KR101500922B1

KR101500922B1 - 적응필터를 이용한 분산 추정방법 및 장치

Info

Publication number: KR101500922B1
Application number: KR20150004008A
Authority: KR
Inventors: 송우진; 이한솔; 이재우
Original assignee: 포항공과대학교 산학협력단
Priority date: 2015-01-12
Filing date: 2015-01-12
Publication date: 2015-03-18

Abstract

본 발명에 따른 적응필터를 이용한 분산 추정방법은 입력 신호에 대한 LMS(Least Mean Square) 방식의 계수벡터 업데이트에 의해, 노드의 추정 정확도에 대한 향상 가능성 여부를 상기 적응필터의 계수벡터에 대한 MSD(Mean Square Deviation)의 감소 여부를 근거로 하여 결정하는 단계; 상기 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여, 상기 계수벡터를 업데이트하는 단계; 및 상기 업데이트된 계수벡터를 인접 노드들로 전송하는 단계를 포함한다.

Description

적응필터를 이용한 분산 추정방법 및 장치{A METHOD AND AN APPARATUS FOR DISTRIBUTED ESTIMATION USING AN ADAPTIVE FILTER}

본 발명은 확산 LMS 분산 추정 시스템의 통신량 감소에 관한 것으로서, 더욱 상세하게는 추가적인 이웃노드에 대한 정보가 요구되는 수신기 단계에서의 노드 선택이 아닌, 송신기 단계에서 각 노드가 자신의 계수벡터를 송신할지에 대한 여부를 결정하고 이에 따른 역동적 정보 교환을 통해 통신량 감소를 수행할 수 있도록 하는 기술이다.

본 발명은 한국연구재단의 중견연구자지원사업(핵심연구)의 일환으로서 수행한 연구로부터 도출된 것이다[과제관리번호: 2012R1A2A2A01011112, 과제명: Diffusion 분산 적응 신호처리 기반의 무리 지능 모방 인지 라디오 기술 개발].

본 발명은 정보통신산업진흥원의 기술혁신사업의 일환으로서 수행한 연구로부터 도출된 것이다[과제관리번호: NIPA-2014-H0401-14-1001, 과제명: 스마트카 Connected Safety 제어를 위한 공통 알고리즘 플랫폼 개발].

분산 추정(Distributed estimation) 문제는 특정 공간에 분포되어 있는 노드들이 타 노드들과 협동하여 공통의 벡터 파라미터를 추정하고자 하는 문제이다.

분산 추정 문제에 대한 해결책은 중앙처리(Centralized processing) 방식과 분산처리(Distributed processing)방식으로 분류되는데, 중앙처리 방식에서는 각 노드들이 측정값 감지만을 수행하고 이러한 값들을 중앙처리장치(Fusion center)로 전송하여 이곳에서 일괄적으로 추정이 수행되는 반면, 분산처리 방식에서는 노드들이 각자의 처리 장치를 가지고 있으며 노드들 사이의 정보교환을 통해 각 노드가 공통의 벡터 파라미터에 대한 추정을 수행한다.

Fusion center에서 문제가 생길 시 전체 네트워크의 추정 기능이 상실되는 중앙처리 방식과 달리 분산처리 방식은 보다 특정 노드에서 생기는 문제에 대해 강인(robust)하고, 더 적은 통신 자원을 소모한다는 장점이 있어 많은 연구가 이루어지고 있다.

종래의 분산처리 방식에서, "확산 LMS" 방식은 대표적인 분산처리 방식 기술의 하나로, 각 노드에서의 LMS(Least Mean Square) 방식의 계수벡터 업데이트 수행, 이웃노드 간 계수벡터 교환, 가중치를 이용한 교환된 계수벡터들의 선형적 결합의 세 가지 단계로 이루어진다. 확산 LMS 방식은 각 노드 사이의 정보 교환 없는 비협동적 LMS 방식에 비해 더 빠른 수렴속도와 더 낮은 수렴오차를 가지지만, 비협동적 LMS 방식에서 필요하지 않은 계수벡터 교환을 위한 추가적인 통신량이 요구된다.

일반적인 무선 통신 네트워크에서 각 노드는 통신을 위한 대역폭(Bandwidth) 및 전력(Power) 자원이 한정되어 있기에, 통신량을 효과적으로 줄이되 추정 성능을 최대한 유지할 수 있는 방식에 대한 연구가 진행 중이다. 이러한, 통신량 감소 방식 중의 하나는 수신기가 이웃노드들 중에서 일부의 노드들로부터만 계수벡터를 전송받는 것으로, 노드 선택적 계수벡터 수신을 통해 통신량을 감소시킨다.

