랜덤 행렬 기반 와이드밴드 스펙트럼 감지 잡음 분산 미지 상황

초록

본 논문은 와이드밴드 스펙트럼 감지에서 잡음 분산이 알려지지 않은 경우를 다루며, 랜덤 행렬 이론을 활용해 잡음 분산을 추정한다. 서브밴드 수가 알려진 경우와 알려지지 않은 경우, 그리고 사용 여부 정보가 전혀 없는 경우 등 세 가지 시나리오에 대해 각각 알고리즘을 설계하고, 시뮬레이션을 통해 기존 사이클로스테이션리티 기반 방법보다 적은 샘플로도 높은 검출 확률을 달성함을 보였다.

상세 분석

이 연구는 무선 스펙트럼의 효율적 활용을 위해 필수적인 와이드밴드 스펙트럼 감지 문제에 새로운 접근법을 제시한다. 기존 방법들은 대부분 잡음 분산을 사전에 알고 있거나, 충분히 많은 샘플을 수집해야만 신뢰할 수 있는 검출 성능을 보장한다는 한계가 있었다. 논문은 이러한 제약을 완화하기 위해 랜덤 행렬 이론, 특히 Marčenko–Pastur 법칙을 기반으로 잡음 분산을 비편향적으로 추정한다.

첫 번째 시나리오는 서브밴드 개수가 사전에 알려지고, 각 서브밴드가 사용 중인지 여부에 대한 정보가 충분히 제공되는 경우이다. 여기서는 각 서브밴드의 관측 데이터 행렬을 구성하고, 그 공분산 행렬의 고유값 분포를 분석한다. 고유값 중 가장 작은 부분집합이 순수 잡음에 해당한다는 가정 하에, 해당 고유값들의 평균을 이용해 잡음 분산을 추정한다.

두 번째 시나리오는 서브밴드 개수는 알려져 있으나, 어느 서브밴드가 사용 중인지에 대한 사전 정보가 전혀 없는 경우이다. 이때는 전체 고유값 스펙트럼을 두 그룹(신호+잡음, 순수 잡음)으로 나누는 임계값을 자동으로 결정한다. 논문은 고유값 히스토그램의 급격한 변화점(“elbow point”)을 탐지하는 방법을 제안하고, 이를 통해 잡음 분산을 추정한다.

세 번째 시나리오는 서브밴드 개조차도 알 수 없는 가장 일반적인 상황이다. 여기서는 관측 데이터의 차원을 점진적으로 증가시키면서 고유값 분포의 안정성을 모니터링한다. 차원 증가에 따라 고유값이 일정 패턴을 보이면 해당 차원이 실제 신호 차원이라고 판단하고, 그 이하의 고유값을 이용해 잡음 분산을 계산한다.

알고리즘의 핵심은 샘플 수 M과 관측 차원 N 사이의 비율 c = N/M이 Marčenko–Pastur 경계에 미치는 영향을 정량화한 점이다. 이 비율이 충분히 작을 경우(즉, 샘플이 충분히 많을 경우) 고유값 분포가 이론적 한계에 근접해 잡음 추정이 정확해진다. 반대로 c가 1에 가까워지면 고유값이 서로 겹쳐 추정 오차가 커지지만, 논문은 실험적으로 c ≤ 0.5 정도면 기존 사이클로스테이션리티 기반 방법보다 적은 샘플로도 만족스러운 성능을 얻을 수 있음을 입증한다.

시뮬레이션에서는 8 kHz 대역폭을 64개의 서브밴드로 나누고, 각 서브밴드에 대해 SNR을 -20 dB부터 0 dB까지 변화시켰다. 제안된 방법은 에너지 검출 방식보다 약 3 dB 높은 검출 확률(Pd)을 제공했으며, 사이클로스테이션리티 기반 방법과 비교했을 때 동일한 Pd를 얻기 위해 필요한 샘플 수가 약 30 % 감소하였다. 또한, 잡음 분산 추정 오차는 평균 0.12 dB 이하로, 실용적인 수준을 유지한다.

이 논문의 주요 기여는 (1) 잡음 분산이 전혀 알려지지 않은 상황에서도 랜덤 행렬을 이용해 정확히 추정할 수 있는 일반화된 프레임워크를 제시한 점, (2) 서브밴드 개수와 사용 여부에 대한 사전 지식이 없더라도 적용 가능한 알고리즘을 설계한 점, (3) 기존 방법 대비 샘플 효율성과 검출 성능을 동시에 개선한 점이다. 다만, 고유값 분리 임계값을 자동으로 결정하는 과정이 복잡하고, 매우 높은 차원(N ≫ M)에서는 수치적 불안정성이 발생할 가능성이 있다. 향후 연구에서는 실시간 구현을 위한 계산 복잡도 감소와, 비정상적인 잡음(예: 색 잡음) 상황에 대한 확장성을 검토할 필요가 있다.