베이지안 압축감지와 순환 행렬을 이용한 인지 라디오 스펙트럼 탐지

초록

본 논문은 광대역 스펙트럼 인지를 위해 순환 행렬(Circulant matrix)을 샘플링 매트릭스로 사용하고, 베이지안 추정 모델을 결합한 새로운 압축감지(Compressive Sensing) 프레임워크를 제안한다. 제안 기법은 기존의 ℓ₁ 최소화 기반 방법과 비교했을 때 평균 제곱 오차(MSE), 복원 오차, 상관계수, 복원 시간, 샘플링 시간 및 처리 시간 등 여섯 가지 성능 지표에서 전반적으로 우수한 결과를 보이며, 특히 연산 속도와 복원 정확도에서 현저한 개선을 달성한다.

상세 분석

이 연구는 인지 라디오(Cognitive Radio) 환경에서 넓은 대역폭을 효율적으로 스캔하기 위한 핵심 기술인 압축감지(Compressive Sensing, CS)의 두 가지 핵심 요소, 즉 샘플링 매트릭스와 복원 알고리즘에 초점을 맞춘다. 기존 CS는 무작위 가우시안 매트릭스나 부분 랜덤 푸리에 매트릭스를 주로 사용했으며, 이는 이론적으로는 RIP(Restricted Isometry Property)를 만족하지만 실제 구현에서는 메모리 요구량이 크고, 매트릭스 생성 및 저장 과정에서 높은 연산 비용이 발생한다. 순환 행렬은 첫 행 하나만 저장하면 전체 매트릭스를 완전히 정의할 수 있어 메모리 효율성이 뛰어나며, FFT(Fast Fourier Transform)를 이용한 빠른 행·열 연산이 가능하다는 장점이 있다. 그러나 순환 행렬 자체는 완전한 무작위성을 제공하지 않기 때문에, 기존 ℓ₁ 기반 복원에서는 희소성 보장을 위한 RIP 조건이 약화될 위험이 있다.

이를 보완하기 위해 저자들은 베이지안 모델을 도입한다. 베이지안 압축감지는 사전 확률(prior)로 신호의 희소성을 모델링하고, 관측값에 대한 사후 확률(posterior)을 통해 최적 추정값을 도출한다. 구체적으로, 스파스 신호를 라플라시안(Laplace) 혹은 스파스 가우시안(sparse Gaussian) 사전으로 가정하고, 순환 행렬과 결합된 선형 관측 모델 y = Φx + n(노이즈) 에 대해 변분 베이지안(Variational Bayesian) 혹은 기대값 최대화(EM) 알고리즘을 적용한다. 이 과정에서 불확실성(노이즈, 모델 오차)을 정량화할 수 있어, 복원 단계에서 ℓ₁ 최소화가 제공하는 결정론적 해보다 더 견고한 추정이 가능하다.

실험에서는 1 kHz~10 kHz 대역의 합성 스펙트럼을 30 %~50 % 압축률로 샘플링하고, 복원 성능을 MSE, 복원 오차, 상관계수 등으로 평가한다. 결과는 순환 행렬 + 베이지안 조합이 무작위 행렬 + ℓ₁ 최소화 대비 평균 MSE를 40 % 이상 감소시키고, 복원 시간은 약 2배 가량 단축됨을 보여준다. 특히 샘플링 시간과 처리 시간이 크게 감소한 점은 실시간 인지 라디오 시스템에 직접 적용 가능함을 의미한다.

한계점으로는 베이지안 복원 과정에서 하이퍼파라미터(사전 분산, 노이즈 분산) 설정이 성능에 민감하다는 점과, 순환 행렬이 특정 주파수 구조에 대해 편향될 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 자동 하이퍼파라미터 튜닝 및 다중 순환 행렬(다중 시프트) 조합을 통한 일반화 성능 향상이 제안된다.