센서 데이터 예측을 위한 브라운 운동 및 극한 신념 기계 모델

초록

본 논문은 센서 측정값을 마코프 성질을 갖는 확산 과정으로 모델링하고, 이를 브라운 운동의 왜곡·이동 형태로 표현한다. 이후 최대우도 추정과 정규성 검정을 통해 신호를 복원하고, 극한 학습기(ELM)와 심층 신뢰망(DBN)으로 구성된 Extreme Belief Machine(EBM)을 이용해 예측 및 분류 규칙을 학습한다.

상세 분석

본 연구는 센서 데이터가 시간에 따라 독립적인 가우시안 잡음을 갖는 마코프 과정이라고 가정한다. 이를 검증하기 위해 저자는 측정값 간 차이의 정규성을 Shapiro‑Wilk 검정으로 확인하고, 정규성 확보 시 마코프 성질이 성립함을 보인다. 마코프 과정이 확인되면, 두 연속 샘플을 평균으로 결합하는 최대우도 추정(MLE) 방식을 적용해 노이즈를 감소시킨 새로운 시계열을 만든다. 이 과정에서 각 샘플을 벡터화하고, 인접 벡터 사이의 내적을 이용해 정규화 상수 cₖ를 정의함으로써 일련의 직교 벡터 {zₖ}를 도출한다. 이러한 직교 벡터는 Fourier 계수 k‖xₖ‖/cₖ에 의해 스케일링되어 브라운 운동의 기본 함수 집합을 형성한다. Rogers의 정리(스키마 임베딩 및 스키마 변환)를 인용해, 마코프 과정은 브라운 운동의 선형 변환(왜곡·이동)으로 표현될 수 있음을 수학적으로 증명한다. 즉, 센서 데이터는 브라운 운동의 특정 직교 기반 위에 가우시안 계수를 곱한 형태로 재구성될 수 있다.

예측 및 분류 단계에서는 Extreme Belief Machine(EBM)을 도입한다. EBM은 Extreme Learning Machine(ELM)의 빠른 가중치 초기화와 Deep Belief Network(DBN)의 에너지 기반 학습을 결합한다. DBN은 여러 층의 제한 볼츠만 머신(RBM)으로 구성되며, 각 RBM은 샘플의 에너지를 최소화하도록 학습된다. 에너지 함수 H(x)는 데이터 벡터 x에 대한 선형 함수를 기반으로 하며, 정규화 상수 Z와 함께 확률 밀도 p(x)=e^{H(x)}/Z를 정의한다. 이때 로그우도 L(x)=H(x)-log Z는 학습 목표가 된다.

분류를 위해 저자는 센서 특성 수 s에 기반해 K=2^s개의 잠재 클래스 수를 추정하고, B‑tree 구조를 이용해 단계별로 데이터를 에너지 기준으로 분할한다. 각 분할 단계에서 RBM의 에너지 차이를 위상 전이(phase transition) 현상으로 해석하여 새로운 서브클래스를 정의한다. 최종 리프 노드에서는 0‑1 형태의 센서 값, 해당 에너지 구간, 그리고 예측 라벨을 규칙 형태로 저장한다. 이렇게 구축된 EBM은 온라인·오프라인 모두에서 빠른 추론이 가능하며, 브라운 운동 기반의 확률 모델과 결합해 시계열 예측 정확도를 향상시킨다.

전체적으로 본 논문은 확률 과정 이론(마코프, 브라운 운동, 스키마 임베딩)과 현대 딥러닝(ELM, DBN) 기법을 융합해 센서 데이터의 물리적 확산 특성을 수학적으로 모델링하고, 이를 기반으로 효율적인 예측·분류 시스템을 설계한다는 점에서 학제간 연구의 좋은 사례를 제공한다.