Hankelization·특이값 기반 희소 신호 복원 및 학습 전처리

Hankelization and singular value based sparse recovery and neural network pre-processing

연구 내용

Hankelization 후 얻는 특이값을 입력 특징으로 사용해 희소 신호의 신호 수 추정, 복원, 데이터셋 클러스터링을 수행하는 연구

희소 신호 복원 및 파라미터 추정은 관측 샘플 수가 제한될 때 성능이 저하되며, 일반적으로는 신호 수나 데이터 품질(SNR) 같은 사전 정보에 민감합니다. 연구실은 Hankelization 기반 행렬 재구성과 singular value 추출을 통해 신호 공간 정보를 저차원 입력으로 변환하고, 이를 신경망이 학습 가능한 형태로 제공하는 전처리 프레임을 구축합니다. 또한 compressed geometric sequential sensing처럼 관측 벡터를 기하학적 순차의 중첩으로 해석해 희소 벡터를 복원하는 이론적 방법을 제안하며, 잡음 환경에서는 적절한 denoising을 함께 고려합니다. 결과적으로 다양한 잡음 조건에서 복원 절차와 NN 설계를 연결하는 흐름을 보유합니다.

관련 프로젝트

0건

연구 흐름

초기에는 기하학적 순차 표현과 선형대수 성질을 결합해 관측을 희소 복원 문제로 재구성하는 방향을 정립하고, compressed geometric sequential sensing을 통해 관측 효율을 높이는 구조를 제안했습니다. 이후에는 NN 기반 전처리로 신호 수를 빠르게 판별하는 NsigNet을 개발하여 제한된 관측에서 복원 알고리즘의 입력 조건을 보완하는 연구로 확장했습니다. 이어서 Hankelized 행렬의 특성에 기반해 SNR을 추정하고, SNR 레벨별 데이터셋 클러스터링을 통해 신경망 학습 가능성을 높이는 방법을 제안했습니다. 최근에는 이러한 저차원 표현 기반 전처리를 실용적인 denoising 및 compressive sensing 흐름에 연결하는 방향으로 구체화하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

압축 센싱 기반 희소 신호 복원
신호 수 추정 전처리 모듈
제한된 샘플에서의 저지연 추정
SNR 추정 및 데이터셋 클러스터링
Hankel 행렬 기반 특징 추출
희소 복원 알고리즘의 입력 조건 자동화
잡음 유형별 복원 성능 안정화
SVD 기반 반복 denoising 보조
온오프그리드 파라미터 추정 보완
훈련 데이터 및 네트워크 크기 최소화 설계