이진 신호의 유형

마지막 업데이트: 2022년 4월 17일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
Note 회귀는 1886년 프란시스 갈톤(Francis Galton)이 쓴 “Regression towards Mediocrity in Hereditary Stature”에서 유래되었습니다. 갈톤은 사람 키의 분산이 시대가 흘러도 증가하지 않는 생물학적 현상을 설명했습니다. 그는 부모의 키가 자녀에게 전달되지 않는 것을 관찰했습니다. 오히려 자녀 키는 인구 전체 평균으로 회귀합니다.

바이너리 디코더

에서는 디지털 전자 하는 복호화가 A는 조합 논리 회로가 2 개 최대 N 개의 코딩 된 입력으로 변환 이진 정보 N 고유 출력한다. 명령어 디코딩, 데이터 다중화 및 데이터 역다중화, 7개 세그먼트 디스플레이, 메모리 및 포트 매핑된 I/O 용 주소 디코더 를 비롯한 다양한 응용 프로그램에서 사용됩니다 .

이진 디코더에는 여러 유형이 있지만 모든 경우에 디코더는 입력 상태의 모든 고유한 조합을 출력 상태의 특정 조합으로 변환하는 다중 입력 및 다중 출력 신호가 있는 전자 회로입니다. 정수 데이터 입력 외에도 일부 디코더에는 하나 이상의 "활성화" 입력이 있습니다. 활성화 입력이 무효화되면(비활성화) 모든 디코더 출력은 강제로 비활성화 상태가 됩니다.

기능에 따라 이진 디코더는 n개의 입력 신호에서 최대 2n개의 고유한 출력 신호 로 이진 정보를 변환 합니다. 일부 디코더에는 2n 개 미만의 출력 라인이 있습니다. 그러한 경우에, 적어도 하나의 출력 패턴은 상이한 입력 값에 대해 반복될 수 있다.

바이너리 디코더는 일반적으로 독립형 집적 회로 (IC) 또는 보다 복잡한 IC의 일부로 구현됩니다 . 후자의 경우 디코더는 VHDL 또는 Verilog 와 같은 하드웨어 설명 언어 를 사용하여 합성될 수 있습니다 . 널리 사용되는 디코더는 종종 표준화된 IC의 형태로 제공됩니다.

1/n 바이너리 디코더는 n개의 출력 비트를 가지고 있습니다. 이 유형의 디코더는 모든 정수 입력 값에 대해 n개의 출력 이진 신호의 유형 비트 중 정확히 하나를 주장하거나 아무 것도 주장하지 않습니다. 활성화된 출력의 "주소"(비트 번호)는 정수 입력 값으로 지정됩니다. 예를 들어, 정수 값 0이 입력에 적용될 때 출력 비트 번호 0이 선택됩니다.

코드 변환기는 여러 출력 비트가 동시에 활성화될 수 있다는 점에서 1/n 디코더와 다릅니다. 이것의 예 는 정수를 7세그먼트 디스플레이 디지트 에 정수 값을 표시하는 데 필요한 세그먼트 제어 신호의 조합으로 변환하는 7세그먼트 디코더 입니다.

이진 신호의 유형

상품소개 본 상품은 인천시설공단 통신이론 필기시험을 대비한 예상 실전모의고사입니다.
과년도 인천시설공단의 출제경향을 분석하고, 문항복원 키워드 매칭을 통해 공기밥닷컴이 보유하고 있는 3만여 공기업 기출문제유형에서 출제분야별로 문항을 선별 및 재구성하였습니다.
이번 예상 실전모의고사는 그 이전에 출제되었던 문제유형들과 자격증, 공기업 필기시험에 자주 출제되었던 문항들로 구성되었습니다. 세부 출제분야는 아래를 참고하시면 됩니다.
공기업 전공필기 시험의 경우 매년 출제범위가 동일하기 때문에 중요한 문제들은 2~3년 주기로 계속 반복되어 출제되는 경향이 있습니다.
상세정보 유형 : 객관식 4지선다형 문항수 : 40문항 응시시간 : 40분 응시제한 : 2회 PDF해설 : 다운로드 난이도 : 상 30%, 중 50%, 하 20% 출제분야 : 할인가 : 9,900원 (정가: 16,000원) 샘플

