분산 재귀 파라미터 추정 알고리즘

초록

센서 네트워크에서 각 노드가 선형 상태공간 모델을 기반으로 측정값을 실시간으로 처리하고, 인크리멘탈 그래디언트와 재귀 예측오차를 결합한 분산 알고리즘을 통해 미지 파라미터를 일관적으로 추정한다

상세 분석

본 논문은 시공간 필드를 관측하는 다중 센서 네트워크를 전제로 하며, 각 센서는 시간에 따라 변하는 선형 상태공간 프로세스를 측정한다 각 센서는 자신의 관측값과 로컬 파라미터 정보를 이용해 칼만 이득을 사전 계산하고, 이를 기반으로 1‑스텝 예측값을 생성한다 이러한 예측값과 실제 측정값 사이의 제곱 오차를 비용함수로 정의한다 비용함수는 모든 센서의 오차 제곱합을 평균한 형태이며, 파라미터가 진정값일 때 기대값이 최소가 되는 특성을 가진다 따라서 비용함수의 최소화는 파라미터 일관추정과 동등하다 기존의 중앙집중형 최대우도나 최소제곱 방법은 모든 원시 데이터를 중앙 서버로 전송해야 하는 반면, 제안된 알고리즘은 각 노드가 요약 통계만을 교환한다 인크리멘탈 그래디언트 방법은 네트워크를 순환시켜 각 노드가 현재 추정값에 자신의 로컬 그래디언트를 적용하고 다음 노드에 전달한다 이 과정은 분산 구현에 적합하지만 순수히 비재귀적이어서 과거 데이터를 모두 보관해야 하는 단점이 있다 반면 재귀 예측오차 알고리즘은 새로운 측정이 들어올 때마다 이전 요약통계와 결합해 추정값을 업데이트한다 이 두 방식을 결합한 인크리멘탈 재귀 예측오차 알고리즘은 각 시간 단계에서 한 번의 순환만으로 최신 측정과 과거 요약통계를 이용해 파라미터를 갱신한다 알고리즘의 수렴 분석에서는 스텝 사이즈가 감소하는 조건과 시스템의 안정성·관측가능·제어가능성을 가정한다 또한 비용함수의 기대값이 유일 최소점을 갖는다는 가정 하에, 제안된 알고리즘이 거의 확률적으로 파라미터 추정값을 진정값으로 수렴함을 증명한다 이론적 결과는 기존의 인크리멘탈 LMS 혹은 재귀 최소제곱 알고리즘을 특수 경우로 포함한다 마지막으로 가스 누출 원천을 식별하는 시뮬레이션을 통해 실제 적용 가능성을 확인한다 이 사례에서는 확산 모델을 선형 상태공간 형태로 근사하고, 제안된 알고리즘이 빠른 수렴과 낮은 통신 비용을 보이는 것이 입증된다