칼만 필터 기반 압축 센싱과 최소제곱법의 성능 비교

초록

시간에 따라 변하는 희소 신호를 제한된 측정값으로 복원하는 문제에서, 기존 KF‑CS와 LS‑CS 알고리즘의 오류 특성을 분석하고, 두 방법이 진정한 비영(非零) 집합을 알 경우와 동일한 성능에 수렴하는 조건을 제시한다.

상세 분석

본 논문은 시간에 따라 변화하는 희소 신호를 인코히런트한 선형 측정으로부터 인과적으로 복원하는 프레임워크를 제시한다. 핵심 아이디어는 현재 시점에서 추정된 비영 인덱스 집합에 대해서만 차원 축소된 칼만 필터(KF)를 적용하고, 필터링 오차에 대해 압축 센싱(CS)을 수행하여 새로운 비영 원소를 탐지하는 것이다. 이와 유사하게, 칼만 필터 대신 최소제곱(LS) 추정을 사용하면 LS‑CS 알고리즘이 된다. 논문은 두 알고리즘에 대해 다음과 같은 두 축에서 이론적 분석을 수행한다. 첫째, LS‑CS에서 LS 추정 오차에 CS를 적용했을 때 발생하는 재구성 오차를 상한으로 묶는 정량적 경계식을 도출한다. 이 경계는 측정 행렬의 러프니스(RIP) 상수, 잡음 수준, 그리고 비영 집합의 크기와 변화율에 의존한다. 둘째, 비영 집합이 천천히 변한다는 가정 하에, KF‑CS와 LS‑CS가 각각 ‘genie‑aided’ KF 또는 LS와 동일한 성능에 수렴하는 충분조건을 제시한다. 여기서 ‘genie‑aided’ 모델은 실제 비영 집합을 완벽히 알고 있는 이상적인 필터를 의미한다. 수렴 조건은 (1) 새로운 비영 원소가 추가될 때 그 크기가 충분히 크게 나타나야 함, (2) 기존 비영 원소는 급격히 사라지지 않아야 함, (3) 측정 행렬이 충분히 인코히런트해야 함을 포함한다. 또한, KF‑CS에서는 상태 전이 모델의 정확도가 수렴 속도에 영향을 미치며, LS‑CS에서는 매 시간 단계마다 독립적인 LS 추정이 수행되므로 계산 복잡도가 낮지만 잡음에 더 민감하다는 트레이드오프를 논의한다. 이러한 분석을 통해 저자는 KF‑CS가 동적 희소 신호에 대해 더 빠른 수렴과 낮은 평균 제곱 오차(MSE)를 제공하지만, LS‑CS는 구현이 간단하고 실시간 시스템에 적합하다는 결론을 도출한다.