칼만 필터 잔차 기반 압축 센싱

초록

시간에 따라 변하는 희소 신호를 제한된 선형 측정으로 재구성하는 문제에 대해, 이전 추정된 지지 집합을 이용해 칼만 필터 잔차를 만든 뒤 압축 센싱을 적용하는 KF‑CS 방법을 제안한다. 알고리즘의 오류 안정성을 이론적으로 분석하고, 기존 CS 및 LS‑CS와의 시뮬레이션 결과를 통해 성능 우위를 확인한다.

상세 분석

본 논문은 동적 희소 신호 복원을 위한 새로운 프레임워크인 KF‑CS(Kalman Filtered Compressive Sensing)를 제시한다. 기존 압축 센싱(CS)은 매 시점마다 전체 측정값에 대해 직접 ℓ1 최소화 혹은 그리디 탐색을 수행하지만, 신호가 시간에 따라 연속적으로 변하고 지지 집합이 부분적으로 유지된다는 사실을 충분히 활용하지 못한다. 저자들은 먼저 이전 시점에서 추정된 지지 집합 (\hat{T}{k-1})을 이용해 칼만 필터를 적용, 상태 추정 (\hat{x}{k|k-1})와 공분산 (P_{k|k-1})를 얻는다. 그 후 실제 측정 (y_k = A x_k + w_k)와 예측된 관측 (\hat{y}k = A \hat{x}{k|k-1})의 차이인 잔차 (r_k = y_k - \hat{y}_k)를 계산한다. 이 잔차는 기존 추정이 설명하지 못하는 새로운 성분, 즉 지지 집합의 변화와 잡음만을 포함한다는 점에서 희소성을 크게 강화한다. 따라서 저자는 잔차에 대해 전통적인 CS 복원을 수행하여 새로운 지지 원소를 탐지하고, 기존 지지 원소는 칼만 필터의 예측값을 그대로 유지한다.

알고리즘 흐름은 크게 네 단계로 구성된다. (1) 이전 지지 집합 기반 칼만 예측, (2) 잔차 계산, (3) 잔차에 대한 CS(예: OMP 또는 Basis Pursuit) 수행, (4) 탐지된 새로운 원소를 기존 지지 집합에 병합하고, (5) 병합된 지지 집합에 대해 칼만 업데이트를 수행한다. 이 과정은 매 시점마다 반복되며, 지지 집합이 크게 변하지 않을 경우 계산량이 크게 감소한다.

이론적 분석에서는 시스템 모델이 선형 가우시안이며, 측정 행렬 (A)가 RIP(Restricted Isometry Property)를 만족한다는 가정 하에, 추정 오차 (|x_k - \hat{x}_k|_2)가 시간에 대해 유계임을 보인다. 특히, 지지 집합 변화가 일정한 상한 (\Delta) 이하일 때, 잔차의 희소성 보장은 CS 단계에서 정확한 원소 복원을 가능하게 하며, 칼만 필터의 수렴 특성과 결합해 전체 오류가 지수적으로 감소한다는 점을 증명한다.

시뮬레이션에서는 1‑차원 이동 평균 모델과 2‑차원 영상 시퀀스를 사용해, 측정 수가 신호 차원에 비해 매우 적은 상황에서도 KF‑CS가 기존 CS와 LS‑CS보다 평균 복원 오차가 30 % 이상 감소함을 확인한다. 또한, 지지 집합이 급격히 변하는 경우에도 오류가 급격히 증가하지 않고, 안정적인 복원 성능을 유지한다는 점을 실험적으로 입증한다.

본 연구는 동적 희소 신호 복원에 칼만 필터와 압축 센싱을 효과적으로 결합한 최초의 시도이며, 실시간 레이더, 영상 트래킹, 신경 신호 복원 등 시간 연속성을 갖는 다양한 응용 분야에 적용 가능성을 제시한다. 다만, 시스템 모델이 정확히 알려져야 하고, 측정 행렬이 RIP를 만족해야 한다는 제한점이 존재한다. 향후 연구에서는 비선형 모델, 비가우시안 잡음, 그리고 적응형 측정 행렬 설계 등을 고려한 확장이 기대된다.