  • ① $E _ /N _ =N/S \bullet (R/W)$
  • ② $E _ /N _ =S/N \bullet (R/W)$
  • ③ $E _ /N _ =S/N \bullet (W/R)$
  • ④ $E _ /N _ =N/S \bullet (W/R)$

이진 변조 신호에 대해 $E _ /N _ =S/N \bullet (W/R)$의 관계가 성립한다.(여기서, $E _$: 비트 에너지, $N _$: 잡음전력 밀도, $S$: 신호 전력, $N=N _ W$, $W$: 대역폭, $R$: 비트율)

세마포어 란 무엇입니까? 계산, 예제가 있는 이진 유형

Semaphore 단순히 음수가 아니고 스레드 간에 공유되는 변수입니다. 세마포어는 시그널링 메커니즘이며, 세마포어를 기다리고 있는 스레드는 다른 스레드에 의해 시그널링될 수 있습니다. 프로세스 동기화를 위해 1) Wait 및 2) Signal의 두 가지 원자 연산을 사용합니다.

세마포어는 설정 방법에 따라 리소스에 대한 액세스를 허용하거나 허용하지 않습니다.

이 운영 체제(OS) 자습서에서는 다음을 배우게 됩니다.

세마포어의 특징

다음은 세마포어의 특징입니다.

  • 작업 동기화를 제공하는 데 사용할 수 있는 메커니즘입니다.
  • 저수준 동기화 메커니즘입니다.
  • 세마포어는 항상 음이 아닌 정수 값을 보유합니다.
  • 세마포어는 테스트 작업과 인터럽트를 사용하여 구현할 수 있으며 파일 디스크립터를 사용하여 실행해야 합니다.

세마포어의 유형

세마포어의 두 가지 일반적인 종류는 다음과 같습니다.

세마포어 세기

이러한 유형의 세마포어는 작업을 여러 번 획득하거나 해제하는 데 도움이 되는 개수를 사용합니다. 초기 카운트 = 0이면 사용 불가능 상태에서 카운팅 세마포어를 생성해야 합니다.

그러나 count가 0보다 크면 사용 가능 상태에서 세마포어가 생성되고 보유하고 있는 토큰의 수는 해당 카운트와 같습니다.

이진 세마포어

이진 세마포는 세마포를 카운팅하는 것과 매우 유사하지만 값이 0과 1로 제한됩니다. 이 유형의 세마포에서 대기 작업은 세마포 = 1일 때만 작동하고 신호 작업은 세마포어 = 0일 때 이진 신호의 유형 성공합니다. 세마포어를 세는 것보다 구현하십시오.

이진 세마포어

세마포어의 예

아래 주어진 프로그램은 세마포어의 사용과 선언을 포함하는 단계별 구현입니다.

세마포어의 대기 및 신호 작업

이 두 작업은 모두 프로세스 동기화를 구현하는 데 사용됩니다. 이 세마포어 연산의 목표는 상호 배제를 얻는 것입니다.

작동 대기

이러한 유형의 세마포어 작업은 임계 영역에 대한 작업 항목을 제어하는 ​​데 도움이 됩니다. 그러나 wait 값이 양수이면 대기 인수 X의 값이 감소합니다. 값이 음수 또는 0인 경우 연산을 수행하지 않습니다. P(S) 연산이라고도 합니다.

세마포어 값이 감소하여 음수가 된 후 필요한 조건이 충족될 때까지 명령이 유지됩니다.

신호 동작

이 유형의 세마포어 작업은 임계 영역에서 작업의 종료를 제어하는 ​​데 사용됩니다. V(S)로 표시되는 인수의 값을 1만큼 증가시키는 데 도움이 됩니다.

텐서 플로우 블로그 (Tensor ≈ Blog)

머신러닝(Machine Learning), 딥러닝(Deep Learning) 그리고 텐서(Tensor) 또 파이썬(Python)

1.2 머신 러닝의 세 가지 종류

1.1 데이터를 지식으로 바꾸는 지능적인 시스템 구축| 목차 | 1.3 기본 용어와 표기법 소개

이 절에서는 머신 러닝의 세 가지 종류인 지도 학습 ( supervised learning ) , 비지도 학습 ( unsupervised learning ) , 강화 학습 ( reinforcement learning ) 을 살펴보겠습니다. 이 세 가지 학습 종류의 근본적인 차이를 배웁니다. 그리고 개념을 이해할 수 있는 예제를 사용하여 실전 문제에 적용할 수 있는 직관을 길러 봅니다.