하지만, 이러한 종래의 통신량 감소 방식들에서는 노드 선택을 위해 이웃노드들의 잡음 정도에 대한 정보나 특정 통계적 정보가 요구되고, 이를 얻기 위해서는 추가적인 통신이 필요하다는 단점이 존재한다.

이러한 추가적인 통신 없이 정보 교환을 선택적으로 수행하기 위해서는, 계수벡터를 전송받는 수신기 단계에서의 노드 선택이 아닌 계수벡터를 전송하는 송신기 단계에서의 정보 선택이 수행될 필요가 있다. 즉, 송신기 단계에서의 정보 선택을 통해 계수벡터의 전송 여부를 결정하여, 추가적인 통신 없이 노드간의 정보 교환을 효과적으로 줄이고 이에 따른 성능 감소를 최소화 할 수 있도록 하는 새로운 기법이 필요하다.

상기의 문제점을 해결하기 위한 본 발명의 목적은, 추가적인 통신 없이 선택적인 계수벡터 전송을 수행하며 기존 통신량 감소 방식들에 비해 보다 효율적인 통신량 감소 효과를 가지는 분산 추정을 위한 방법 및 장치를 제공하는데 있다. 즉, 매 시간 감지하는 입력 신호의 계수벡터 추정 정확도 향상 가능 여부를 측정하여 이를 기반으로 한 선택적 계수벡터 업데이트 및 역동적 계수벡터의 전송을 수행하고, 전송된 계수벡터들을 효과적으로 결합하는 적응필터를 이용한 분산 추정방법 및 장치를 제공하는데 있다.

상기의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 적응필터를 이용한 분산 추정방법은 입력 신호에 대한 LMS(Least Mean Square) 방식의 계수벡터 업데이트에 의해, 노드의 추정 정확도의 향상 가능성 여부를 상기 적응필터의 계수벡터에 대한 MSD(Mean Square Deviation)의 감소 여부를 근거로 하여 결정하는 단계; 상기 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여, 상기 계수벡터를 선택적으로 업데이트하는 단계; 및 업데이트가 된 경우에, 상기 업데이트된 계수벡터를 인접 노드들로 전송하는 단계를 포함한다.

상기 적응필터의 계수벡터에 대한 MSD 감소 여부는, 다음의 수식을 사용하여 결정한다.

여기서, 상기

는 입력 신호와 에러 신호의 곱에 대한 기대값의 추정치를 의미하고, 상기

는 step-size를 의미하고, 상기

는 입력 신호의 파워(power)의 기대값이 추정치를 의미하고, 상기

은 에러 신호의 파워(power)의 기대값의 추정치를 의미하고, c는 사용자에 의해 설정되는 변수이다.

상기 계수벡터를 업데이트하는 단계는, 상기 입력신호가 상기 수식을 만족하는 경우에 상기 계수벡터에 대한 업데이트를 진행한다.

상기 입력신호가 상기 수식을 만족하지 못하는 경우에, 상기 계수벡터의 업데이트 과정 및 상기 계수벡터 전송과정을 종료한다.

상기 적응필터를 이용한 분산 추정방법은, 상기 입력신호가 감지되는가를 결정하는 단계를 더 포함하고, 상기 입력신호가 감지된다면, 상기 노드의 추정 정확도에 대한 향상 가능성 여부를 결정한다.

상기 적응필터를 이용한 분산 추정방법은, 상기 업데이트된 계수벡터를 상기 인접 노드들의 계수벡터들과 결합하는 단계를 더 포함한다.

상기 인접 노드들의 계수벡터들은 상기 업데이트된 인접 노드들로부터 제공된 계수벡터들 및 업데이트되지 않은 인접 노드들이 가장 최근에 전송한 계수벡터들 중 적어도 어느 하나 이상을 포함한다.

상기 업데이트된 계수벡터를 상기 인접 노드들의 계수벡터들과 결합하는 단계는, 각각의 계수벡터들에 가중치를 부여하여 선형적 결합을 수행한다.

상기의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 적응필터를 이용한 분산 추정장치는 입력 신호에 대한 LMS(Least Mean Square) 방식의 계수벡터 업데이트에 의해, 노드의 추정 정확도의 향상 가능성 여부를 상기 적응필터의 계수벡터에 대한 MSD(Mean Square Deviation)의 감소 여부를 근거로 하여 결정하는 프로세서; 상기 프로세서의 상기 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여, 상기 계수벡터를 선택적으로 업데이트하는 업데이트 처리부; 및 상기 업데이트된 계수벡터를 인접 노드들로 전송하는 통신 인터페이스부를 포함한다.

상기 프로세서는, 다음의 수식을 사용하여 상기 적응필터의 계수벡터에 대한 MSD 감소 여부를 결정한다.

