비선형 시스템 근사화를 위한 커널 방법

초록

본 논문은 비선형 제어 시스템을 고차원 재생 커널 힐베르트 공간(RKHS)으로 사상한 뒤, 선형 균형 절단(balanced truncation)을 암묵적으로 수행하는 데이터 기반 차원 축소 기법을 제안한다. 커널 PCA와 RKHS 내 함수 근사를 결합해 입력‑출력 특성을 보존하는 저차원 비선형 동적 모델을 얻으며, 실험을 통해 방법의 유효성을 확인한다.

상세 분석

이 연구는 비선형 시스템을 무한 차원의 특성 공간으로 매핑함으로써, 선형 시스템 이론에서 핵심적인 균형(truncation) 절차를 그대로 적용할 수 있다는 가정을 기반으로 한다. 구체적으로 저자들은 시스템의 제어 가능성(Controllability)과 관측 가능성(Observability) 에너지를 RKHS 상의 Gramian 형태로 정의하고, 시뮬레이션 혹은 실제 측정 데이터를 이용해 경험적으로 추정한다. 추정된 두 Gramian을 동시에 대각화함으로써, 가장 큰 Hankel singular value를 갖는 방향을 선택하고, 그 외의 저차원 성분을 제거한다. 이 과정은 전통적인 선형 균형 절단과 동일한 수학적 구조를 유지하지만, 비선형성을 포함하는 고차원 사상 덕분에 원래 비선형 시스템의 강한 비선형 특성을 포착한다.

핵심 기술은 두 가지이다. 첫째, 커널 PCA를 이용해 고차원 특징 공간에서의 주성분을 찾아내어 차원 축소를 수행한다. 여기서 사용되는 커널은 Gaussian, 다항식 등 보편적인 유니버설 커널이며, 적절한 RKHS 선택이 성능에 큰 영향을 미친다. 둘째, RKHS 내에서 시스템의 동역학을 함수 근사(예: 정규화 최소 제곱, 가우시안 프로세스)로 표현함으로써, 축소된 상태 변수에 대한 폐쇄형 비선형 동적 방정식을 구성한다. 이때 원래 시스템의 입력‑출력 매핑을 보존하도록 학습된 재구성 함수를 사용한다.

이론적 측면에서는 비선형 시스템의 에너지 함수(Lc, Lo)가 Hamilton‑Jacobi 및 Lyapunov 방정식을 만족한다는 기존 결과를 RKHS 환경으로 확장한다. 저자들은 이러한 PDE를 직접 풀기 어려운 점을 인정하고, 대신 경험적 Gramian 추정과 커널 기반 대각화를 통해 근사해를 얻는다. 또한, 균형된 좌표계에서의 Hankel singular value 함수가 비선형 시스템의 중요한 모드 순서를 결정하는 지표가 된다.

실험 부분에서는 비선형 진동기, 라그랑지안 시스템 등 안정성이 보장되지 않는 예시들을 대상으로, 전통적인 선형 균형 절단이 실패하는 경우에도 제안된 커널 기반 방법이 정확한 입력‑출력 응답을 재현함을 보여준다. 오류 분석에서는 축소 차원 수와 선택된 커널 파라미터가 성능에 미치는 영향을 정량적으로 평가한다. 전체적으로 이 논문은 머신러닝의 커널 기법과 제어 이론의 균형 절단을 융합함으로써, 비선형 시스템 모델링 및 차원 축소에 새로운 패러다임을 제시한다.