p031.jpg

그림 1-1 머신 러닝의 세 가지 학습 종류

1.2.1 지도 학습으로 미래 예측

지도 학습의 주요 목적은 레이블 ( label )(주석 1) 된 훈련 데이터에서 모델을 학습하여 본 적 없는 미래 데이터에 대해 예측을 만드는 것입니다. 여기서 지도 ( supervised ) 는 희망하는 출력 신호(레이블)가 있는 일련의 샘플을 의미합니다.

p032.jpg

스팸 이메일을 필터링하는 예를 생각해 보죠. 레이블된 이메일 데이터셋에서 지도 학습 머신 러닝 알고리즘을 사용하여 모델을 훈련할 수 있습니다. 이 데이터셋은 스팸 또는 스팸이 아닌 이메일로 정확하게 표시되어 있습니다. 훈련된 모델은 새로운 이메일이 두 개의 범주 ( category ) 중 어디에 속하는지 예측합니다. 이메일 스팸 필터의 예처럼 개별 클래스 레이블이 있는 지도 학습을 분 류 ( classification ) 라고 합니다. 지도 학습의 또 다른 종류는 연속적인 값을 출력하는 회귀 ( regression ) 입니다.

분류: 클래스 레이블 예측

분류는 지도 학습의 하위 카테고리입니다. 과거의 관측을 기반으로 새로운 샘플(주석 2)의 범주형 클래스 레이블을 예측하는 것이 목적입니다. 클래스 레이블은 이산적 ( discrete ) 이고 순서가 없어 샘플이 속한 그룹으로 이해할 수 있습니다. 앞서 언급한 스팸 이메일 감지는 전형적인 이진 분류 ( binary classification ) 작업의 예입니다. 스팸과 스팸이 아닌 이메일 두 개의 클래스 사이를 구분하려고 머신 러닝 알고리즘이 일련의 규칙을 학습합니다.

두 개 이상의 클래스 레이블을 가진 경우가 많습니다. 지도 학습 알고리즘으로 학습한 예측 모델은 훈련 데이터셋에 있는 모든 클래스 레이블을 새로운 샘플에 할당할 수 있습니다. 이런 다중 분 류 ( multiclass classification ) 의 전형적인 예는 손으로 쓴 글자 인식입니다. 알파벳 각 글자를 손으로 쓴 이미지 샘플을 모아서 훈련 데이터셋을 구성합니다. 새로운 글자를 입력으로 제공하면 예측 모델이 일정한 정확도로 알파벳 글자를 예측할 것입니다. 0 에서 9 까지 숫자가 훈련 데이터셋에 없다면 이 머신 러닝 시스템은 숫자를 인식하지 못할 것입니다.

그림 1 – 3 은 30 개의 훈련 샘플이 있는 이진 분류 작업의 개념을 나타냅니다. 15 개의 샘플은 음 성 클래스 ( negative class ) 로 레이블(뺄셈 기호)되어 있고, 다른 15 개의 샘플은 양성 클래스 ( positive class ) 로 레이블(덧셈 기호)되어 있습니다. 각 샘플이 두 개의 , 값에 연관되어 있으므로 2 차원 데이터셋입니다. 지도 학습 알고리즘을 사용하여 두 클래스를 구분할 수 있는 규칙을 학습합니다. 이 규칙은 점선으로 나타난 결정 경계 ( decision boundary ) 입니다. 새로운 데이터의 , 값이 주어지면 두 개의 범주 중 하나로 분류합니다.

p033.jpg

그림 1-3 두 개의 클래스를 구분하는 결정 경계

회귀: 연속적인 출력 값 예측

이전 절에서 분류 작업은 범주형 순서가 없는 레이블을 샘플에 할당하는 것이라고 배웠습니다. 두 번째 지도 학습의 종류는 연속적인 출력 값을 예측하는 회귀 분석입니다. 회귀는 예측 변수 ( predictor variable ) (또는 설명 변수 ( explanatory variable ) , 입력 ( input ) )와 연속적인 반응 변수 ( response variable ) (또는 출력 ( outcome ) , 타깃 ( target ) )가 주어졌을 때 출력 값을 예측하는 두 변수 사이의 관계를 찾습니다.(주석 3)

예를 들어 학생들의 수학 SAT 점수를 예측한다고 가정해 보죠. 시험 공부에 투자한 시간과 최종 점수 사이에 관계가 있다면 두 값으로 훈련 데이터를 만들고 모델을 학습할 수 있습니다. 이 모델은 시험에 응시하려는 학생들이 공부한 시간을 이용하여 시험 점수를 예측합니다.