여기서, 상기

는 step-size를 의미하고, 상기

는 입력 신호의 파워(power)의 기대값의 추정치를 의미하고, 상기

상기 업데이트 처리부는, 상기 입력신호가 상기 수식을 만족하는 경우에 상기 계수벡터에 대한 업데이트를 진행한다.

상기 프로세서는, 상기 입력신호가 상기 수식을 만족하지 못하는 경우에, 상기 계수벡터의 업데이트 과정 및 상기 계수벡터 전송과정을 종료한다.

상기 프로세서는, 상기 입력신호가 감지되는가를 결정하고, 상기 입력신호가 감지된다면, 상기 노드의 분산 파라미터의 추정 정확도에 대한 향상 가능성 여부를 결정한다.

상기 적응필터를 이용한 분산 추정장치는, 상기 업데이트된 계수벡터를 상기 인접 노드들의 계수벡터들과 결합하는 계수벡터 결합부를 더 포함한다.

상기 계수벡터 결합부는, 각각의 계수벡터들에 가중치를 부여하여 선형적 결합을 수행한다.

본 발명에 따르면, 계수벡터의 업데이트를 선택적으로 수행하고 그에 따른 업데이트된 계수벡터를 선택적으로 전송하도록 함으로써, 분산 추정을 위한 정보 교환의 통신량을 감소시킨다.

따라서, 통신량 감소에 따른 수렴 성능 저하가 발생하지만 기존의 통신량 감소 관련 알고리즘들에 비해 같은 통신량 감소 대비 더 좋은 수렴 성능을 가진다.

이에 따라, 본 발명은 인지 라디오 시스템에서의 스펙트럼 센싱에 적용될 수 있고, 또한 센서 네트워크에서의 신호처리 분야에서 잡음 및 에코 제거, 특정 파라미터 추정, 위치 추정, 채널 정규화 등에 응용될 수 있다.

도 1은 본 발명에 따른 적응필터를 이용한 분산 추정방법을 설명하기 위한 일 실시예의 흐름도이다.
도 2는 종래의 인접 노드(Neighborhood)와 역동적 인접 노드(Dynamic neighborhood)의 개념을 설명하기 위한 일 예의 참조도이다.
도 3은 적응필터를 이용한 분산 추정을 수행하는 대상 노드와 인접 노드 사이의 순서도의 일 예이다.
도 4는 각 노드에서의 적응필터를 이용한 채널 추정 시나리오 모델을 설명하기 위한 참조도이다.
도 5는 시뮬레이션을 위한 네트워크 형태와 각 노드에서의 입력신호 및 노이즈에 대한 분산값의 일 예를 나타낸다.
도 6은 사용자 파라미터 c값에 따른 역동적 확산 LMS 알고리즘의 수렴 성능과 통신량 감소 정도를 나타낸 그래프이다.
도 7은 다른 알고리즘들과 역동적 확산 LMS 알고리즘의 수렴 성능과 통신량 감소 정도를 나타낸 그래프이다.
도 8은 본 발명에 따른 적응필터를 이용한 분산 추정장치를 설명하기 위한 일 실시예의 블록도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

명세서 전체에서 망(network)은, 예를 들어, WiFi(wireless fidelity)와 같은 무선인터넷, WiBro(wireless broadband internet) 또는 WiMax(world interoperability for microwave access)와 같은 휴대인터넷, GSM(global system for mobile communication) 또는 CDMA(code division multiple access)와 같은 2G 이동통신망, WCDMA(wideband code division multiple access) 또는 CDMA2000과 같은 3G 이동통신망, HSDPA(high speed downlink packet access) 또는 HSUPA(high speed uplink packet access)와 같은 3.5G 이동통신망, LTE(long term evolution)망 또는 LTE-Advanced망과 같은 4G 이동통신망, 및 5G 이동통신망 등을 포함할 수 있다.

명세서 전체에서 단말(terminal)은 이동국(mobile station), 이동 단말(mobile terminal), 가입자국(subscriber station), 휴대 가입자국(portable subscriber station), 사용자 장치(user equipment), 접근 단말(access terminal) 등을 지칭할 수도 있고, 단말, 이동국, 이동 단말, 가입자국, 휴대 가입자 국, 사용자 장치, 접근 단말 등의 전부 또는 일부의 기능을 포함할 수도 있다.

여기서, 단말로 통신이 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 태블릿(tablet) PC, 무선전화기(wireless phone), 모바일폰(mobile phone), 스마트 폰(smart phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB (digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 영상 녹화기(digital picture recorder), 디지털 영상 재생기(digital picture player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player) 등을 사용할 수 있다.

