비동기·비균등·저속 샘플링 환경에서 서술자 서브시스템을 갖는 네트워크 동적 시스템 구조 식별

초록

본 논문은 비동기, 비균등, 저속 샘플링이 동시에 발생하는 상황에서, 서술자 형태의 서브시스템을 포함하는 네트워크 동적 시스템(NDS)의 상호 연결 구조를 식별하는 두 단계 알고리즘을 제안한다. 오른쪽 접선 보간값을 이용해 비동기 데이터를 하나의 추정기로 통합하고, 좌측 영공간 투영을 통해 상태 행렬과 연결 파라미터 사이의 이중선형 의존성을 해제함으로써 두 번의 선형 추정으로 문제를 해결한다. 이 방법은 기존 연구가 요구하던 전이 행렬의 전완전 순위 조건을 없애고, 평균제곱 일관성 및 점근적 편향없음을 이론적으로 보장한다.

상세 분석

이 논문은 네트워크 동적 시스템(NDS) 식별 분야에서 가장 까다로운 데이터 수집 조건인 비동기(asynchronous), 비균등(non‑uniform), 저속(slow‑rate) 샘플링을 동시에 고려한 최초의 체계적인 프레임워크를 제시한다는 점에서 큰 의의가 있다. 기존 연구들은 보통 하나 혹은 두 가지 불규칙성을 다루었으며, 특히 서술자(descriptor) 형태의 서브시스템을 포함하는 경우는 거의 다루지 못했다. 저자는 먼저 각 서브시스템의 정상 상태 출력으로부터 오른쪽 접선 보간(right tangential interpolation) 값을 추정한다. 이 보간값은 복소 평면상의 특정 점에서 전이함수의 방향성 평가와 동등하며, 비동기적으로 수집된 샘플들을 하나의 전역 추정식에 선형적으로 결합할 수 있게 해준다. 따라서 시간 동기화가 필요 없으며, 샘플링 간격이 불규칙하거나 매우 낮아도 정보 손실을 최소화한다.

두 번째 단계에서는 추정된 보간값을 이용해 상태‑관련 행렬과 연결 파라미터 θ 사이에 존재하는 이중선형(bilinear) 관계를 좌측 영공간(null‑space) 투영으로 제거한다. 구체적으로, 전체 시스템 행렬 A(θ)와 C(θ)에서 θ에 의존하는 부분을 영공간 행렬 L에 곱함으로써 L·A(θ)=L·A₀와 같이 θ가 사라진 선형식으로 변환한다. 이렇게 변환된 식을 통해 중간 변수인 상태‑관련 매트릭스 M을 선형 최소제곱으로 추정하고, 이후 M과 원래의 영공간 관계를 역이용해 θ를 또다시 선형 최소제곱으로 복원한다. 이 과정은 기존 연구에서 요구되던 전이 행렬의 전완전 순위(full‑normal‑rank) 가정을 완전히 없애며, 구조식별이 가능한 시스템 클래스가 크게 확대된다.

이론적 분석에서는 평균제곱 일관성(mean‑square consistency)과 점근적 편향없음(asymptotic unbiasedness)을 증명하고, 샘플링 간격이 무한히 커져도 추정 오차가 0에 수렴함을 보인다. 수치 실험에서는 10개의 서브시스템으로 구성된 네트워크를 대상으로, 각 서브시스템이 서로 다른 비동기 시계열을 0.1~2초 사이의 불규칙 간격으로, 전체 평균 샘플링 주파수가 Nyquist 이하인 상황에서도 정확히 연결 파라미터를 복원한다. 특히, 기존 방법이 실패하는 전이 행렬 순위가 낮은 경우에도 제안 알고리즘은 안정적으로 수렴한다.

하지만 몇 가지 한계도 존재한다. 첫째, 입력 생성기 Σₛ가 서로 다른 고유값을 갖는 경우에만 이론이 깔끔히 전개되며, 중복 고유값이 존재할 때는 파생 접선 보간값을 활용해야 하는 추가 연구가 필요하다. 둘째, 알고리즘은 정상 상태 출력에 의존하므로, 시스템이 충분히 긴 시간 동안 안정적으로 동작해야 한다는 전제가 있다. 셋째, 영공간 투영 단계에서 영공간 행렬 L을 계산하기 위해 전체 시스템 차원에 대한 SVD가 필요하므로, 매우 대규모 네트워크에서는 계산 복잡도가 증가할 수 있다. 이러한 점들을 보완하기 위한 차원 축소 혹은 분산 구현 방안이 향후 연구 과제로 남는다.

전반적으로 이 논문은 비동기·비균등·저속 샘플링이라는 현실적인 제약을 동시에 만족시키면서도, 서술자 서브시스템을 포함한 복합 네트워크의 구조를 정확히 식별할 수 있는 강력한 방법론을 제공한다. 이는 스마트 그리드, 대규모 센서 네트워크, 생물학적 신호 전송망 등 다양한 분야에 직접적인 적용 가능성을 열어준다.