Note 회귀는 1886년 프란시스 갈톤(Francis Galton)이 쓴 “Regression towards Mediocrity in Hereditary Stature”에서 유래되었습니다. 갈톤은 사람 키의 분산이 시대가 흘러도 증가하지 않는 생물학적 현상을 설명했습니다. 그는 부모의 키가 자녀에게 전달되지 않는 것을 관찰했습니다. 오히려 자녀 키는 인구 전체 평균으로 회귀합니다.

그림 1 – 4 는 선형 회귀 ( linear regression ) 의 개념을 나타냅니다. 입력 x 와 타깃 y 가 주어지면 샘플과 직선 사이 거리가 최소가 되는 직선을 그을 수 있습니다. 일반적으로 평균 제곱 거리를 사용합니다. 이렇게 데이터에서 학습한 직선의 기울기와 절편 ( intercept )(주석 4) 을 사용하여 새로운 데이터의 출력 값을 예측합니다.

p034.jpg

1.2.2 강화 학습으로 반응형 문제 해결

강화 학습 은 머신 러닝의 또 다른 종류입니다. 강화 학습은 환경과 상호 작용하여 시스템( ( agent ) ) 성능을 향상하는 것이 목적입니다. 환경의 현재 상태 정보는 보상 ( reward ) 신호를 포함하기 때문에 강화 학습을 지도 학습과 관련된 분야로 생각할 수 이진 신호의 유형 있습니다. 강화 학습의 피드백은 정답 ( ground truth ) 레이블이나 값이 아닙니다. 보상 함수로 얼마나 행동이 좋은지를 측정한 값입니다. 에이전트는 환경과 상호 작용하여 보상이 최대화되는 일련의 행동을 강화 학습으로 학습합니다. 탐험적인 시행착오 ( trial and error ) 방식이나 신중하게 세운 계획을 사용합니다.

강화 학습의 대표적인 예는 체스 게임입니다. 에이전트는 체스판의 상태(환경)에 따라 기물의 이동을 결정합니다. 보상은 게임을 종료했을 때 승리하거나 패배하는 것으로 정의할 수 있습니다.

p035.jpg

강화 학습에는 여러 하위 분류가 있습니다. 일반적인 구조는 강화 학습 에이전트가 환경과 상호 작용하여 보상을 최대화하는 것입니다. 각 상태는 양의 보상이나 음의 보상과 연관됩니다. 보상은 체스 게임의 승리나 패배처럼 전체 목표를 달성하는 것으로 정의할 수 있습니다. 예를 들어 체스에서 기물의 이동으로 나타난 결과는 각기 다른 환경 상태로 생각할 수 있습니다. 체스 예제를 좀 더 살펴보죠. 체스판의 특정 위치에 도달하는 것이 긍정적인 이벤트와 연관될 수 있습니다. 예를 들어 상대 체스 기물을 잡거나 퀸을 위협하는 것입니다. 반면 어떤 위치는 부정적인 이벤트와 연관됩니다. 예를 들어 다음 차례에 상대에게 기물을 잃게 되는 경우입니다. 매번 차례가 돌아올 때마다 체스 기물을 잃지는 않습니다. 강화 학습은 즉시 또는 지연된 피드백을 기초로 하여 보상을 최대화하는 일련의 단계를 학습합니다.

이 절에서 강화 학습의 개요를 살펴보았습니다. 강화 학습 애플리케이션은 책 범위를 넘어섭니다. 책은 분류, 회귀, 군집에 집중합니다.

1.2.3 비지도 학습으로 숨겨진 구조 발견

지도 학습에서는 모델을 훈련할 때 사전에 옳은 답을 알고 있습니다. 강화 학습에서는 에이전트의 특정 행동을 어떻게 보상할지 그 측정 방법을 정의합니다. 비지도 학습에서는 레이블되지 않거나 구조를 알 수 없는 데이터를 다룹니다. 비지도 학습 기법을 사용하면 알려진 출력 값이나 보상 함수의 도움을 받지 않고 의미 있는 정보를 추출하기 위해 데이터 구조를 탐색할 수 있습니다.

