전력법 노이즈 시뮬레이션과 알렌 분산의 확률적 해석

초록

**
본 논문은 백색 위상 잡음의 스펙트럼을 변형하여 전력법(파워‑로) 노이즈를 생성하고, 푸리에 변환으로 시간 영역 시계열을 얻는 방법을 제시한다. 겹침·비겹침·수정 알렌 분산을 행렬 형태로 표현하고, 해당 행렬의 고유값을 이용해 분산값의 확률분포와 신뢰구간을 계산한다. 일반적인 파워‑로 노이즈(α = +2…‑2) 모두에 적용 가능한 실용적인 시뮬레이션 프레임워크와 통계적 해석을 제공한다.

**

상세 분석

**
이 논문은 시계와 발진기에서 관측되는 파워‑로 노이즈를 효율적으로 재현하기 위한 디지털 시뮬레이션 절차를 상세히 기술한다. 핵심 아이디어는 백색 위상 잡음(white phase noise)의 복소 푸리에 계수를 생성한 뒤, 각 주파수 성분을 |f|^λ 로 가중하여 원하는 스펙트럼 S_y(f)=h_α f^α 를 얻는 것이다. 여기서 λ와 α는 2λ = 2 − α 로 연결되며, 이를 통해 α = +2(white phase), +1(flicker phase), 0(white frequency), ‑1(flicker frequency), ‑2(random walk frequency) 등 모든 전형적인 파워‑로 노이즈를 구현한다.

시간 영역 시계열 X_k는 역푸리에 변환을 통해 얻어지며, 평균이 0이 되도록 영주파수 성분을 제거한다. 이렇게 생성된 시계열에 대해 전통적인 Allan 분산(σ_y^2(τ)), 겹침(overlapping) 및 비겹침(non‑overlapping) 형태, 그리고 Modified Allan 분산(MAVAR) 등을 정의한다. 특히, 논문은 이들 분산을 대칭 실수 행렬 H 로 표현한다. 행렬 H는 각 시점 j에 대한 2차 차분 연산자를 벡터 C_j와 무작위 변수 벡터 U의 외적 형태로 구성하고, H = K∑_j C_j C_j^T 로 정의된다. 여기서 K는 스펙트럼 파라미터와 샘플링 간격에 의존하는 스칼라 상수이다.

행렬 H는 실대칭이므로 정규 직교 변환 O에 의해 대각화될 수 있다. 고유값 ε_i(≥0)와 그 중복도 μ_i를 구하면, 분산값 A₀가 특정 값일 확률 P(A₀) 를 다음과 같이 적는다.

P(A₀) = (1/2π) ∫_{−∞}^{∞} e^{iω(A₀−∑_i ε_i V_i^2)} ∏_i (2π)^{-½} e^{−V_i^2/2} dV_i dω

대각화 후 적분을 수행하면 최종적으로

P(A₀) = (1/2π) ∫_{−∞}^{∞} e^{iωA₀} ∏_i (1+2iε_i ω)^{−μ_i/2} dω

가 된다. 이 식은 고유값이 모두 양수이므로 확률이 정상화됨을 보이며, 고유값이 0인 경우는 적분에 기여하지 않는다. 따라서 분산값의 확률분포는 고유값 집합에 완전히 의존한다.

논문은 또한 고유값들의 합이 행렬의 트레이스와 동일함을 이용해, 트레이스 = ∑_i ε_i = σ_y^2(τ) 라는 관계를 도출한다. 즉, 겹침 Allan 분산 자체가 H의 고유값 합과 일치한다는 직관적인 결과를 얻는다. 이는 비겹침, Modified Allan 등 다른 변형에도 동일하게 적용된다.

수치 실험에서는 N(시계열 길이)와 τ(샘플링 간격)의 비율에 따라 비제로 고유값의 개수가 N−2s 로 제한됨을 확인한다. 큰 τ에서는 대부분의 고유값이 0에 가까워져 분산 추정의 자유도가 감소하고, 이는 실제 측정에서 관측되는 큰 불확실성에 대응한다.

이러한 수학적 구조는 기존에 Monte‑Carlo 기반으로만 추정되던 신뢰구간을 고유값 기반의 정확한 확률분포 로 대체할 수 있게 해준다. 따라서 시계/발진기 설계자는 원하는 노이즈 스펙트럼을 지정하고, 시뮬레이션을 통해 기대되는 Allan 분산과 그 통계적 변동성을 사전에 정량화할 수 있다.

**