산술 평균과 기하 평균 융합의 2차 통계 비교 분석

본 연구는 다중 센서·다중 에이전트 환경에서 목표 추적에 사용되는 두 가지 평균 결합 방식, 즉 산술 평균(AA)과 기하 평균(GA)의 2차 통계 특성을 체계적으로 분석한다. 서론에서는 센서 네트워크의 분산 데이터 융합 필요성을 강조하고, AA는 선형(컨벡스) 풀, GA는 로그‑선형 풀로 각각 정의한다. 이후 변수 기반 융합(v‑fusion)과 확률밀도 기반 융합(f‑fusion)으로 구분하여 각각의 수학적 정의를 제시한다. v‑fusion에서는 추정량 ˆθ_i를 직접 가중합하거나 로그 변환 후 가중합하는 방식으로 AA와 GA를 구현한다. 편향 분석 결과, 모든 입력이 무편향일 경우 AA는 무편향성을 유지하지만 GA는 로그 변환 과정에서 부정값이 발생하면 복소수 결과가 나오므로 일반적으로 편향을 보장하지 못한다. 분산 측면에서는 AA의 분산이 입력 변수들의 공분산 행렬에 가중치를 곱한 형태로 전개되며, 두 변수의 경우 상관계수 ρ와 분산 비율 α=Σ₂/Σ₁에 따라 상한(최대 입력 분산)과 하한(입력 분산의 가중 평균) 사이에서 변한다. 특히 ρ<α−½일 때는 역분산 비례 가중치가 최적이며, 이때 AA의 분산은 GA보다 낮을 수 있다. 반면 ρ가 크면 하한이 최소 입력 분산에 수렴한다. GA의 분산은 로그 변수들의 공분산을 필요로 하여 폐쇄형 해가 없으므로 Monte‑Carlo 시뮬레이션으로 근사하였다. 가우시안 변수와 포아송 변수 사례에서 시뮬레이션 결과는 AA와 GA의 분산이 가중치에 따라 교차하고, 특정 상관조건에서는 AA가 GA보다 항상 우수함을 보여준다. MSE 분석에서는 AA의 MSE가 ω₁²·MSE₁+ω₂²·MSE₂+2ω₁ω₂β√(MSE₁·MSE₂) 형태로 나타나며, β는 두 추정량 사이의 상관을 나타낸다. GA의 MSE는 로그 변환으로 인해 직접 계산이 어려워 시뮬레이션으로 비교했으며, 가중치 선택에 따라 AA가 GA보다 낮은 MSE를 가질 수도, 반대로 높은 MSE를 가질 수도 있음을 확인한다. f‑fusion에서는 PDF들의 선형 결합(AA)과 정규화된 지수 결합(GA)을 다루며, GA의 지원 집합이 입력 PDF들의 교집합이 되는 반면 AA는 합집합이 된다. 특히 가중치 합이 1이 아닌 다중 목표 밀도(가우시안 혼합)에서는 GA가 기존 공분산 교차(CI)와 다른 동작을 보이며, 이는 거짓 경보와 미탐지 상황에서 목표 수가 변동할 때 중요한 차이를 만든다. 논문은 여러 예시와 수치 실험을 통해 AA와 GA가 각각 장·단점을 갖고 있음을 입증하고, 상관관계, 가중치 선택, 데이터 형태에 따라 최적의 평균 방식이 달라짐을 제시한다. 마지막으로, 향후 연구 방향으로 다차원 확장, 비선형 시스템 적용, 실시간 분산 구현 등을 제안한다.