군집: 서브그룹 찾기

군집 ( clustering ) 은 사전 정보 없이 쌓여 있는 그룹 정보를 의미 있는 서브그룹 ( subgroup ) 또는 클러 스터 ( cluster ) 로 조직하는 탐색적 데이터 분석 기법입니다. 분석 과정에서 만든 각 클러스터는 어느 정도 유사성을 공유하고 다른 클러스터와는 비슷하지 않은 샘플 그룹을 형성합니다. 이따금 군집을 비지도 분류 ( unsupervised classification ) 라고 하는 이유가 여기 있습니다. 클러스터링은 정보를 조직화하고 데이터에서 의미 있는 관계를 유도하는 훌륭한 도구입니다. 예를 들어 마케터가 관심사를 기반으로 고객을 그룹으로 나누어 각각에 맞는 마케팅 프로그램을 개발할 수 있습니다.

그림 1 – 6 은 군집이 어떻게 레이블되지 않는 데이터를 특성 과 의 유사도를 기반으로 세 개의 개별적인 그룹으로 조직화하는지 보여 줍니다.

p036.jpg

차원 축소: 데이터 압축

비지도 학습의 또 다른 하위 분야는 차원 축소 ( dimensionality reduction ) 입니다. 고차원의 데이터를 다루어야 하는 경우는 흔합니다. 즉, 하나의 관측 샘플에 많은 측정 지표가 있습니다. 이로 인해 머신 러닝 알고리즘의 계산 성능과 저장 공간의 한계에 맞닥뜨릴 수 있습니다. 비지도 차원 축소는 잡음 ( noise ) 데이터를 제거하기 위해 특성 전처리 단계에서 종종 적용하는 방법입니다. 이런 잡음 데이터는 특정 알고리즘의 예측 성능을 감소시킬 수 있습니다. 차원 축소는 관련 있는 정보를 대부분 유지하면서 더 작은 차원의 부분 공간 ( subspace )(주석 5) 으로 데이터를 압축합니다.

이따금 차원 축소는 데이터 시각화에도 유용합니다. 예를 들어 고차원 특성을 1 차원 또는 2 차원, 3 차원 특성 공간으로 투영하여 3D 와 2D 산점도 ( scatterplot ) 나 히스토그램 ( histogram ) 으로 시각화합니다. 그림 1 – 7 은 비선형 ( nonlinear ) 차원 축소를 적용하여 3D 스위스롤 ( Swiss Roll ) 모양의 데이터를 새로운 2D 특성의 부분 공간으로 압축하는 예를 보여 줍니다.(주석 6)

p037.jpg

역주 머신 러닝에서 특정 샘플에 할당된 클래스(class)를 레이블이라고 합니다. 즉, 레이블의 범주(category)가 클래스입니다. 책에서는 혼동을 피하기 위해 category가 레이블 범주를 의미하지 않을 때는 ‘카테고리’로 번역합니다. 또 프로그래밍 언어의 클래스는 ‘파이썬 클래스’, ‘SGDClassifier 클래스’처럼 명확하게 구분하여 사용합니다.

역주 예측 변수를 독립 변수(independent variable)라고도 합니다. 반응 변수는 종속 변수(dependent variable) 또는 설명된 변수(explained variable)라고도 합니다. 이런 용어는 통계 분야에서 유래되었습니다. 책에서는 분류와 회귀를 구분하지 않고 간단하게 입력과 출력(또는 타깃)이라고 부르겠습니다.

역주 원서에서는 방정식의 상수 항을 가리킬 때 절편(intercept)과 편향(bias)을 혼용하여 사용합니다. 번역서에서는 혼동을 피하기 위해 절편으로 통일합니다. 편향은 과대적합과 과소적합, 분산- 편향 트레이드오프를 설명할 때 사용하겠습니다.

역주 머신 러닝에서는 입력 데이터의 특성을 하나의 축으로 생각하여 벡터 공간이란 표현이 자주 등장합니다. 특성을 줄여 차원이 낮아진 데이터는 부분 공간이라고 표현합니다

역주 스위스롤은 크림이나 잼을 넣어 돌돌 말은 형태의 케이크로 롤케이크라고도 합니다. 이 예는 지역 선형 임베딩(Locally Linear Embedding, LLE)을 사용하여 스위스롤 데이터셋의 2D 매니폴드(manifold)를 펼친 것입니다. 매니폴드 학습이나 LLE에 대한 자세한 내용은 (한빛미디어, 2018)의 8장을 참고하세요.