명세서 전체에서 기지국(base station)은 접근점(access point), 무선 접근국(radio access station), 노드B(node B), 고도화 노드B(evolved nodeB), 송수신 기지국(base transceiver station), MMR(mobile multihop relay)-BS 등을 지칭할 수도 있고, 기지국, 접근점, 무선 접근국, 노드B, eNodeB, 송수신 기지국, MMR-BS 등의 전부 또는 일부의 기능을 포함할 수도 있다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. 또한, 본 발명을 설명함에 있어서, 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단된 경우 그 상세한 설명은 생략한다.

일반적으로, 분산 추정 (Distributed estimation) 문제는 특정 공간에 분포되어 있는 노드들이 공통의 벡터 파라미터

을 추정하고자 하는 문제로, 각 노드 k는 매 시간 i마다 입력 벡터

및 스칼라 측정치

를 감지하고, 이를 이용한 적응필터의 계수벡터

업데이트, 노드 사이의 정보 교환 및 결합을 통해 이를 수행한다.

각 노드에서 감지된 입력 벡터

와 스칼라 측정치

는 추정하고자 하는 벡터 파라미터

과 임의의 관계를 가지고 있다.

본 발명에서는 하기의 수학식 1과 같은 선형적 모델을 가정한다.

이 때,

는 평균이 0이고 분산이

이며 입력벡터

와 독립적인 가우시안 노이즈이다.

도 1은 본 발명에 따른 적응필터를 이용한 분산 추정방법을 설명하기 위한 일 실시예의 흐름도이다.

입력신호가 감지되는가를 결정한다(S100). 입력 신호는 주기적 또는 비주기적으로 수신될 수 있으며, 이러한 입력신호가 수신되는가를 지속적으로 감지한다. 예를 들어, 각 노드 k는 매 시간 i마다 입력신호 입력 벡터

와 스칼라 측정치

의 입력 여부를 감지한다.

S100 단계에서, 상기 입력신호가 감지된다면, 입력 신호에 대한 LMS(Least Mean Square) 방식의 계수벡터 업데이트에 의해, 노드의 추정 정확도에 대한 향상 가능성 여부를 결정한다(S102). 노드의 추정 정확도에 대한 향상 가능성 여부의 결정은, 상기 적응필터의 계수벡터에 대한 MSD(Mean Square Deviation)의 감소 여부를 근거로 하여 결정한다.

감지된 입력 신호가 LMS 방식의 업데이트를 통해 각 노드의 추정 정확도를 향상시킬 수 있는지에 대해 그 여부를 파악한다. 이를 위해 추정 정확도 향상 여부에 대한 기준이 필요한데, 본 발명에서는 추정값의 정확도를 판별하는 척도로서 MSD(Mean square deviation) 값을 이용하여, 입력신호가 LMS 업데이트를 통해 적응필터의 MSD를 감소시키는 조건을 유도한다. 계수 에러 벡터를 다음의 수학식 2로 정의할 수 있으며, 각 노드 k에서 이루어지는 LMS 업데이트는 다음의 수학식 3과 같이 표현될 수 있다.

따라서, LMS 업데이트를 통해 각 노드 계수벡터의 MSD가 감소되는지에 대한 조건을 유도하면 다음과 같이 정리된다. 적응필터의 계수벡터에 대한 MSD 감소 여부는, 다음의 수학식 4를 사용하여 결정할 수 있다.

여기서, 상기

, 상기

및 상기

는 각각 다음과 같은 수학식 5로 정의되는 변수이고, c는 사용자에 의해 설정되는 변수이다.

상기

, 상기

및 상기

는 각각 상기 수학식 5를 통해 매 시간마다 업데이트 한다.

상기

는 step-size를 의미하고, 상기

은 에러 신호의 파워(power)의 기대값의 추정치를 의미한다. 각 기대값은

라는 파라미터를 통한 time-averaging 방식을 통해 계산한다.

본 발명에 따른 선택적 업데이트를 위한 기준식에서는 사용자가 조절할 수 있는 파라미터인 c를 삽입하여, 이를 조절함으로써 사용자가 원하는 정도의 업데이트 확률을 얻을 수 있도록 하였다. c가 1인 경우를 기준으로 할 때, c값이 증가하는 경우 수학식 4가 성립할 확률이 더 작아지기 때문에 더 적은 업데이트가 일어나게 되고, 반대로 c값이 감소하는 경우 더 많은 업데이트가 일어나게 된다. 이는 이후 업데이트가 일어난 경우에만 그 계수벡터를 전송하는 선택적 정보교환 방식을 함께 수행했을 경우, 사용자가 통신량 감소의 정도를 조절할 수 있도록 해준다는 특성을 갖는다.

상기 입력신호가 수학식 4를 만족하지 못하는 경우에, 상기 계수벡터의 업데이트 과정 및 상기 계수벡터 전송과정을 수행하지 않으며, S108 단계로 진행하여 계수벡터들을 결합하는 과정을 수행한다.

