웨이블릿 변환 최대값 기반 프랙탈 상관 분석

초록

본 논문은 단일 프랙탈 함수의 특이점 분석에 사용되는 웨이블릿 변환 최대값(WTMM) 기법을 두 개의 다중프랙탈 함수 사이의 상관 관계를 탐구하는 도구로 확장한다. 공동 분할 함수 분석(JPFA) 틀 안에서 구현된 이 방법은 기존 JPFA와 동등한 효율을 보이며, 상대 다중프랙탈 분석을 JPFA의 특수 경우로 해석한다.

상세 분석

WTMM은 스케일-공간에서 신호의 급격한 변화, 즉 특이점을 포착하는 강력한 도구로, 스케일에 따른 모듈러스 최대값을 추적함으로써 로컬 호프 지수를 추정한다. 기존 연구에서는 단일 함수의 멀티프랙탈 스펙트럼을 얻는 데 초점을 맞추었으나, 두 함수 간의 상호작용을 정량화하려면 공동 특이점 구조를 고려해야 한다. 저자들은 이를 위해 JPFA 프레임워크를 채택한다. JPFA는 두 함수 f₁, f₂에 대해 각각의 스케일 i에서 측정된 에너지(또는 절대값) E₁(i), E₂(i)를 이용해 공동 분할 함수 Z(q₁,q₂,ℓ)=∑_ℓ E₁(i)^{q₁}E₂(i)^{q₂}를 정의하고, ℓ→0 한계에서의 스케일링 지수 τ(q₁,q₂)를 추출한다. 이 τ는 이중 레너드 변환을 통해 공동 호프 지수 h₁, h₂의 분포 f(h₁,h₂)로 변환된다.

WTMM 기반 JPFA는 기존 박스-카운팅 방식의 한계를 극복한다. 첫째, 웨이블릿은 노이즈에 강하고 국소화가 뛰어나며, 스케일을 연속적으로 조정할 수 있어 미세한 구조까지 탐지한다. 둘째, 최대값 트래킹은 특이점 위치를 정확히 파악하므로, 두 함수가 동일한 위치에서 동시에 특이점을 보이는 경우를 효과적으로 식별한다. 논문에서는 이러한 장점을 수학적으로 증명하고, 실험적으로는 가우시안 다중프랙탈 시뮬레이션과 실제 기후 데이터(예: 온도와 습도 시계열)를 대상으로 검증한다.

또한, 상대 다중프랙탈 분석(RMFA)은 한 함수의 스케일링 지수를 다른 함수에 대한 기준으로 정규화하는 방식으로, q₁=1, q₂=−q 형태의 JPFA 파라미터 설정에 해당한다는 점을 밝혀낸다. 즉, RMFA는 JPFA의 특수선이며, JPFA는 RMFA보다 일반적인 프레임워크를 제공한다는 결론에 도달한다. 이론적 파생 과정에서는 라그랑주 승수와 멀티프랙탈 정규화 조건을 이용해 두 접근법 사이의 등가성을 엄밀히 증명한다.

결과적으로, WTMM 기반 JPFA는 두 다중프랙탈 신호 사이의 상관 구조를 정량화하는 데 있어 높은 해상도와 안정성을 제공한다. 이는 복잡계 물리, 기후 과학, 금융 시계열 등 다양한 분야에서 상호 의존성을 분석하는 새로운 도구로 활용될 가능성을 시사한다.