안정적 혁신 필터의 빠른 적응 식별

본 논문은 혁신 모델(innovation model)을 기반으로 하는 선형 시불변 시스템의 임펄스 응답을 효율적으로 식별하는 방법을 제시한다. 시스템은 상태공간 방정식 z_{t+1}=Az_t+bε_t, y_t=c^*z_t+ε_t 로 기술되며, 여기서 ε_t 는 측정 및 시스템 잡음이 완전히 상관된 혁신 벡터이다. 임펄스 응답 h_j = c^*A^j b 를 미리 정의된 기저함수들의 유한합으로 가정하고, 미지 계수들을 PLR(pseudolinear regression) 방식으로 추정한다. PLR은 ˆc_t = Φ_t d_t 로 표현되며, Φ_t = (ˆP_δt)^{-1} 는 가중된 경험 공분산 ˆP_δt 의 역행렬이다. 공분산 ˆP_δt 는 재귀식 ˆP_δt = δ ˆP_δ(t-1) + ˆz_t ˆz_t^* 로 업데이트되며, 여기서 δ∈(0,1] 은 ‘forgetting factor’이다. 논문은 ˆP_δt 가 변위 구조를 가진다는 사실을 이용한다. 구체적으로 ˆP_δt - δ^{-1} A ˆP_δt A^* = X_t S X_t^* 로 표현할 수 있으며, X_t 는 저차원 생성기, S 는 서명 행렬이다. 초기 조건에서 X_0 와 S_0 를 SVD 혹은 특수 알고리즘으로 구하면, 이후 단계에서 X_t 를 O(α^2 n) 연산으로 갱신할 수 있다. 여기서 α = rank(S) 로, 초기 변위 랭크가 작을수록 연산량이 감소한다. 다음으로 논문은 제곱근 형태의 필터(SRDF)를 도입한다. ˆP_δt 를 Cholesky 분해 R_t R_t^* 로 나타내고, 좌표 변환 u_t = R_t^{-1} ˆz_t, ˆc'_t = R_t^{* -1} ˆc_t 를 수행한다. 변환 후 시스템은 u_{t+1}= (R_t^{-1} A R_t) u_t + (R_t^{-1} b) ˆε_t 로 표현되며, R_t^{-1} A R_t 은 상삼각(UT) 형태를 유지한다. 이때 W_t = R_t^{-1} R_{t-1} 은 TIB(삼각 입력 균형) 행렬이며, W_t 와 Y_t (=R_t^{-1} X_t) 를 이용해 변위 생성기를 저차원 형태로 유지한다. 특히 TIB 형태는 I - A A^* = σ^2 r b b^* 라는 관계를 만족하도록 설계된다. 이 조건 하에서는 Stein 방정식 P_∞ - A P_∞ A^* = σ^2 b b^* 의 해가 P_∞ = r I 로 단순화되고, 공분산의 기대값이 항등행렬에 비례한다. 따라서 PLR 및 LMS 알고리즘의 수치적 조건이 크게 개선된다. 또한 초기 공분산을 ˆP_δ0 = ρ^2 b b^* 로 설정하면 O(n) 연산으로 초기화가 가능하며, 이는 변위 랭크 α 를 1 로 만들 수 있다. 알고리즘 전체 흐름은 다음과 같다. (1) 현재 추정값 ˆz_t, ˆc_t 로 잔차 ˆε_t 를 계산한다. (2) 변위 생성기 X_t 를 업데이트하고, EVD 기반으로 Y_t = V_t |D_t|^{1/2} 로 재구성한다. (3) Cholesky 행렬 R_t 와 TIB 행렬 W_t 를 갱신한다. (4) 변환된 좌표 u_t, ˆc'_t 에 대해 O(n) 연산으로 상태와 계수를 업데이트한다. 초기화 단계는 O(α^2 n) 혹은 특수 구조(TIB)에서는 O(n) 로 수행된다. 이러한 설계는 대규모 MIMO 시스템에서 실시간 적응 필터링을 가능하게 하며, 변위 랭크가 낮은 초기화와 TIB 구조를 결합함으로써 메모리 사용량, 연산 복잡도, 수치 안정성 모두에서 장점을 제공한다. 논문은 또한 LMS와 Chandrasekhar 필터와의 비교를 통해 TIB 형태가 조건수를 크게 낮추어 학습 속도와 수렴 특성을 향상시킴을 실험적으로 확인한다. 최종적으로, 제시된 방법은 임펄스 응답을 정확히 식별하고 시스템 고유시간 상수를 효율적으로 추정하는 데 유용한 도구가 된다.