• The Journal of the Acoustical Society of Korea
• /
• v.35 no.2
• /
• pp.102-109
• /
• 2016

This paper proposes a noise suppression method through SNR (Singal-to Noise Ratio) estimation in the two microphone array environment of close spacing. The conventional method uses a noise suppression method for a gain function obtained through the SNR estimation based on coherence function from full band. However, this method cause performance decreased by the noise damage that affects all the feature vector component. So, we propose a noise suppression method that allocates a frequency domain signal into N constant multi frequency band and each frequency band gets a gain function through SNR estimation based on coherence function. Performance evaluation of the proposed method is shown by comparison with PESQ (Perceptual Evaluation of Speech Quality) value which is an objective quality evaluation method provided by the ITU-T (International Telecommunications Union Telecommunication).

• Proceedings of the Korean Vacuum Society Conference
• /
• 2010.02a
• /
• pp.315-315
• /
• 2010

결정질 실리콘을 포함하는 태양전지의 광전효율은 표면에 입사되는 태양광의 반사를 제외하면 흡수된 광자에 의해 생성되는 전자-정공쌍의 상대적인 비율인 내부양자효율에 의존하게 된다. 실제 생성된 전자-정공쌍은 기판재료의 결정상태와 전기광학적 물성 등에 의해 일부가 재결합되어 2차적인 광자의 생성이나 열로서 작용하고 최종적으로 전자와 정공이 완전히 분리되고 전극에 포집되어 실질적인 유효전류로 작용한다. 16% 이상의 고효율 결정질 실리콘 태양전지양산이 요구되고 있는 현실에서 광전효율 개선 위해 가장 우선적으로 고려되어야 할 변수는 입력 태양광스펙트럼에 대한 결정질 실리콘 표면반사율을 최소화하여 광흡수를 극대화하는 것이라 할 수 있다. 이의 해결을 위하여 대기와 실리콘표면 사이의 굴절률차이가 크면 클수록 태양광스펙트럼에 대한 결정질 실리콘의 광반사는 증가하기 때문에 상대적으로 낮은 굴절률의 $SiO_x$나 $SiN_x$와 같은 반사방지막을 광입력 실리콘표면에 증착하여 광반사율 저감공정을 적용하고 있다. 이와 더불어 결정질 실리콘표면을 화학적으로 혹은 플라즈마이온으로 50-100nm 직경의 바늘형 피라미드형상으로 texturing 함으로 광자들의 다중반사 등에 기인하는 광흡수율의 증가를 기대할 수 있기 때문에 태양전지효율 개선에 긍정적인 영향을 미치는 것으로 이해된다. 본 실험에서도 고효율 다결정 실리콘 태양전지 양산공정에 적용 가능한 ICP-RIE기반 결정질 실리콘표면에 대한 texturing 공정기술을 연구하였다. Double Langmuir 플라즈마 진단시스템(DLP2000)을 적용하여 사용한 $SF_6$와 $O_2$ 개스유량과 챔버압력, 플라즈마 파워에 따른 이온밀도, 전자온도, 포화이온전류밀도, 플라즈마포텐셜의 공간분포를 모니터링하였고 texturing이 완료된 시료에 대하여 A1.5G 표준태양광스펙트럼의 300-1100nm 파장대역에서 반사율을 측정하여 그 변화를 관찰하였다. 본 연구에서 얻어진 결과를 간략히 정리하면 Si texturing에 가장 적합한 플라즈마파워는 100W, $SF_6/O_2$ 혼합비는 18:22, 챔버압력은 30mtorr 등이고 이에 상응하는 플라즈마의 이온밀도는 $2{\sim}3{\times}10^8\;ions/cm^3$, 전자온도는 14~15eV, 포화전류밀도는 $0.014{\sim}0.015mA/cm^2$, 플라즈마포텐셜은 38~39V 범위 등이었다. 현재까지 얻어진 최소 평균반사율은 14.2% 였으며 최적의 texturing패턴 플라즈마공정 조건은 이온에 의한 Si표면원자들의 스퍼터링과 화학반응에 의한 증착이 교차하는 플라즈마 에너지 및 밀도 상태인 것으로 해석된다.

