모멘트 매칭 기반 확산 소스 DOA 추정 기법

초록

본 논문은 사전 분포 가정 없이 확산(디퓨즈) 소스의 평균 방위각, 스프레드, 전력을 추정하는 저복잡도 알고리즘 MoMET을 제안한다. 소스 파워 밀도를 중앙 모멘트로 파라미터화하고, 배열 측정 공분산과 모멘트 기반 모델을 최소제곱 방식으로 매칭한다. 파라미터는 선형‑비선형 혼합 형태로 표현되며, COMET 추정기를 이용해 효율적으로 최적화한다. 이론적 편향·공분산 분석과 시뮬레이션을 통해 모델 오차에 강인하면서도 높은 정확도를 확인한다.

상세 분석

MoMET은 확산 소스의 파워 스펙트럼을 직접 모델링하기보다, 그 푸리에 변환인 특성함수의 테일러 전개를 이용해 저차 중앙 모멘트(평균, 분산, 고차 모멘트)만을 활용한다는 점에서 혁신적이다. 논문은 먼저 배열 수신 신호를 일반적인 선형 모델 x(t)=∫a(ω)s(ω,t)dω+ε(t) 로 정의하고, 소스 파워 밀도 f(ω)를 정규화된 표준 분포 p(x)와 스케일·시프트 파라미터(P, ω₀, σ_ω) 로 분해한다. 이때 p(x)의 특성함수 ˜p(ξ) 를 ξ=σ_ω·(u_k−u_l) 에서 평가한 행렬 B 를 도입해 공분산 R = P·a(ω₀)a(ω₀)ᴴ⊙B + σ²_ε I 로 표현한다.

특성함수의 테일러 전개 ˜p(ξ)=∑_{d=0}^D j^d μ_d ξ^d / d! 에서 μ₀=1, μ₁=0, μ₂=1 은 고정하고, 고차 모멘트 μ₃…μ_D 를 추정 변수로 둔다. 이를 ν_d = P·μ_d·σ_ω^d 로 재파라미터화하면, 모든 파라미터가 선형 형태(α)와 비선형 평균각 ω₀ 로 분리된다. 선형 파라미터 α는 행렬 A_k 로 구성된 선형 조합 pB(α)=∑α_k A_k 로 나타낼 수 있어, 공분산 모델 pR(θ)=a(ω₀)a(ω₀)ᴴ⊙pB(α)+σ²_ε I 가 완전한 선형‑비선형 구조를 갖는다.

추정은 COMET(Generalized Least Squares) 프레임워크를 적용한다. 샘플 공분산 \bar R_N 과 모델 pR(θ) 사이의 가중 제곱 오차 J(θ)=½‖W^{½}(\bar R_N−pR(θ))W^{½}‖_F² 를 최소화한다. ω₀ 를 고정하면 α에 대한 최적 해는 닫힌 형태(23) 로 구해지며, ω₀ 는 1차원 최적화(24) 로 결정한다. 이 과정은 행렬 연산과 1차원 탐색만 필요하므로 O(M³) 이하의 복잡도로 구현 가능하고, 기존 서브스페이스 기반 방법에 비해 연산량이 크게 감소한다.

이론적으로는 추정량의 편향과 공분산을 1/N 차수까지 전개하여 asymptotic 성능을 분석한다. 특히 모델이 고차 모멘트까지 포함하도록 D 를 늘릴 경우, 근사 오차가 감소해 편향이 거의 사라지고 효율적인 Cramér‑Rao Lower Bound에 근접함을 보인다. 반면, D 를 과도하게 크게 잡으면 샘플 잡음에 민감해 분산이 증가하므로, 시뮬레이션을 통해 적절한 차수 선택이 필요함을 강조한다.

시뮬레이션에서는 가우시안, 균등, 지수형 파워 밀도 등 다양한 실제 분포에 대해 MoMET을 적용하였다. 기존 MUSIC‑WPSF, 고차 모멘트 기반 서브스페이스 방법과 비교했을 때, 모델 오차가 존재할 때도 평균각 추정 RMSE 가 2~3 dB 개선되고, 스프레드 추정에서도 편향이 크게 감소한다. 또한, 비균일 배열(Non‑ULA)에서도 동일한 프레임워크가 적용 가능함을 실험적으로 확인하였다.

결과적으로 MoMET은 (1) 사전 분포 가정이 필요 없는 일반화된 파워 밀도 모델, (2) 선형‑비선형 파라미터 분리를 통한 저복잡도 최적화, (3) 모델 차수 D 를 조절함으로써 편향‑분산 트레이드오프를 명시적으로 관리할 수 있는 장점을 제공한다. 다만, 고차 모멘트 추정에 필요한 충분한 샘플 수와 잡음 수준에 따라 성능이 제한될 수 있으며, 매우 넓은 스프레드(넓은 디퓨전) 상황에서는 저차 근사가 충분치 않을 가능성이 있다. 향후 연구에서는 적응형 차수 선택 및 다중 디퓨전 소스 구분을 위한 확장 모델이 제안될 수 있다.