http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Short-Channel EIGFET의 Threshold 전압 모델에 관한 연구
박광민,김홍배,곽계달,Park, Gwang-Min,Kim, Hong-Bae,Gwak, Gye-Dal 대한전자공학회 1985 전자공학회지 Vol.22 No.4
본 논문에서는, drain 전압과 substrate bias에 종속적인 관계를 갖는 short-channel enhancement-mode IGFET의 threshold전압에 대한 보다 개선된 모델을 제시한다. 특히, 최근에 발표된 몇몇 모델들에 비해. short-channel effect에 의한 correction factor를 정확히 해석함으로써 오차를 충분히 줄일 수 있었으며, 본 모델을 이용하여 계산한 이론값은 약 1μm 정도의 채널 길이를 갖는 device에 대해서도 실험값과 잘 일치한다. In this paper, a more improved threshold voltage model dependent on drain voltage and substrate bias for short - channel enhancement - mode IGFET is presented. Especially, compared with the several recently published models, the error is sufficiently reduced with the precise analysis on the correction factor for short-channel effect and the calculated values using this model are also agreed well with the experimental data about 1$\mu$m - channel length device.
박광민 ( Park¸ Gwang-min ),김재홍 ( Kim¸ Jae-hong ) 한국구조물진단유지관리공학회 2023 한국구조물진단유지관리공학회 학술발표대회 논문집 Vol.27 No.2
최근 건설 산업에서의 가장 큰 화두는 3D Printing 기술을 이용한 건축물 제작이다. 프린팅 방식을 이용한 연구는 많은 국가에서 활발히 진행되고 있으며, 프린팅 성능을 향상하여 제작 시간을 단축하거나, 프린팅 방식으로 구조물을 제작하여 해당 구조물의 물성 연구 또한 진행되고 있다. 본 연구는 프린팅을 이용한 구조물 제작 시, 구조물의 형태 유지성을 평가하는 방법을 재료의 모관 흡수력 값을 이용하여 평가 기준을 제시하고자 한다. 구체적으로 설명하면, 다양한 물-시멘트 비를 이용하여 재료의 모관 흡수력 값을 시간에 따라 측정하여 각각의 물-시멘트 비를 가지는 재료에 대한 재료간의 결합 정도를 측정한다. 산출된 각각의 결합 정도를 가지는 재료에 대해 프린팅을 진행하였을 때, 출력되는 구조물의 형태 유지성을 관찰하고 이를 통해 프린팅 기술을 이용한 구조물 제작 시, 형태 유지성 평가에 사용될 기준을 제시하고자 한다.
Residual Network를 활용한 빈대 판별 모델 학습
박광민(Gwang Min Park),이지수(Ji Soo Lee),김동현(Dong Hyeon Kim),서용준(Yong-Jun Seo),김경규(Kyung-Kyu Kim) 대한전자공학회 2024 대한전자공학회 학술대회 Vol.2024 No.6
To address the physical and financial damages caused by bedbugs, we developed a bedbug identification model that allows the general public to easily recognize bedbugs. The model was trained to identify bedbugs by learning their distinctive features while classifying them alongside three similar pest species. We used openCV for insect object recognition and preprocessing, and ResNet for training. Due to the lack of data, the initial accuracy was low at 76.69%. However, when we used transfer learning, the accuracy improved to 94.59%.