http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
신재윤(Jae-Yoon Shin),심홍석(Hong-Suk Shim),이병현(Byung-Hyun Lee),이정란(Jung-Ran Lee),우종명(Jong-Myung Woo) 한국전자파학회 2018 한국전자파학회논문지 Vol.29 No.5
본 논문에서는 고출력 마이크로파 시스템에 적용하기 위해 1.57 GHz에서 단락구조물을 이용하여 최대 후엽감쇄 특성을 갖는 혼 안테나를 제안하였다. 제안된 안테나는 시뮬레이션으로 단락구조물 증가에 따른 후엽감쇄 특성을 최적화 시켰고, 최종 3단 단락구조물을 설계하였다. 그 결과 제작된 혼 안테나의 FBR(Front-to-Back Ratio)은 기본형 혼 안테나 23.47 dB를 기준으로 3단 단락구조물을 부착 후 47.2 dB로 23.7 dB가 개선됨을 확인하였다. Herein, a horn antenna that has the maximum back lobe reduction characteristic using a corrugated structure at 1.57 GHz for a high-power microwave system is proposed. The back-lobe characteristics of the proposed antenna was optimized using simulation as the number of corrugated structures increase, and the three-staged corrugated structure was designed. Consequently, the front-to-back ratio(FBR) of the fabricated antenna is 47.2 dB, which is improved by 23.7 dB based on that of the basic horn antenna, i.e., 23.47 dB.
전중남(Joongnam Jeon),서보석(Bo-Seok Seo),주영관(Youngkwan Ju),심홍석(Hong-Suk Shim),강희석(Hee-Seog Kang) 한국전자파학회 2021 한국전자파학회논문지 Vol.32 No.11
이 논문에서는 수신된 펄스 레이다 신호의 특징 데이터로부터 속성을 정의하고 기계학습을 적용하여 그 속성을 분류하는 방법을 제시하고자 한다. 분류기는 LSTM(long short-term memory) 망과 완전연결 신경망(fully-connected neural network)으로 구성된다. LSTM 망의 입력으로는 펄스를 기술하는 특징값 중에서 펄스 반복 간격과 무선주파수를 사용한다. 분류기의 출력은 정의한 펄스 속성으로 펄스 반복 간격과 무선주파수의 변화 형태, 한 주기를 이루는 계단의 수, 한 계단을 이루는 펄스 수 등 3개 종류이다. 분류기는 입력의 종류 개수에 따라 단일입력 및 다중입력 두 구조를 제시한다. 분류 가짓수는 분류기 구조에 따라 다르며, 다중입력 분류기는 전체적으로는 22,410개의 레이다 신호 속성을 분류한다. 펄스열의 비이상적인 특성으로는 펄스 누락과 다른 펄스 유입, 그리고 펄스 특징값 측정 오차를 고려한다. 모의실험 결과, 많은 분류 가짓수에도 불구하고, 제안한 방법은 높은 분류 정확도를 나타낸다. In this study, the feature attributes from a received pulse radar signal are defined and certain methods are proposed to classify the attributes using machine learning. The classifier is composed of a long short-term memory (LSTM) network and a fully-connected neural network. As inputs to the LSTM network, pulse repetition interval and radio frequency are used among the pulse description words. The outputs of the classifier can be organized into three types of attributes, i.e., the change pattern of the pulse repetition interval and radio frequency, the number of steps in a period, and the number of pulses in a step. Two classifier structures, single-input and multiple- input, are proposed according to the number of input types. The number of classes varies depending on the classifier structure and the multiple-input classifier classifies 22,410 radar signal attribute sets. The missing pulses, the introduction of any non-desired pulses, and an error in measuring the pulse features are considered as the non-ideal characteristics of the pulse train. The simulation results show that the proposed method shows a high classification accuracy despite the large number of classification options.