센서 및 변환기

​ 전자 회로나 시스템이 어떤 유용한 작업이나 기능을 수행하기 위해서는 이것이 "ON/OFF" 스위치의 입력 신호를 읽음으로써인지 아니면 어떤 형태의 출력 장치를 작동시켜 하나의 빛을 비추는 것인지는 "실제 세계"와 통신할 수 있어야 한다.

즉, 전자 시스템이나 회로는 무언가를 "할 수 있거나" 가능해야 하며 센서와 변환기 는 이를 위한 완벽한 구성 요소입니다.

"트랜스듀서"라는 단어는 움직임, 전기 신호, 복사 에너지, 열 또는 자기 에너지 등과 같은 다양한 에너지 형태를 감지하는 데 사용될 수 있는 센서 와 전압 또는 전류를 전환하는 데 사용될 수 있는 액추에이터 에 사용되는 총칭입니다.

아날로그와 디지털, 입출력 모두 다양한 유형의 센서와 변환기가 있습니다. 사용되는 입력 또는 출력 변환기의 이진 신호의 유형 유형은 신호 또는 프로세스의 유형이 "면허" 또는 "제어됨"에 따라 다르지만, 우리는 센서와 변환기를 하나의 물리적 양을 다른 물리적 양으로 변환하는 장치로 정의할 수 있습니다.

"입력" 기능을 수행하는 장치들은 일반적으로 센서 라고 불리는데, 이는 열이나 힘, 전기 신호로 은닉하는 것과 같은 일부 자극에 반응하여 변하는 물리적 변화를 감지하기 때문이다. "출력" 기능을 수행하는 장치는 일반적으로 액추에이터 라고 불리며 움직임이나 소리와 같은 외부 장치를 제어하는 데 사용됩니다.

전기 변환기 는 한 종류의 에너지를 다른 종류의 에너지로 변환하는 데 사용되기 때문에, 예를 들어, 마이크(입력 장치)는 증폭기가 음파를 전기 신호로 변환하여 증폭(프로세스)하고 확성기(출력 장치)는 이러한 전기 신호를 다시 음파로 변환하고 이러한 유형의 예는 다음과 같다. 입력/출력(I/O) 시스템은 아래와 같습니다.

사운드 변환기를 이용한 간단한 입력/출력 시스템

시장에서 사용할 수 있는 센서와 변환기는 여러 가지 유형이 있으며, 실제로 사용할 센서와 변환기의 선택은 측정 또는 제어되는 양에 따라 달라집니다. 보다 일반적인 유형은 아래 표에 나와 있습니다.

공통 센서 및 변환기

수량존재
측정했다.
입력장치
(센서)
출력 장치
(액셀러레이터)
라이트 레벨 광의존성 저항기(LDR)
광다이오드
포토트랜지스터
솔라 셀
조명 & 램프
LED & 디스플레이
파이버 옵틱스
온도 열전대
서미스터
온도 조절기
저항 온도 감지기
히터
힘/압력 스트레인 게이지
압력 스위치
셀 로드
리프트 & 잭
전자석
진동
위치 전위차계
Encoders
반사형/슬롯형 광학 스위치
선형 가변 차동 변압기
자동차
솔레노이드
패널 미터
스피드 타초제너레이터
반사형/슬롯형 광학-커플러
도플러 효과 센서
AC 및 DC 모터스
스테퍼 모터
브레이크
사운드 탄소 마이크로폰
피에조전기결정

버저
확성기

입력 유형 변환기 또는 센서, 전압 또는 신호 출력 응답은 측정 중인 양의 변화(부양)에 비례합니다. 출력 신호의 유형 또는 양은 사용 중인 센서의 유형에 따라 달라집니다. 그러나 일반적으로 모든 유형의 센서는 패시브 센서 또는 액티브 센서 의 두 종류로 분류할 수 있습니다.

일반적으로 활성 센서는 외부 전원 공급 장치가 작동하기 위해 필요하며, 이를 센서 에서 출력 신호를 생성하는 데 사용합니다. 활성 센서는 자체 생성 장치입니다. 예를 들어 출력 전압이 1 ~ 10v DC이거나 4 ~ 20mA DC와 같은 출력 전류를 생성하는 외부 영향에 따라 자체 특성이 변하기 때문입니다. 활성 센서는 신호 증폭도 발생시킬 수 있습니다.

