처음에만 학습 정확도가 낮지만 나중에는 Full-batch를 사용하는 경사하강법과 매우 비슷한 결과를 도출하게 되고 학습 속도 또한 매우 빠르게 가능하다.그림 6-1 Full-batch, Mini-batch그림입니다.원본 그림의 이름: KakaoTalk_20220419_204636789.png원본 그림의 크기: 가로 1201pixel, 세로 1000pixel그림 6-2 SGD, GD 학습률그림입니다.원본 그림의 이름: KakaoTalk_20220419_204650187.png원본 그림의 크기: 가로 1123pixel, 세로 1000pixel7. Overfitting 문제에 대해 설명하고 그에 대한 해결첵에 대해서 설명하시오.Overfitting의 경우 학습 데이터를 과하게 학습하는 것을 의미한다. 학습이 너무 과하게 되어 학습 데이터에 대한 인식률은 매우 높지만, 학습 데이터가 아닌 실제 데이터에 대해서는 인식률이 매우 낮게 나타나는 현상이다. 이를 해결하기 위해서는 일부러 정보를 누락시키거나 신경망에서 임의로 뉴런을 누락시키는 Drop Out을 사용하여 과적합을 방지할 수 있다.8. 신경망 학습에 사용되는 손실함수에 대해 설명하시오. 회귀 문제와 분류 문제에서 주로 사용되는 손실함수의 수식을 각각 설명하시오.손실함수의 경우 신경망이 얼마나 틀리고 맞는지를 계산하는 함수로 오차 함수(Error function) 또는 비용 함수(cost function)라고도 불린다. 훈련 데이터셋이 주어졌다고 가정하면 손실함수는 가중치의 함수가 된다. 이를 수식으로 나타내면수식입니다.{Partial L} over {Partial W}이다. W를 미세하게 증가시킬 때, 손실함수 L의 값이 얼마만큼 변하는지를 나타내는데 기울기가 양수일 경우 가중치를 줄여야 손실함수 값이 줄어들고 음수일 경우 가중치를 키워야 손실함수 값이 줄어든다는 것을 알 수 있다.회귀 문제에서 자주 사용되는 손실함수는 평균 제곱 오차로 수식은수식입니다.L(w)`=` {1} over {2} (y-d) ^{2} `=` {1} over {2} [f(x,w)`-`d] ^{2}이다. 한눈에 알아보기도 쉽고 계산하기 쉬워 많이 사용된다.분류 문제에서 주로 사용하는 손실함수는 크로스 엔트로피 오차로 수식은수식입니다.L(w)`=- sum _{i} ^{} d _{i} logy _{i} `(y=f(x,w))이다.분류에서 주로 사용하는 손실함수의 경우 손실 함수 값이 매우 크게 나와 평균 제곱 오차 방법을 사용할 경우 값이 너무 크게 나와 크로스 엔트로피 오차를 사용하여 손실함수의 값을 낮춰 사용한다.9. 경사 하강법의 구현 알고리즘 중 하나인 오차 역전파법(back-propagation)에 대해 설명하시오.역전파는 다층으로 구성된 신경망의 경사 하강법에 대한 구현 기법 중 하나로, 역전파 알고리즘을 통해 가중치에 대한 손실함수의 미분값을 효율적으로 구할 수 있다. 이를 그림으로 표현하면 그림 9-1과 같다. 각 현재 내가 틀린 정도를 미분하고, 곱하고, 더하고를 역방향으로 반복하여 업데이트 하는 방법이다.그림 9-1. Back Propagation그림입니다.원본 그림의 이름: KakaoTalk_20220419_205053269.png원본 그림의 크기: 가로 2761pixel, 세로 999pixel10. 4차 산업혁명의 정의를 간략히 기술하시오.4차 산업 혁명의 주요 키워드는 Internet of Things(IoT), Artificaial Intelligence(AI). Big Data, Cloud 등이로 나타낼 수 있다. 이를 정리하면 IoT를 통해 데이터를 수집하고 클라우드에 저장하여 빅데이터를 구성한 다음 인공지능 기법으로 처리하는 기술에 기반한 산업혁명이라고 정의할 수 있다.

학교| 2022.08.27| 3페이지| 1,500원| 조회(773)

인공지능, 시험, 중간고사, 대학교, 중간시험, 머신러닝, 딥러닝

미리보기

닫기