Wiredwisdom

Amp의 +,- 측으로의 입력의 차이가 증폭되는 구조이기 때문에, `V_in`에 따라 `V_out` 이 선형적으로 올라가고, 이 값이 -측으로 피드백이 된다면 V_in과의 전압 차이가 줄어드는 방향으로 가려 할테고, 그렇게 하나의 `V_out`으로 값이 수렴하게 된다. 반대로 엠프의 게인이 마이너스라면 값은 발산을 하게 된다. 그러나 입력값의 차이가 V_out에 따라 +값과 - 값을 오가게 된다면 오실레이터가 된다.  입력 주파수가 높아질수록 앰프 내의 기생커패시턴스로 인해 고주파수 성분이 흡수가 되어 퓨리에트랜스폼의 그래프를 보면 주파수가 높아질수록 gain이 낮아지는 그래프가 그려진다. 여기서 특정 주파수에 따라 게인이 20dB 씩 깎여가는데, 3폴 이상을 마지노선으로 본다. Phase-margin의..

왼쪽에서 바이어스를 하여 정적 Gate 전압을 찾고, 오른쪽 단에서 실제 출력을 담당한다.       M1 M2 트랜지스터가 M0.M3의 드레인 불안정성에 대한 전류 변화를 흡수해주기 때문에 M3오 M2 사이의 출력 임피던스는 높고 안정될 수 있다.          # 트랜지스터를 저항으로 대체할 경우     출력 선형 특성이 강화되나 전류 제어 능력을 상실하여 전체 이득이 감소된다구분내용장점1. 단순화: 회로가 더 간단해져 설계와 분석이 용이함 2. 선형성: 저항은 본질적으로 선형 소자로, 전압-전류 관계가 더 선형적임 3. 노이즈 감소: 트랜지스터에 비해 노이즈가 적음 4. 온도 안정성: 저항은 트랜지스터보다 온도 변화에 덜 민감함 5. 비용 절감: 일반적으로 저항이 트랜지스터보다 저렴함단점1. 유연..

nmos가 모빌리티가 2배 높기 때문에 pmos의 witdh를 2배 넓혀 속도를 보상해준다. 그래야 입출력에서 라이징 딜레이와 폴링 딜레이가 일치하여 시스템의 반응성을 일관적으로 가지고 갈 수 있기 때문이다.  C_ox (산화물 커패시턴스):게이트 산화물의 단위 면적당 커패시턴스를 나타냅니다.게이트와 채널 사이의 절연체(주로 실리콘 dioxide)에 의해 형성됩니다.수식: C_ox = ε_ox / t_ox (ε_ox: 산화물의 유전율, t_ox: 산화물의 두께)단위: F/m² (파라드/제곱미터)C_ox가 클수록 게이트의 채널 제어 능력이 향상됩니다.C_dm (변조 커패시턴스):공핍 영역의 변조로 인한 추가적인 커패시턴스를 나타냅니다.채널 길이 변조 효과와 관련이 있습니다.주로 단채널 효과를 모델링할 때 ..

Transconductance 입력 전압에 의한 출력 전류의 관계 `g_m=(delI_D)/(delV_(GS))` `g_m=mu_nC_(ox)(W/L)(V_(GS)-V_(TH))` `=sqrt(2mu_nC_(ox)(W/L)I_D)` `=(2I_D)/(V_(GS)-V_(TH))`  왼쪽의 그래프와 같이 x 축의 Vds 값이 증가함에 따라 혹은 V_gs 값이 증가함에 따라y 축의 전류 값의 변화가 야기된다. V_gs의 상승은 명확하며 일관된 출력 전류의 상승을 불러일으키고V_ds의 상승은 선형적으로 올라가다가 이내 곧 포화 전류, 즉 더 이상 유의미하게 전류가 올라가지 않는 한계영역으로 가게 된다. 이를 지나치면 반도체가 붕괴하며 브레이크 다운으로 모든 저항력이 소실되고 만다.오른쪽 그림은 바디이펙트를 위해..

Zero-Shot-Learning : 이미 충분히 학습이 된 네트워크(Foundation Model) 에서의 정보를 토대로 학습되지 못한 전혀 새로운 대상(혹은 의미)를 추론하여 학습된 모델을 통해 클래스로 분류하는 것을 의미한다.Few-Shot-Learning : 충분히 학습 된 Foundation Model에 전이 학습 등을 통하여 아주 소량의 라벨링 된 데이터틀 가지고 새로운 클래스를 만들어 Inference 시 인식하도록 하는 것이다. 이는 대량 학습을 위한 무수한 라벨링 데이터들에 대해 소모 되는 비용과 시간을 절약하기 위함이다. 기존의 분류체계만으로 새로운 학습에 적용하여 더 빠르게 학습하도록 유도하는 것이다. 이는 어느정도 인지 능력이 있는 사람의 빠른 학습 과정의 원리와 매우 유사하다.  ..

신경망의 결과 값과 정답 사이의 수치화 된 간격이 좁아질수록 정답에 근접한다는 단순한 논리를 토대로, 각 Node의 Value 를 조금씩 움직이면서 로스 펑션의 값의 변화를 보고서는, Loss Function이 작아지는 방향으로 가중치의 증가와 감소 방향을 정하게 되는 것이 학습의 기본이 된다.

터틀봇3에서 추출된 이미지와 라이더 데이터를 PC로 옮기는 과정이 필요한데요, ROS 에서 이를 자체적으로 지원하고데이터를 TOPIC 계층으로 분류하여 줍니다. 이 계층에서 다시 데이터를 수집하여 퓨전에 대한 코드를 수행해야 하는데이를 전반적으로 연계하기 위해서는 ROS 에 따로 패키지를 설정해야 합니다.그리고 그 패키지 안에 메인 코드를 삽입하고 실행하면 되는 것이지요.     해당 라이다 센서는 2차원 센서, 즉 정적인 상태에서는 1차원의 점 포인트만 센싱가능하기 때문에이미지에 깊이 데이터를 퓨전하기 위해서는 이미지의 특정 Row 열 하나를 캠의 화각에 맞추어 라이다의 센서 정보를 마스킹 하고, 분배시키는 작업이 필요하게 됩니다.  초기에는 라이데 센서의 정면을 좌우로 `+_45` 를 유효 데이터로 ..

CAN (Controller Area Network)출시 년도: 1986년특징:전통적으로 차량 내부 통신 시스템에서 사용되며, 신뢰성 높은 데이터 전송을 위해 설계됨.주로 ECU (전자 제어 장치)들 간의 통신에 사용되며, 표준 속도는 1 Mbps이지만 CAN FD 버전에서는 더 높은 대역폭을 제공하여 데이터 전송 속도를 향상시킴.FlexRay출시 년도: 2000년특징:고속 및 결정적인 통신이 필요한 시스템에 사용됨.최대 10 Mbps의 속도를 지원하며, 주로 차량의 안전 중요 시스템에 적용되어 신뢰성이 요구되는 환경에서 사용됨.LIN (Local Interconnect Network)출시 년도: 1999년특징:저비용 및 저속 통신을 위해 개발됨.주로 차량의 간단한 기능 제어에 사용되며, 예를 들어 창문..