한편, S102 단계 후에, 상기 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여, 상기 계수벡터를 업데이트한다(S104). 상기 입력신호가 수학식 4를 만족하는 경우에 상기 계수벡터에 대한 업데이트를 진행한다.

상기 수학식 4의 만족 여부에 따라, 다음의 수학식 6을 이용하여 선택적 적응필터 계수벡터의 업데이트를 수행한다.

이 때,

는 step-size이다.

분산 처리방식에서 노드의 통신 반경이나 전송 파워 등 통신 환경이 정해졌을 때, 특정 노드 k가 정보를 교환할 수 있는 다른 노드들의 집합을 인접 노드라고 정의할 때, S104 단계 후에, 상기 업데이트된 계수벡터를 인접 노드들로 전송한다(S106). 업데이트가 수행된 노드는 업데이트가 되지 않은 노드에 비해 평균적으로 더 향상된 필터 계수벡터를 지니고 있다고 가정할 수 있다. 업데이트가 수행된 노드는 자신의 향상된 계수벡터를 인접 노드에게 전송하고, 업데이트가 되지 않은 노드는 정보 전송을 수행하지 않는 역동적 계수벡터 전송을 수행하게 된다.

도 2는 종래의 인접 노드(Neighborhood)(도 2(a))와 본 발명에 따른 역동적 인접 노드(Dynamic neighborhood)(도 2(b))의 개념을 설명하기 위한 일 예의 참조도이다. 도 2(a)에 도시된 바와 같이, 종래 기술에 따른 노드 k의 인접 노드들

(즉, 노드 k, 2, 3 및 N)은 노드 k에 이웃하는 모든 노드들과 노드 k 자신을 포함한다. 그러나, 도 2(b)에 도시된 바와 같이, 본 발명에 따르면, 노드 k의 인접 노드들 중 시간 i에서 업데이트가 수행되어 노드 k에게 정보를 전송하는 노드들을 역동적 인접 노드들(dynamic neighborhood)

(즉, 노드 k, 2 및 N)로 정의할 수 있고, 이러한 역동적 인접 노드들은 업데이트가 발생하지 않은 노드 3은 제외된다는 점에서, 정보 교환을 위한 통신량의 감소를 유도할 수 있다.

S106 단계 후에, 모든 노드는 자신의 계수벡터와 인접 노드들의 계수벡터들에 가중치를 부여한 선형적 결합을 수행한다(S108). 결합되는 인접 노드들의 계수벡터들은 두 가지 종류로 분류할 수 있다. 첫 번째로, 업데이트가 수행된 인접 노드들로부터 제공된 업데이트 계수벡터일 수도 있고, 두 번째로 상기 업데이트가 수행되지 않아서 계수벡터를 전송하지 않은 인접 노드의 경우, 그 인접 노드로부터 가장 최근에 받았던 계수벡터일 수 있다. 이를 위해 각 노드들은 인접 노드들로부터 전송 받은 가장 최신의 계수벡터를 저장한다.

예를 들어, 노드 k의 인접 노드들을 노드 l로 정의한다면, 다음의 수학식 7을 사용해 계수벡터들의 결합을 수행한다.

상기의 수학식 7에서 표현된 것과 같이 계수벡터 결합에 쓰이는

에 대해서는, 노드 l이 노드 k의 역동적 인접 노드로서 자신의 업데이트된 계수벡터

를 전송했을 경우는 업데이트된 계수벡터

를 이용하고, 노드 l이 노드 k의 역동적 인접 노드가 아닌 경우에는 이전 시간에 사용했던 계수벡터

를 계수벡터의 결합에 이용한다.

또한, 계수벡터 결합은

라는 가중치를 이용하는데, 이러한 가중치는 계수벡터의 선형적 결합을 생성하기 위한 것으로, 사용자의 의도에 따라 조정될 수 있다.

도 3은 적응필터를 이용한 분산 추정을 수행하는 대상 노드와 인접 노드 사이의 순서도의 일 예이다. 도 3에 도시된 바와 같이, 대상 노드와 인접 노드는 각각 입력 신호의 수신을 감지하고, 입력신호가 감지되었다면, 노드의 추정 정확도에 대한 향상 가능성 여부를 결정한다. 그 후, 대상 노드와 인접 노드는 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여 상기 계수벡터를 업데이트한 후에, 상기 업데이트된 계수벡터를 각각 인접 노드들로 전송한다. 그러면, 대상 노드와 인접 노드는 상기 업데이트된 계수벡터를 상기 인접 노드들의 계수벡터들과 결합한다.

도 4는 적응필터를 이용한 채널 추정 시나리오 모델을 설명하기 위한 일 예의 참조도이다. 역동적 확산 LMS 방법의 성능에 대한 시뮬레이션은 도 4와 같은 채널 추정 시나리오에 따라 수행되고, 전체 노드의 개수는 30개, 적응필터의 계수의 개수는 2개, 스텝 사이즈는 0.05로 설정할 수 있다.