• Proceedings of the Korean Society for Agricultural Machinery Conference
• /
• 2017.04a
• /
• pp.166-166
• /
• 2017

모돈의 건강 상태를 정량 지수화 하기 위한 연구를 수행 중이다. 지제이상, 섭식 불량, 수면 패턴 등의 운동 특성 분석을 위하여 복수의 초음파 센서를 이용하였다. 시계열 계측 신호를 분석하여 정량 지수화를 수행하는 과정에서 주파수 도메인 분석을 시도하였다. 이 과정에서 주파수 도메인의 분해능에 따른 편차 극복을 위한 비선형 모델링을 수행하였다. 또한 인접한 시계열 데이터 구간 간의 상관성 분석이 가능하면 대용량 데이터의 실시간 처리로 인한 지연 시간 극복 및 기대되는 예후에 대한 조기 진단이 가능할 것이다. 본 연구에서는 구글에서 제공하는 Tensorflow와 NVIDIA에서 제공하는 CUDA 엔진을 동시 적용한 심층 학습 시스템을 이용하였다. 전 처리를 위하여 주파수 분해능 (2분, 3분, 5분, 7분, 11분, 13분, 17분, 19분)에 따른 데이터 집합을 1단계로 두고, 상위 10 순위 안에 드는 파워 스펙트럼 밀도의 크기를 2단계로 하여, 총 2~10개의 입력 노드를 순차적으로 선정하였고, 동일한 방식으로 인접한 시계열의 파워 스펙터럼 밀도를 순위를 변화시켜 지정하였다. 대표적인 심층학습 모델인 Softmax regression with a multilayer convolutional network를 이용하여 Recursive feature selection 경우의 수를 $8{\times}9{\times}9$로 총 648 가지 선정하고, Epoch는 10,000회로 지정하였다. Calibration 모델링의 경우 Cost function이 10% 이하인 경우 해당 경우의 학습을 중단하였으며, 모델 간 상호 교차 검증을 수행하기 위하여 $_8C_2{\times}_8C_2{\times}_8C_2$ 경우의 수에 대한 Verification test를 수행하였다. Calibration 과정 상 모든 경우에 대하여 10% 이하의 Cost function 값을 보였으나, 검증 테스트 과정에서 모든 경우에 대하여 $r^2$ < 0.5 인 결정 계수 값이 나타났다. 단적으로 심층학습 모델의 과도한 적합(Over fitting) 방식의 한계를 보인 것이라 판단할 수 있다. 적합한 Feature selection 및 심층 학습 모델에 대한 지속적이고 추가적인 고려를 통해 과도적합을 해소함과 동시에 실효적이고 활용 가능한 Classification을 위한 입, 출력 노드 단의 전후 Indexing, Quantization에 대한 고려가 필요할 것이다. 이를 통해 모돈 생체 정보 정량화를 위한 지능형 현장 진단 기술 연구를 지속할 것이다.

• Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography
• /
• v.28 no.4
• /
• pp.431-439
• /
• 2010

Cross-interferometic synthetic aperture radar (CInSAR) technique from ERS-2 and Envisat images is capable of generating submeter-accuracy digital elevation model (DEM). However, it is very difficult to produce high-quality CInSAR-derived DEM due to the difference in the azimuth and range pixel size between ERS-2 and Envisat images as well as the small height ambiguity of CInSAR interferogram. In this study, we have proposed an efficient method to overcome the problems, produced a high-quality DEM over northern Alaska, and compared the CInSAR-derived DEM with the national elevation dataset (NED) DEM from U.S. Geological Survey. In the proposed method, azimuth common band filtering is applied in the radar raw data processing to mitigate the mis-registation due to the difference in the azimuth and range pixel size, and differential SAR interferogram (DInSAR) is used for reducing the unwrapping error occurred by the high fringe rate of CInSAR interferogram. Using the CInSAR DEM, we have identified and corrected man-made artifacts in the NED DEM. The wave number analysis further confirms that the CInSAR DEM has valid Signal in the high frequency of more than 0.08 radians/m (about 40m) while the NED DEM does not. Our results indicate that the CInSAR DEM is superior to the NED DEM in terms of both height precision and ground resolution.

• Journal of KIISE
• /
• v.41 no.12
• /
• pp.1050-1057
• /
• 2014

Electroencephalogram (EEG)-based brain-computer interfaces (BCI) can be used for a number of purposes in a variety of industries, such as to replace body parts like hands and feet or to improve user convenience. In this paper, we propose a method to decompose and extract motor imagery EEG signal using Empirical Mode Decomposition (EMD) and Fast Fourier Transforms (FFT). The EEG signal classification consists of the following three steps. First, during signal decomposition, the EMD is used to generate Intrinsic Mode Functions (IMFs) from the EEG signal. Then during feature extraction, the power spectral density (PSD) is used to identify the frequency band of the IMFs generated. The FFT is used to extract the features for motor imagery from an IMF that includes mu rhythm. Finally, during classification, the Support Vector Machine (SVM) is used to classify the features of the motor imagery EEG signal. 10-fold cross-validation was then used to estimate the generalization capability of the given classifier., and the results show that the proposed method has an accuracy of 84.50% which is higher than that of other methods.