전방 PDE 기반 경험적 모드 분해 대안

본 논문은 경험적 모드 분해(EMD)의 이론적 기반이 부족한 현황을 지적하고, 특히 평균 envelope을 구하기 위한 보간 과정과 반복적인 sifting 절차가 수학적으로 모델링하기 어렵다는 문제점을 제시한다. 기존 연구에서는 상·하 envelope을 정의하기 위해 δ‑neighborhood를 이용하고, 이를 테일러 전개하면 역열방정식(음의 확산계수) 형태의 PDE가 도출된다. 그러나 이 역열방정식은 파라미터 δ에 대한 민감도가 크고, 수치적으로 불안정하며, 저주파 성분이 과도하게 억제되는 등 실용적인 한계가 있다. 이에 저자들은 전방 열방정식(양의 확산계수 a)을 이용해 평균 envelope을 정의한다. 구체적으로, 초기값 h(x,0)=S(x)인 확산 방정식 ∂h/∂t = a ∂²h/∂x² 를 t=T까지 풀어 h(x,T)를 평균 m(x)로 정의하고, 원 신호와의 차 c(x)=S(x)−m(x)를 새로운 신호로 설정한다. 이 과정을 IMF가 될 때까지 반복하는 것이 새로운 sifting 절차이다. 파라미터 a와 T는 신호의 최대 주파수 ω_max와 샘플링 레이트 f_s에 기반해 선택된다. a는 1/ω_max² 이하로 제한하고, 실용적으로는 a=1/(4π² f_s²) 로 설정한다. T와 반복 횟수 N은 식 (8)·(9)에서 제시된 “컷오프 비율 f₀”와 허용 오차 δ에 의해 조정되며, 이론적으로 N이 충분히 크면 가장 높은 주파수 성분이 IMF로 추출된다. 수학적 해석에서는 신호를 코사인 합으로 모델링하고, 전방 PDE 적용 후 각 주파수 성분이 e^{−a ω_k² T} 로 감쇠함을 보인다. N번 반복 후 남는 성분은 (1−e^{−a ω_k² T})^N 형태이며, ω_k가 클수록 감쇠가 작아 고주파가 먼저 추출된다. 따라서 전통적 EMD와 동일한 “높은 주파수부터 차례로 추출” 메커니즘을 유지하면서도, 평균 envelope 계산이 연속적인 PDE 흐름으로 대체되어 경계 효과를 자유롭게 제어할 수 있다(예: 주기적 혹은 고정 경계조건). 실험에서는 두 개의 서로 다른 주파수를 갖는 모드‑mixing 신호를 사용해 전통적 EMD와 제안 방법을 비교한다. 전통적 EMD는 IMF가 두 주파수 성분을 혼합한 형태로 남아 Hilbert‑Huang 스펙트럼에 잡음이 섞이지만, 전방 PDE 기반 방법은 각 주파수 성분을 명확히 분리하고 스펙트럼이 깨끗하게 나타난다. 또한, 알파(진폭 비)와 f(주파수 비) 변화를 통한 성능 측정(PM)에서는 두 방법이 비슷한 분리 능력을 보이지만, 잡음이 추가된 경우 전방 PDE가 더 높은 신호‑대‑잡음 비(SNR)를 유지한다는 점을 강조한다. 결론적으로, 전방 PDE 접근법은 EMD를 연속적인 저역통과‑고역통과 필터 뱅크로 재해석하게 하며, 수학적 모델링이 가능하도록 만든다. 파라미터 a와 T를 신호 특성에 맞게 조정하면 모드 혼합, 경계 효과, 잡음 민감도 등 기존 EMD의 주요 약점을 완화할 수 있다. 향후 연구 과제로는 자동 파라미터 추정 알고리즘 개발, 다차원(이미지·비디오) 신호에 대한 확장, 그리고 비선형·비등방성 확산 연산자를 통한 보다 정교한 IMF 추출이 제시된다.