압축 샘플링 기반 분수 브라운 운동 신호 복원

초록

본 논문은 분수 브라운 운동(fractional Brownian motion, fBm) 신호를 일부 샘플만으로 복원하기 위해 압축 샘플링(Compressive Sampling, CS) 기법을 적용한다. fBm의 1/f 스펙트럼 특성으로 인해 주파수 영역에서 희소성을 갖는다는 점을 이용해 DFT를 희소 변환기로, 알려진 샘플 위치에 기반한 무작위 행렬을 측정 행렬로 설정한다. Hurst 파라미터 H가 희소성 수준을 결정하지만, 복원 과정에서 H를 사전에 알 필요가 없으며, 시뮬레이션 및 실제 주가 데이터(Dow Jones Industrial Average) 실험을 통해 H와 복원 품질 간의 관계를 검증한다.

상세 분석

본 연구는 fBm 신호가 갖는 고유한 통계적 특성, 즉 파워 스펙트럼이 1/f 형태의 파워 로우(전력 법칙)로 감소한다는 점에 주목한다. 이 특성은 주파수 도메인에서 에너지 대부분이 저주파수 성분에 집중되고, 고주파수 성분은 급격히 감소함을 의미한다. 따라서 DFT 변환 후 대부분의 계수가 거의 0에 가깝게 되며, 이는 전통적인 희소 신호 복원 이론에서 요구하는 ‘희소성(sparsity)’ 조건을 만족한다. Hurst 파라미터 H는 스펙트럼 기울기를 조절하는 역할을 하며, H가 0.5에 가까울수록 백색 잡음에 가까운 평탄 스펙트럼을, 0.5보다 클수록 저주파 성분이 더욱 강조되어 희소성이 증가한다. 이러한 관계를 정량화하면, 동일한 샘플링 비율에서 H가 클수록 재구성 오차가 감소한다는 기대를 할 수 있다.

압축 샘플링 프레임워크에서는 두 가지 핵심 행렬이 필요하다. 첫째는 신호를 희소 도메인으로 변환하는 변환 행렬 Ψ, 여기서는 N‑점 DFT 행렬을 사용한다. 둘째는 실제 측정을 표현하는 측정 행렬 Φ이다. 논문에서는 알려진 샘플 인덱스를 기반으로 무작위 서브샘플링 행렬을 구성하고, 이를 Φ로 설정한다. 즉, Φ는 N×M( M은 관측된 샘플 수) 크기의 부분 행렬이며, 각 행은 표준 정규분포에서 추출된 난수와 샘플 위치에 따라 선택된 DFT 행을 곱한 형태이다. 이렇게 하면 실제 측정값 y = Φ·x = Φ·Ψ·s 로 표현되며, s는 희소 계수 벡터이다. 복원 단계에서는 ℓ1 최소화(예: Basis Pursuit) 혹은 그라디언트 기반 알고리즘을 이용해 ŝ 를 추정하고, 최종 복원 신호 x̂ = Ψ·ŝ 를 얻는다.

핵심적인 실험 설계는 두 축으로 이루어진다. 첫째, 시뮬레이션을 통해 H∈{0.2,0.4,0.6,0.8}인 fBm 신호를 생성하고, 샘플링 비율을 10%~50% 범위에서 변화시키며 복원 SNR을 측정한다. 결과는 H가 클수록 동일 샘플링 비율에서 SNR이 크게 향상되는 것을 보여준다. 둘째, 실제 금융 시계열인 US‑DJIA 월별 종가 데이터를 fBm 모델에 근사시킨 뒤 동일한 복원 절차를 적용한다. 실제 데이터에서도 H≈0.7 정도의 높은 희소성을 보이며, 30% 정도의 샘플만으로도 원본 시계열을 시각적으로 거의 구분할 수 없을 정도로 복원한다.

이 논문의 중요한 기여는 (1) fBm 신호가 자연스럽게 주파수 도메인에서 희소성을 갖는다는 이론적 근거를 제시하고, (2) H를 사전에 알 필요 없이 일반적인 CS 복원 파이프라인을 그대로 적용할 수 있음을 증명했으며, (3) 실제 금융 시계열에까지 적용 가능함을 실증했다는 점이다. 다만, 측정 행렬이 완전 무작위가 아니라 샘플 위치에 의존한다는 점에서, 샘플링 패턴이 비균등하거나 클러스터링될 경우 복원 성능이 저하될 가능성이 있다. 향후 연구에서는 최적 샘플링 설계, 다중 스케일 희소 변환(예: 웨이블릿) 적용, 그리고 비선형 복원 알고리즘(예: 딥러닝 기반)과의 비교가 필요하다.