비정상 오디오 신호의 스펙트럼 분석

본 논문은 비정상 오디오 신호 분석을 위한 새로운 통계적 모델과 추정 알고리즘을 제시한다. 저자들은 비정상성을 “정적 가우시안 랜덤 프로세스 X”에 두 가지 연산자, 즉 진폭 변조 Aₐ와 시간 왜곡 D_γ을 적용한 형태 Y = Aₐ D_γ X 로 모델링한다. 이때 a(t)와 γ(t)는 각각 양의 실수값을 갖는 부드러운 함수이며, γ(t)는 단조 증가함수로 가정한다. 이러한 모델은 물리적 현상(예: 엔진 소리의 속도 변화, 도플러 효과)이나 통신 시스템의 변조 방식을 자연스럽게 포괄한다. 비정상 연산자를 직접 다루기 어려운 점을 극복하기 위해, 저자들은 연산자들의 국소적 선형 근사(탄젠트 연산자)를 도입한다. 구체적으로, 테스트 함수 g 를 τ 근처에 위치시키고 테일러 전개를 적용하면 Aₐ g ≈ a(τ) g, D_γ g ≈ T_τ D_{-log_q γ′(τ)} T_{-γ(τ)} g 가 된다. 이를 파동 변환(Continuous Wavelet Transform, CWT)과 결합하면, 비정상 신호 Y 의 파동계수 W_Y(s,τ) 는 근사적으로 fW_Y(s,τ) = a(τ) W_X(s+log_q γ′(τ), γ(τ)) 와 동일하게 표현된다. 정리 1에서는 ψ 파동함수의 고속 감쇠와 a, γ의 부드러움, 그리고 스케일 s가 충분히 작은 경우에 근사 오차 ε = W_Y − fW_Y 의 평균 제곱값이 명시적인 상수와 γ′′, a′의 절대값에 비례함을 보인다. 즉, 스케일이 작아질수록 오차는 감소하고, 변형 함수가 급격히 변할수록 오차는 커진다. 이 결과는 파동 변환 영역에서의 근사가 통계적으로 타당함을 이론적으로 뒷받침한다. 이후 저자들은 fW_Y가 복소 원형 가우시안 랜덤 필드임을 이용해 최대우도 추정을 전개한다. 그러나 공분산 행렬 C(s,s′,τ,τ′) 은 a, γ와 미지의 파워 스펙트럼 S_X에 모두 의존하므로, 직접적인 최적화는 불가능하다. 따라서 교대적(Alternating) 최적화 전략을 채택한다. 첫 번째 단계에서는 현재 추정된 â와 γ̂를 사용해 “정규화된” 신호 A_{â}^{-1} D_{γ̂}^{-1} Y 의 파동계수로부터 간단한 파워 스펙트럼 추정값을 얻는다. 구체적으로, 파동계수의 에너지 분포를 이용해 스펙트럼을 평균화하거나, 파워 스펙트럼을 직접 추정하는 방법을 제시한다. 두 번째 단계에서는 추정된 S_X를 고정하고, a와 γ를 연속적인 파라미터(예: a(t) = exp(α(t)), γ(t) = ∫ exp(β(u)) du) 형태로 모델링한 뒤, 로그우도 함수를 뉴턴‑라프슨 혹은 quasi‑Newton 방법으로 최적화한다. 이 과정은 EM 알고리즘과 유사하지만, 공분산 행렬의 차원 문제로 인해 직접적인 E‑step/M‑step을 구현하기보다는 간소화된 교대 업데이트를 사용한다. 알고리즘 구현 세부 사항으로는 파동 변환을 이산화하고, 스케일을 옥타브 혹은 반음 단위(q = 2^{1/12})로 샘플링한다. 진폭 함수 a는 양수 제약을 만족하도록 로그 변환 후 선형 보간을 적용하고, 시간 왜곡 γ는 단조성을 보장하기 위해 로그 미분 γ′를 스무딩 커널로 추정한다. 초기값은 파동계수의 스케일 평균과 에너지 정규화로 설정한다. 이론적 분석에서는 Cramér‑Rao Bound를 도출해 a와 γ의 추정 정확도 하한을 제시한다. 실험에서는 (1) 합성 신호: 알려진 a, γ, S_X를 사용해 JEFAS가 원본 파라미터를 높은 정확도로 복원함을 확인하고, (2) 실제 오디오 데이터: 음악·음성·환경 소음에 대해 JEFAS를 적용해 추정된 변형 함수가 직관적으로 의미 있는 변화를 보이며, 복원된 정적 스펙트럼이 기존 방법보다 높은 신호‑대‑잡음비를 제공함을 입증한다. 특히, 기존 DWT 기반 시간 왜곡 추정에 비해 평균 추정 오차가 30 % 이상 감소하고, 진폭 복원에서도 평균 SNR 향상이 2 dB 이상 관찰되었다. 결론적으로, 본 논문은 (i) 비정상 오디오를 정적 랜덤 모델에 연산자를 결합한 통합 프레임워크, (ii) 파동 변환 영역에서의 근사 최대우도 식과 오차 한계, (iii) 파워 스펙트럼을 동시에 추정하는 교대적 알고리즘(JEFAS), (iv) 합성·실제 데이터에서의 정량적 성능 검증이라는 네 가지 주요 공헌을 제시한다. 향후 연구는 주파수 변조와 비선형 왜곡을 포함한 다중 변조 모델로 확장하고, 실시간 적용을 위한 연산량 감소와 GPU 가속 기법을 탐구할 수 있다.