알고자 하는 채널의 계수벡터를

이라고 했을 때 적응필터의 목표는 이러한

을 최대한 정확하게 추정하고자 하는 것이다. 이러한 상기 채널 추정 시나리오 모델의 목표를 달성하기 위한 방법으로서, 공통의 입력 신호가 상기 채널과 적응필터에 동시에 들어갈 때, 상기 채널을 통과하여 노이즈

가 섞인 결과 값인

와 적응필터의 결과값 사이의 오차에 해당하는

가 최소화 될 수 있도록 적응 필터의 계수벡터를 업데이트 해준다.

도 5는 시뮬레이션을 위한 네트워크 형태와 각 노드에서의 입력신호 및 노이즈에 대한 분산값의 일 예를 나타낸다. 입력, 노이즈는 평균이 0인 가우시안 분포에서 랜덤으로 추출하였다. 본 시뮬레이션에서는 다음의 수학식 8과 같이 네트워크의 모든 노드들의 MSD의 평균값을 알고리즘의 성능을 나타내는 지표로써 이용한다.

실험 환경으로써, 우선 총 30개의 노드 중 단 하나의 노드도 독립되지 않은하나의 네트워크 형태를 도식화하였다.

은 k번째 노드의 평균이 0인 가우시안 노이즈의 분산값을 의미하며, 각 노드마다 서로 다른 값을 가지도록 설정하였다.

는 입력 벡터의 covariance matrix의 trace값으로 이 역시 각 노드마다 서로 다른 값을 가지도록 설정하였다. 이를 통해 각 노드들은 서로 다른 signal-to-noise ratio (SNR)을 가지는 환경을 설정하였다.

도 6은 사용자 파라미터 c값에 따른 역동적 확산 LMS 알고리즘의 수렴 성능과 통신량 감소 정도를 나타낸 그래프이다. Communication rate는 기존의 확산 LMS 알고리즘에서 필요로 하는 통신량을 1이라 하였을 때 시뮬레이션에 사용된 알고리즘의 통신량을 수치화 시킨 값으로서 통신량 감소 정도를 판단할 수 있는 척도가 된다. 사용자 파라미터인 c가 변함에 따라 수렴 성능과 통신량 감소 사이에 상충 효과(trade-off)가 있다는 것을 확인할 수 있다. c가 증가하면 더 많은 통신량 감소를 얻을 수 있지만 수렴 성능이 떨어지게 되고, 반대로 c가 감소하면 수렴 성능은 향상되지만 그만큼 통신량이 더 많이 필요하게 된다.

도 7은 다른 알고리즘들과 역동적 확산 LMS 알고리즘의 수렴 성능과 통신량 감소 정도를 나타낸 그래프이다. 도 7에 도시된 바와 같이, 인접 노드들 중 일부분을 선택하는 기존의 통신량 감소 관련 알고리즘과 본 발명에 따른 역동적 확산 LMS 알고리즘에 따른 시뮬레이션 결과를 나타낸 것이다. 역동적 확산 LMS 알고리즘에서의 사용자 파라미터 c값을 0.85로 설정하여 모든 알고리즘의 평균 통신량 감소 정도를 동일하게 설정하였을 때, 본 발명에 따른 역동적 확산 LMS 알고리즘이 타 알고리즘들에 비해 더 좋은 수렴 성능을 제공하는 것을 확인할 수 있다.

도 8은 본 발명에 따른 적응필터를 이용한 분산 추정장치를 설명하기 위한 일 실시예의 블록도로서, 프로세서(800), 업데이트 처리부(810), 통신 인터페이스부(820) 및 계수벡터 결합부(830)를 포함한다.

프로세서(800)는 입력신호가 감지되는가를 결정하고, 상기 입력신호가 감지된다면, 상기 노드의 추정 정확도에 대한 향상 가능성 여부를 결정한다. 프로세서(800)는 입력 신호에 대한 LMS(Least Mean Square) 방식의 계수벡터 업데이트에 의해, 노드의 추정 정확도에 대한 향상 가능성 여부를 결정한다. 프로세서(800)는 적응필터의 계수벡터에 대한 MSD(Mean Square Deviation)의 감소 여부를 근거로 하여, 상기 추정 정확도에 대한 향상 가능성 여부를 결정한다. 특히, 프로세서(800)는 전술한 수학식 4를 사용하여 상기 적응필터의 계수벡터에 대한 MSD 감소 여부를 결정한다. 수학식 4에서, 파라미터 c의 조절을 통해, 사용자가 원하는 정도의 업데이트 확률을 얻을 수 있도록 한다. c가 1인 경우를 기준으로 할 때, c값이 증가하는 경우 수학식 4가 성립할 확률이 더 작아지기 때문에 더 적은 업데이트가 일어나게 되고, 반대로 c값이 감소하는 경우 더 많은 업데이트가 일어나게 된다.

