언더스프레드 채널용 빠른 블라인드 임펄스 검출기

본 논문은 현대 통신 시스템에서 흔히 발생하는 임펄스 잡음, 특히 언더스프레드 채널 환경에서 베르누이‑가우시안(BG) 모델을 이용해 이를 정량화하고, 정확한 파라미터 추정을 위한 임펄스 검출 방법을 제시한다. Ⅰ. 서론에서는 UWB, PLC, WLAN 등 다양한 시스템에서 관측되는 고전력 임펄스 잡음의 문제점을 소개하고, 기존 모델 중 BG 모델이 다른 모델(MCA, SαS) 대비 확률 밀도 함수가 간단하면서도 헤비테일 특성을 잘 포착한다는 점을 강조한다. 그러나 BG 모델 파라미터(임펄스 비율 ρ, 배경 잡음 파워 σ₁², 임펄스 파워 σ₂²)의 정확한 추정은 임펄스 위치 φₙ을 정확히 식별해야 함에도 불구하고, 기존 블라인드 검출 방법은 높은 계산 복잡도와 초기값 의존성으로 실용성이 떨어진다. Ⅱ. 시스템 모델에서는 BG 잡음 xₙ을 φₙ∈{0,1}에 의해 두 가우시안 상태(N(0,σ₁²)와 N(0,σ₁²+σ₂²)) 사이를 전환하는 확률 과정으로 정의한다. 언더스프레드 가정 하에 채널 임펄스 응답 hₙ≈δₙ이므로 관측 yₙ은 xₙ에 독립적인 가우시안 노이즈 εₙ이 더해진 형태가 된다. 이때 yₙ|φₙ은 N(0,σ₁²+σ_ε²+φₙσ₂²)이며, σ_ε²는 배경 잡음과 구분되지 않는다. Ⅲ. 기존 방법 검토에서는 1980년대 Kormylo‑Mendel이 제안한 SMLR(단일 최우도 교체) 알고리즘을 중심으로, 그 변형인 SBR, MAP, MPM, ICM 등을 소개한다. 이들 모두 φₙ을 순차적으로 업데이트하지만, 후보 검증에 O(N) 연산을 매 반복마다 수행해 전체 복잡도가 O(N³)이며, 초기 φₙ 설정에 크게 좌우돼 로컬 최적에 빠지기 쉽다. 특히 ρ가 매우 작아 N이 커야 하는 경우(예: PLC의 1.35×10⁻⁵)에는 실용적이지 않다. Ⅳ. 제안 방법은 세 가지 핵심 요소로 구성된다. A. **Iterative Threshold Shifting (ITS)**: 정리 1에 의해 MLE 해는 |xₙ|와 φₙ 사이에 단조 관계가 있음을 이용한다. 따라서 임계값 T를 정의하고 φₙ을 “|xₙ|≥T → 1, 그 외 → 0” 형태로 설정한다. 각 반복에서는 현재 T에 대해 상향(임계값을 낮춰 더 많은 1을 만들기)과 하향(임계값을 높여 더 적은 1을 만들기) 두 후보만 평가한다. 이로써 후보 탐색을 O(1)로 축소하고 전체 복잡도를 O(N²)로 낮춘다. B. **Robust Gaussian Estimation (RGE)**: σ₁²와 σ₂²가 미지인 경우, φₙ에 따라 샘플을 두 그룹으로 나눈 뒤 각각의 분산을 추정해야 한다. 여기서는 MAD(Median Absolute Deviation)를 이용해 σ₁을 강인하게 추정하고, φₙ=1인 샘플들의 분산에서 σ₁²를 빼는 방식으로 σ₂²를 얻는다. MAD는 소수의 큰 임펄스에 의해 크게 왜곡되지 않아 매 반복마다 파라미터를 안정적으로 업데이트할 수 있다. C. **Sparsity‑Sensitive Initialization**: 초기 임계값 T₀ 선택이 중요하다. 저자는 “3σ 규칙”을 MAD와 결합해 T₀=4.4478·MAD(X) 로 설정하고, 데이터의 희소도를 정량화하는 Gini Index를 도입한다. Gini Index가 높을수록(데이터가 고르게 분포) T₀를 낮추고, 낮을수록(임펄스가 드물) T₀를 상승시켜 초기 로컬 최적 위험을 감소시킨다. Ⅴ. 실험 결과에서는 다양한 ρ와 σ₂²/σ₁² 조합에 대해 기존 SMLR, ICM, MAP과 비교했다. 제안 ITS는 평균 20%~30% 낮은 오류율을 보였으며, 실행 시간은 SMLR 대비 2~3배 빠르다. 특히 ρ≤10⁻⁴, N≥10⁶인 경우에도 O(N²) 복잡도가 실시간 처리 수준을 유지한다. 또한, 파라미터 추정 정확도도 MAD 기반 RGE 덕분에 5% 이내의 오차를 유지했다. Ⅵ. 결론에서는 제안된 블라인드 임펄스 검출기가 언더스프레드 채널에서 실용적인 속도와 정확성을 제공함을 강조하고, 향후 연구 방향으로 (1) 다중 경로(언더스프레드가 아닌) 채널에 대한 확장, (2) 비선형 임계값 스케줄링 및 딥러닝 기반 초기화, (3) 실시간 하드웨어 구현을 제시한다.