활성 센서의 좋은 예는 LVDT 센서 또는 스트레인 게이지입니다. 스트레인 게이지는 센서에 가해지는 힘 및/또는 스트레인의 양에 비례하여 출력 전압을 생성할 수 있는 방식으로 외부 편향(익스포팅 신호)된 압력 감지 저항성 브리지 네트워크입니다.

수동형 센서는 능동형 센서와 달리 추가 전원 또는 흥분 전압이 필요하지 않습니다. 대신 수동형 센서는 어떤 외부 자극에 반응하여 출력 신호를 생성한다. 예를 들어 열에 노출되면 자체 전압 출력을 생성하는 열전대. 그런 다음 패시브 센서는 저항, 캐패시턴스 또는 인덕턴스 등과 같은 물리적 특성을 변경하는 직접 센서입니다.

그러나 아날로그 센서 뿐만 아니라 디지털 센서는 논리 수준 "0" 또는 논리 수준 "1"과 같은 이진 숫자 또는 숫자를 나타내는 이산형 출력을 생성합니다.

아날로그 및 디지털 센서

아날로그 센서

아날로그 센서 는 일반적으로 측정되는 양에 비례하는 연속 출력 신호 또는 전압을 생성합니다. 온도, 속도, 압력, 변위, 변형률 등과 같은 물리적 양은 이진 신호의 유형 자연에서 연속적인 경향이 있기 때문에 모두 아날로그 수량이다. 예를 들어, 액체의 온도는 액체가 가열되거나 냉각될 때 온도 변화에 지속적으로 반응하는 온도계 또는 열전대를 사용하여 측정할 수 있습니다.

아날로그 신호를 생성하는 데 사용되는 열전대

아날로그 센서는 시간이 지남에 따라 부드럽고 지속적으로 변화하는 출력 신호를 생성하는 경향이 있습니다. 이러한 신호는 몇 마이크로볼트(uV)에서 몇 밀리볼트(mV)까지 값이 매우 작은 경향이 있으므로 어떤 형태로든 증폭해야 한다.

그런 다음 아날로그 신호를 측정하는 회로의 응답 속도가 느리거나 정확도가 낮습니다. 또한 아날로그 신호는 아날로그-디지털 변환기 또는 ADC의 사용에 의해 마이크로컨트롤러 시스템에서 사용하기 위한 디지털 유형 신호로 쉽게 변환될 수 있다.

디지털 센서

그 이름이 암시하듯, 디지털 센서는 측정되는 수량을 디지털로 나타내는 이산 디지털 출력 신호 또는 전압을 생성합니다. 디지털 센서는 논리 "1" 또는 논리 "0", ("ON" 또는 "OFF")의 형태로 이진 출력 신호를 생성합니다. 즉, 디지털 신호는 단일 "비트"(시리얼 전송)로 출력되거나 비트를 결합하여 단일 "바이트" 출력(병렬 전송)으로 출력될 수 있는 이산(비연속) 값만 생성합니다.

디지털 신호를 생성하는 데 사용되는 광 센서

위의 간단한 예에서는 디지털 LED/Opto-Detector 센서를 사용하여 회전축의 속도를 측정합니다. 회전축(예: 모터 또는 로봇 휠)에 고정된 디스크에는 설계 내에 다수의 투명 슬롯이 있습니다. 디스크가 샤프트의 속도로 회전할 때 각 슬롯은 차례로 센서를 통과하여 로직 "1" 또는 로직 "0" 레벨을 나타내는 출력 이진 신호의 유형 펄스를 생성합니다.

이러한 펄스는 카운터 레지스터로 전송되고 마지막으로 출력 디스플레이로 전송되어 샤프트의 속도나 회전을 표시합니다. 디스크 내의 슬롯 또는 "윈도우" 수를 늘리면 샤프트의 회전마다 더 많은 출력 펄스를 생성할 수 있습니다. 이것의 장점은 혁명의 분수를 감지할 수 있기 때문에 더 높은 분해능과 정확도가 달성된다는 것이다. 그런 다음 이러한 유형의 센서 배열을 기준 위치를 나타내는 디스크 슬롯 중 하나를 사용하여 위치 제어에도 사용할 수 있습니다.

