칼만 필터 기반 압축 센싱

본 논문은 시간에 따라 변하는 희소 신호를 제한된 수의 “비동질” 측정값으로 실시간 복원하는 문제를 다룬다. 신호 z_t ∈ ℝ^m 은 변환 행렬 Φ (예: 웨이블릿) 를 통해 희소 계수 x_t 로 표현될 수 있으며, 관측은 y_t = A x_t + w_t 형태로 주어진다. 여기서 A = HΦ 는 측정 행렬이며, 열 간 상관이 낮아 UUP(Uniform Uncertainty Principle)를 만족한다는 전제가 있다. 기존 정적 압축 센싱(CS)은 한 시점에서 x_t 를 복원하는 데 최적이지만, 동적 상황에서는 두 가지 전통적 접근법이 있다. 첫 번째는 전체 시퀀스를 하나의 큰 벡터로 보고 일괄 CS를 수행하는 배치 방식으로, 계산량이 방대하고 실시간 적용이 불가능하다. 두 번째는 매 프레임마다 독립적인 CS를 적용하는 온라인 방식으로, 측정 수가 충분히 크지 않으면 복원 오차가 크게 증가한다. 저자는 “지원 집합이 천천히 변한다”는 가정과 “비영 원소들의 동역학이 가우시안 랜덤 워크”라는 모델을 이용해 이 문제를 새로운 관점에서 접근한다. 지원이 알려진 경우, 최적 MMSE 추정은 해당 지원에 제한된 저차원 칼만 필터(KF)로 구현될 수 있다. 따라서 전체 문제를 “지원 추정 + KF”라는 두 단계로 분리한다. 초기 지원 T₁ 은 전통적인 CS(예: Dantzig selector) 혹은 다중 실현을 통한 공분산 분석으로 추정한다. 이후 시간 진행에 따라 현재 지원 T_t 를 사용해 KF 예측(𝑥̂_{t|t‑1}=𝑥̂_{t‑1})과 업데이트(칼만 이득 K_t 를 이용) 를 수행한다. 지원에 변화가 발생하면, 기존 KF 모델과 실제 관측 사이에 혁신(innovation) ỹ_t = y_t – A 𝑥̂_{t|t‑1} 가 비정상적인 평균을 갖게 된다. 이를 검출하기 위해 일반화된 가능도비 검정(GLRT) 기반의 IEN = ỹ_tᵀ Σ_ie⁻¹ ỹ_t 혹은 필터링 오차 ỹ_{t,f} 를 이용한다. IEN 혹은 FEN 이 사전 정의된 임계값을 초과하면 지원 변화가 있다고 판단하고, 혁신(또는 필터링 오차) 신호에 다시 CS를 적용한다. 여기서 복원 대상는 전체 x_t 가 아니라 “지원 변화에 해당하는 희소 벡터”이며, 따라서 복원 오차는 지원 전체를 복원할 때보다 훨씬 작다. CS 복원은 Dantzig selector 혹은 ℓ₁ 최소화 형태로 수행되며, 복원된 비영 원소들의 인덱스를 threshold α 로 선별해 새로운 지원 Δ 를 만든다. Δ 를 기존 지원에 합쳐 T_{new}=T∪Δ 로 업데이트하고, Δ 에 대한 초기 공분산을 σ²_init·I 로 설정한다. 이후 KF 업데이트를 다시 수행한다. 지원이 과도하게 커지거나 오래된 원소가 거의 0에 수렴하면, 일정 기간 동안 |𝑥̂_{t,i}| < α 인지를 확인해 해당 인덱스를 지원에서 삭제한다. 삭제 시 공분산 행·열을 0 으로 만들고, KF 예측 단계에서 해당 차원을 제외한다. 또한, 일정 원소가 거의 일정값을 유지하는 경우, 예측 공분산을 고정시켜 상수 모델로 전환할 수 있다. 알고리즘 전체 흐름은 다음과 같다: (1) 현재 지원 T←T_{t‑1} 설정, (2) KF 예측, (3) KF 업데이트, (4) IEN/FEN 검정 → 변동 감지, (5) 변동이 감지되면 CS 수행 → Δ 추정, (6) 지원 갱신 및 초기 공분산 설정, (7) KF 재업데이트, (8) 지원 삭제 검증, (9) 최종 업데이트 후 T_t 저장. 필요에 따라 CS‑KF 반복을 수행해 Δ 가 더 이상 발견되지 않을 때까지 진행한다. 이 절차는 매 시점마다 전체 CS를 수행하는 것보다 측정 수를 크게 절감하면서도, 지원 변화가 작고 A 가 UUP를 만족하는 경우 높은 복원 정확도를 제공한다. 이론적으로는 지원이 정확히 추정될 경우 KF‑CS 가 전체 MMSE와 동등함을 보이며, 실험 결과(논문에 포함되지 않았지만 언급된)에서도 정적 CS 대비 30~50% 적은 측정으로 동일한 재구성 품질을 달성한다는 점을 강조한다.