한편, 프로세서(800)는 상기 입력신호가 상기 수학식 4를 만족하지 못하는 경우에, 상기 계수벡터의 업데이트 과정 및 상기 계수벡터 전송과정을 종료하도록 한다. 상기 수학식 4를 만족하지 못하는 경우에, 상기 계수벡터의 업데이트 과정 및 상기 계수벡터 전송과정을 종료하도록 함으로써, 노드 사이의 불필요한 데이터 전송을 최소화함으로써 통신량을 감소시킬 수 있다.

업데이트 처리부(810)는 프로세서(800)의 상기 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여, 상기 계수벡터를 업데이트한다. 업데이트 처리부(810)는 상기 입력신호가 상기 수학식 4를 만족하는 경우에 전술한 수학식 6을 이용하여 상기 계수벡터에 대한 업데이트를 진행한다.

통신 인터페이스부(820)는 프로세서(800)의 제어에 따라, 업데이트된 계수벡터를 인접 노드들로 전송하고, 한편, 업데이트를 수행한 인접 노드로부터 인접 노드의 업데이트된 계수벡터를 수신한다. 업데이트가 수행된 노드는 업데이트가 되지 않은 노드에 비해 평균적으로 더 향상된 필터 계수벡터를 지니고 있다고 가정할 수 있다. 따라서, 업데이트가 수행된 노드의 통신 인터페이스부(820)는 업데이트된 계수벡터를 인접 노드에게 전송한다. 전술한, 도 2(b)에 도시된 바와 같이, 노드 k의 인접 노드들 중 업데이트가 수행된 역동적 인접 노드들(dynamic neighborhood)

(즉, 노드 2 및 N)만이 노드 k에게 업데이트된 계수벡터의 정보를 전송하며, 업데이트가 발생하지 않은 노드 3은 계수벡터의 전송을 수행하지 않는다.

계수벡터 결합부(830)는 업데이트된 계수벡터를 인접 노드들의 계수벡터들과 결합한다. 여기서, 인접 노드들의 계수벡터들은 상기 인접 노드들로부터 제공된 업데이트된 계수벡터들 및 업데이트되지 않은 계수벡터들 중 적어도 어느 하나 이상을 포함한다. 계수벡터 결합부(830)는 각각의 계수벡터들에 가중치를 부여하여 계수벡터들에 대한 선형적 결합을 수행한다. 즉, 모든 노드는 자신의 계수벡터를 인접 노드들의 계수벡터들과 결합한다. 여기서, 상기 인접 노드들의 계수벡터들은 인접 노드들로부터 제공된 업데이트된 계수벡터 및 업데이트되지 않은 이전의 계수벡터 등을 포함한다.

예를 들어, 노드 k의 인접 노드들을 노드 l로 정의한다면, 전술한 수학식 7을 사용해 계수벡터들의 결합을 수행한다. 수학식 7에서 표현된 것과 같이 계수벡터 결합에 쓰이는

를 전송했을 경우는 업데이트된 계수벡터

를 계수벡터의 결합에 이용한다. 이러한, 계수벡터 결합은

본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능 매체의 예에는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

800: 프로세서
810: 업데이트 처리부
820: 통신 인터페이스부
830: 계수벡터 결합부

Claims

입력 신호에 대한 LMS(Least Mean Square) 방식의 계수벡터 업데이트에 의해, 노드의 추정 정확도에 대한 향상 가능성 여부를 적응필터의 계수벡터에 대한 MSD(Mean Square Deviation)의 감소 여부를 근거로 하여 결정하는 단계;
상기 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여, 상기 계수벡터를 업데이트하는 단계; 및
상기 업데이트된 계수벡터를 인접 노드들로 전송하는 단계를 포함하고,
상기 적응필터의 계수벡터에 대한 MSD 감소 여부는, 다음의 수식을 사용하여 결정하는 것을 특징으로 하는 적응필터를 이용한 분산 추정방법.