아날로그 신호에 비해 디지털 신호 또는 양은 매우 높은 정확도를 가지며 매우 높은 클럭 속도로 측정 및 "샘플링"할 수 있습니다. 디지털 신호의 정확도는 측정된 양을 나타내는 데 사용되는 비트 수에 비례합니다. 예를 들어, 8비트의 프로세서를 사용하면 0.390%의 정확도를 얻을 수 있습니다( 256분의 1). 16비트의 프로세서를 사용하는 동안 0.0015%(65,536의 1부분) 또는 260배의 정확도를 제공한다. 이러한 정확도는 아날로그 신호보다 수백만 배 빠른 속도로 디지털 수량이 조작되고 처리되므로 유지될 수 있습니다.

대부분의 경우 센서와 보다 구체적으로 아날로그 센서는 일반적으로 외부 전원 공급 장치 및 어떤 형태의 추가적인 증폭 또는 신호 필터링이 필요하며, 이를 통해 측정하거나 사용할 수 있는 적절한 전기 신호를 생성할 수 있습니다. 단일 회로 내에서 증폭과 필터링을 모두 수행할 수 있는 매우 좋은 방법 중 하나는 앞서 살펴본 것처럼 Operational Amplifier를 사용하는 것입니다.

센서의 신호 조건화

조작 증폭기 튜토리얼에서 보았던 것처럼 op-amp를 사용하여 반전 또는 비반전 구성으로 연결했을 때 신호의 증폭을 제공할 수 있습니다.

몇 밀리볼트 또는 피코볼트와 같은 센서에 의해 생성되는 매우 작은 아날로그 신호 전압은 단순한 op-amp 회로에 의해 여러 번 증폭되어 훨씬 더 큰 5V 또는 5mA 전압 신호를 생성하고 마이크로프로세서 또는 아날로그-디지털 기반 시스템의 입력 신호로 사용할 수 있다.

따라서 유용한 신호를 제공하려면 센서 출력 신호가 전압 이득이 최대 10,000, 전류 이득이 1,000,000까지 있는 앰프로 증폭되어야 하며, 신호의 증폭은 선형이며, 출력 신호는 입력의 정확한 재현이며, 진폭에서 변경되었습니다.

그런 다음 증폭은 신호 조절의 일부입니다. 따라서 아날로그 센서를 사용할 때 일반적으로 어떤 형태의 증폭(게인), 임피던스 매칭, 입출력 사이의 격리 또는 아마도 필터링(주파수 선택)이 필요할 수 있으며 이는 신호를 사용할 수 있고 조작 앰프 를 통해 편리하게 수행됩니다.

또한 매우 작은 물리적 변화를 측정할 때 센서의 출력 신호는 필요한 실제 신호가 올바르게 측정되지 않도록 원하지 않는 신호 또는 전압으로 "오염"될 수 있습니다. 이러한 원하지 않는 신호를 " 노이즈 "라고 합니다. 이 소음 또는 간섭은 활성 필터 자습서에서 설명한 대로 신호 조절 또는 필터링 기술을 사용하여 크게 감소하거나 제거할 수 있습니다.

로우패스 또는 하이패스 또는 심지어 밴드패스 필터를 사용하면 노이즈의 "대역폭"을 줄여 필요한 출력 신호만 남길 수 있습니다. 예를 들어 스위치, 키보드 또는 수동 컨트롤의 많은 유형의 입력은 이진 신호의 유형 이진 신호의 유형 상태를 빠르게 변경할 수 없으므로 로우패스 필터를 사용할 수 있습니다. 간섭이 특정 주파수(예: 주 주파수)에 있을 때 좁은 대역 제거 또는 Notch 필터를 사용하여 주파수 선택 필터를 생성할 수 있습니다.

일반적인 Op-amp 필터

일부 무작위 잡음이 여과 후에도 여전히 남아 있으면 여러 개의 표본을 추출한 다음 평균을 내어 최종 값을 계산하여 신호 대 잡음 비율을 높여야 할 수 있습니다. 어느 쪽이든 증폭과 필터링은 "실제" 조건에서 센서와 트랜스듀서를 마이크로프로세서와 전자제품 기반 시스템에 연결하는 데 중요한 역할을 한다.

센서에 대한 다음 튜토리얼에서는 특정 거리 또는 각도에 대해 한 위치에서 다른 위치로 이동을 의미하는 물리적 개체의 위치 및/또는 변위를 측정하는 위치 센서를 살펴봅니다.


0 개 댓글

답장을 남겨주세요