노이즈 강인 정규화 서브밴드 적응 필터의 평균·제곱 성능 분석

1. 서론에서는 적응 필터의 전통적 한계(고상관 입력에 대한 느린 수렴)를 극복하기 위해 서브밴드 구조와 정규화 기법을 결합한 NSAF가 소개된다. 기존 NSAF의 성능을 개선하기 위해 NR‑NSAF가 제안되었으며, 이 알고리즘은 가중치를 여러 번 재사용(파라미터 P)하고 재사용 비중 α를 조절함으로써 높은 잡음 환경에서도 안정적인 추정이 가능하도록 설계되었다. 그러나 NR‑NSAF의 이론적 분석은 아직 부족했으며, 특히 전이 거동과 정상 상태 MSD에 대한 정확한 식이 부재했다. 2. 알고리즘 정의에서는 입력 신호 u(n)과 목표 신호 d(n) 사이의 선형 모델을 설정하고, 다중 서브밴드 필터뱅크를 통해 u_i(k)·d_i(k) 형태로 디지털화한다. 각 서브밴드에서의 오류 e_i(k)와 정규화된 입력 행렬 U(k)를 이용해 가중치 업데이트 식(3)–(4)을 제시한다. 여기서 μ는 단계 크기, ε은 정규화 상수, α는 재사용 가중치, P는 재사용 횟수를 의미한다. 3. 성능 분석은 세 가지 가정(A1–A3)을 기반으로 전개된다. A1은 시스템 잡음이 백색이고 입력과 독립임을, A2는 입력 벡터가 정규공분산을 갖는 정상 과정임을, A3은 독립성 가정을 명시한다. 평균 수렴 분석에서는 기대값 연산을 통해 w̃(k+1)= (I−μ·Λ)w̃(k) 형태의 선형 시스템을 얻으며, μ·λ_max(Λ)<2가 필요충분조건임을 증명한다. 4. 평균제곱편차 분석에서는 오차 공분산 Φ(k)의 재귀식을 행렬 형태로 도출하고, 이를 vec 연산과 크로네커 곱을 이용해 vec(Φ(k+1))=F·vec(Φ(k))+b 로 변환한다. F와 b는 α, P, μ, Λ, 그리고 서브밴드 입력 공분산 R_u에 의해 정의된다. F의 스펙트럼 반경이 1보다 작을 경우 MSD가 수렴함을 보이며, 이는 μ가 0<μ<2/λ_max(R_u) 범위에 있음을 다시 확인한다. 5. 정상 상태 해석에서는 (I−F)^{-1}b 를 이용해 폐쇄형 MSD 식(24)을 얻는다. 이 식은 α와 P에 따라 달라지는 b와 F를 포함하므로, α를 1에 가깝게 할수록 정상 상태 MSD가 감소하고, P를 크게 할수록 잡음 억제 효과가 강화되지만 수렴 속도가 느려지는 트레이드오프가 존재한다. 또한 기존 연구에서 요구되던 파라유니터리 필터뱅크 가정을 제거함으로써 일반 FIR 분석 필터에 대해서도 동일한 결과를 적용할 수 있다. 6. 시뮬레이션 섹션에서는 M=16 길이의 적응 필터와 동일한 차원의 시스템을 설정하고, 가우시안 및 균등 분포 입력, SNR 10 dB~40 dB, 서브밴드 수 N=4·8, 재사용 파라미터 P=1~4, α=0.2~1 등을 변동시키며 실험을 수행했다. 전이 MSD 곡선은 이론식(20)과 거의 일치했고, 정상 상태 MSD는 식(24)와도 높은 일치도를 보였다. 특히 저 SNR(10 dB)에서는 P를 늘릴수록 정상 상태 MSD가 3 dB 이상 감소했으며, 고 SNR(40 dB)에서는 수렴 속도가 느려지는 현상이 관찰되었다. 단계 크기 μ에 대해서는 0.1~0.8 범위 내에서 이론적 안정 구간과 시뮬레이션 결과가 일치함을 확인했다. 7. 결론에서는 NR‑NSAF의 평균·제곱 성능을 일반 입력 모델 하에 정확히 예측할 수 있는 분석 틀을 제공함으로써, 단계 크기와 재사용 파라미터 설계에 대한 명확한 가이드라인을 제시했다고 강조한다. 또한 파라유니터리 필터뱅크 가정을 없앰으로써 실용적인 필터 설계 자유도를 확대했으며, 향후 비정상 잡음, 비선형 시스템, 그리고 다중 입력 다중 출력(MIMO) 구조에 대한 확장 가능성을 제시한다.