여기서, 상기
는 입력 신호와 에러 신호의 곱에 대한 기대값의 추정치를 의미하고, 상기
는 step-size를 의미하고, 상기
는 입력 신호의 파워(power)의 기대값의 추정치를 의미하고, 상기
은 에러 신호의 파워(power)의 기대값의 추정치를 의미하고, c는 사용자에 의해 설정되는 변수이다.
청구항 1에 있어서, 상기 계수벡터를 업데이트하는 단계는,
상기 입력신호가 상기 수식을 만족하는 경우에 상기 계수벡터에 대한 업데이트를 진행하는 것을 특징으로 하는 적응필터를 이용한 분산 추정방법.
청구항 1에 있어서,
상기 입력신호가 상기 수식을 만족하지 못하는 경우에, 상기 계수벡터의 업데이트 과정 및 상기 계수벡터 전송과정을 종료하는 것을 특징으로 하는 적응필터를 이용한 분산 추정방법.
청구항 1에 있어서, 상기 적응필터를 이용한 분산 추정방법은
상기 입력신호가 감지되는가를 결정하는 단계를 더 포함하고,
상기 입력신호가 감지된다면, 상기 노드의 분산 파라미터의 추정 정확도에 대한 향상 가능성 여부를 결정하는 것을 특징으로 하는 적응필터를 이용한 분산 추정방법.
청구항 1에 있어서, 상기 적응필터를 이용한 분산 추정방법은
상기 업데이트된 계수벡터를 상기 인접 노드들의 계수벡터들과 결합하는 단계를 더 포함하는 것을 특징으로 하는 적응필터를 이용한 분산 추정방법.
청구항 5에 있어서,
상기 인접 노드들의 계수벡터들은 상기 업데이트된 인접 노드들로부터 제공된 계수벡터들 및 업데이트되지 않은 인접 노드들이 가장 최근에 전송한 계수벡터들 중 적어도 어느 하나 이상을 포함하는 것을 특징으로 하는 적응필터를 이용한 분산 추정방법.
청구항 5에 있어서, 상기 계수벡터를 상기 인접 노드들의 계수벡터들과 결합하는 단계는
각각의 계수벡터들에 가중치를 부여하여 선형적 결합을 하는 것을 특징으로 하는 적응필터를 이용한 분산 추정방법.
입력 신호에 대한 LMS(Least Mean Square) 방식의 계수벡터 업데이트에 의해, 노드의 추정 정확도에 대한 향상 가능성 여부를 적응필터의 계수벡터에 대한 MSD(Mean Square Deviation)의 감소 여부를 근거로 하여 결정하는 프로세서;
상기 프로세서의 상기 추정 정확도에 대한 향상 가능성 여부의 결정에 근거하여, 상기 계수벡터를 업데이트하는 업데이트 처리부; 및
상기 업데이트된 계수벡터를 인접 노드들로 전송하는 통신 인터페이스부를 포함하고,
상기 프로세서는, 다음의 수식을 사용하여 상기 적응필터의 계수벡터에 대한 MSD 감소 여부를 결정하는 것을 특징으로 하는 적응필터를 이용한 분산 추정장치.

여기서, 상기
는 입력 신호와 에러 신호의 곱에 대한 기대값의 추정치를 의미하고, 상기
는 step-size를 의미하고, 상기
는 입력 신호의 파워(power)의 기대값의 추정치를 의미하고, 상기
은 에러 신호의 파워(power)의 기대값의 추정치를 의미하고, c는 사용자에 의해 설정되는 변수이다.
청구항 8에 있어서, 상기 업데이트 처리부는,
상기 입력신호가 상기 수식을 만족하는 경우에 상기 계수벡터에 대한 업데이트를 진행하는 것을 특징으로 하는 적응필터를 이용한 분산 추정장치.
청구항 8에 있어서, 상기 프로세서는
상기 입력신호가 상기 수식을 만족하지 못하는 경우에, 상기 계수벡터의 업데이트 과정 및 상기 계수벡터 전송과정을 종료하는 것을 특징으로 하는 적응필터를 이용한 분산 추정장치.
청구항 8에 있어서, 상기 프로세서는
상기 입력신호가 감지되는가를 결정하고, 상기 입력신호가 감지된다면, 상기 노드의 분산 파라미터의 추정 정확도에 대한 향상 가능성 여부를 결정하는 것을 특징으로 하는 적응필터를 이용한 분산 추정장치.
청구항 8에 있어서, 상기 적응필터를 이용한 분산 추정장치는
상기 업데이트된 계수벡터를 상기 인접 노드들의 계수벡터들과 결합하는 계수벡터 결합부를 더 포함하는 것을 특징으로 하는 적응필터를 이용한 분산 추정장치.
청구항 12에 있어서,
상기 인접 노드들의 계수벡터들은 상기 업데이트된 인접 노드들로부터 제공된 계수벡터들 및 업데이트되지 않은 인접 노드들이 가장 최근에 전송한 계수벡터들 중 적어도 어느 하나 이상을 포함하는 것을 특징으로 하는 적응필터를 이용한 분산 추정장치.
청구항 12에 있어서, 상기 계수벡터 결합부는
각각의 계수벡터들에 가중치를 부여하여 선형적 결합을 하는 것을 특징으로 하는 적응필터를 이용한 분산 추정장치.