[논문 리뷰] Filtering of Multidimensional Stationary Sequences with Missing Observations

Oleksandr Masyutka, Mikhail Moklyachuk외 1명|arXiv (Cornell University)|2018. 04. 12.

Advanced Computational Techniques in Science and Engineering참고 문헌 40인용 수 4

한 줄 요약

이 논문은 스펙트럼 확정성과 불확정성의 두 상황에서, 관측값이 누락되고 노이즈에 오염된 다차원 정상 시계열에 대해 평균제곱 최적의 선형 필터링 방법을 개발한다. 스펙트럼 확정성의 경우 스펙트럼 특성과 평균제곱 오차에 대한 공식을 유도하며, 네 가지 다른 유형의 허용 가능한 스펙트럼 밀도에 대해 최소최대-로버스트 추정 기법을 제안하여, 최악의 스펙트럼 밀도 가정 하에 최적 성능을 보장한다. 이는 최악의 상황에서도 안정적인 성능을 보장하는 최소최대-로버스트 스펙트럼 특성과 최악의 스펙트럼 밀도에 대한 명시적 공식을 포함한다.

ABSTRACT

The problem of mean-square optimal linear estimation of linear functionals which depend on the unknown values of a multidimensional stationary stochastic sequence from observations of the sequence with a noise and missing observations is considered. Formulas for calculating the mean-square errors and the spectral characteristics of the optimal linear estimates of the functionals are proposed under the condition of spectral certainty, where spectral densities of the sequences are exactly known. The minimax (robust) method of estimation is applied in the case where spectral densities are not known exactly while some sets of admissible spectral densities are given. Formulas that determine the least favorable spectral densities and minimax spectral characteristics are proposed for some special sets of admissible densities.

연구 동기 및 목표

• 관측값이 누락되고 노이즈에 오염된 다차원 정상 시계열의 관측되지 않은 값에 의존하는 기능의 최적 선형 추정 문제를 다루기 위해.
• 스펙트럼 밀도가 정확히 알려진 조건(스펙트럼 확정성) 하에서 최적 선형 추정의 스펙트럼 특성과 평균제곱 오차에 대한 명시적 공식을 도출하기 위해.
• 스펙트럼 불확정성으로 인해 기존 프레임워크를 확장하기 위해 최소최대-로버스트 추정 기법을 적용하여, 최악의 스펙트럼 밀도 가정 하에서도 최적 성능을 확보하기 위해.
• 네 가지 특정 유형의 허용 가능한 스펙트럼 밀도에 대해 최악의 상황을 초래하는 스펙트럼 밀도와 최소최대-로버스트 스펙트럼 특성을 규명하기 위해.
• 허용 가능한 스펙트럼 밀도 집합 내에서 최악의 상황을 고려한 필터링 기능에 대한 체계적인 해결책을 제공하기 위해, 힐버트 공간 투영과 스펙트럼 분해 기법을 사용한다.

제안 방법

• 두 번째 모멘트가 유한한 영점 평균 랜덤 변수의 공간에서 힐버트 공간 투영 기법을 사용하여 최적 선형 추정을 유도한다.
• 정규직교 스토케스티크 측도 Zξ(dλ)와 Zη(dλ)를 활용한 다차원 정상 시계열의 스펙트럼 분해를 통해 주파수 도메인에서 기능과 관측값을 표현한다.
• 최소 평균제곱 오차를 보장하기 위해 L2(F + G) 공간 내의 제약 조건이 있는 최적화 문제의 해로 최적 추정의 스펙트럼 특성 h(eiλ)를 유도한다.
• 허용 가능한 스펙트럼 밀도 집합 위에서 최적화 문제를 설정하여 최소최대-로버스트 접근법을 적용하고, 최악의 경우 오차를 최소화한다.
• 라그랑주 승수와 부호 함수를 활용하여, 하위미분 포함식 0 ∈ ∂∆D(F⁰, G⁰)를 풀어 최악의 스펙트럼 밀도 F⁰(λ)와 G⁰(λ)에 대한 명시적 공식을 도출한다.
• 오차 기능 ∆(h; F, G)의 구조를 활용하여 최적성의 필요 조건을 도출하고, F⁰(λ) + G⁰(λ), 스펙트럼 밀도의 범위, 활성 제약 조건을 나타내는 지표 함수를 포함하는 행렬 방정식을 유도한다.

실험 결과

연구 질문

• RQ1 관측값이 누락되고 노이즈에 오염된 다차원 정상 시계열의 관측되지 않은 값에 의존하는 기능의 평균제곱 최적 선형 추정을 어떻게 계산할 수 있는가?
• RQ2 신호와 노이즈의 스펙트럼 밀도가 정확히 알려진 경우, 최적 추정의 스펙트럼 특성과 평균제곱 오차에 대한 명시적 공식은 무엇인가?
• RQ3 스펙트럼 밀도에 대한 불확실성으로 인해 필터링 문제를 어떻게 강건하게 만들 수 있는가? 특히, 스펙트럼 밀도의 범위나 허용 가능한 집합만 알려진 경우에 대해.
• RQ4 특정 허용 가능한 스펙트럼 밀도 집합(예: 트레이스 유계, 대각선 유계, 행렬 노름 유계, 요소별 유계)에서 최악의 상황을 초래하는 스펙트럼 밀도는 무엇인가?
• RQ5 주어진 허용 가능한 집합 내에서 최악의 스펙트럼 밀도를 고려할 때 최적 성능을 보장하는 최소최대-로버스트 스펙트럼 특성의 구조는 어떠한가?

주요 결과

• 스펙트럼 확정성 하에서 최적 추정의 스펙트럼 특성 h(eiλ)는 힐버트 공간 내 투영을 통해 유도되며, 평균제곱 오차는 A(eiλ)와 h(eiλ)를 포함하는 스펙트럼 적분으로 주어진다.
• 클래스 D₁δ × DU₁V에 대해 최악의 스펙트럼 밀도 G⁰(λ)는 (r₀ᴳ(λ))∗(r₀ᴳ(λ))⊤ = α²γ(λ)(F⁰(λ) + G⁰(λ))² 를 만족하며, |γ(λ)| ≤ 1 이고, Tr(F⁰(λ) − F₁(λ)) 및 Tr(G⁰(λ)) 유계 조건을 포함한다.
• 클래스 D₂δ × DU₂V에 대해 최악의 G⁰(λ)는 (r₀ᴳ(λ))∗(r₀ᴳ(λ))⊤ = (F⁰(λ) + G⁰(λ)) {α²kγk(λ)δkl} (F⁰(λ) + G⁰(λ)) 를 만족하며, γk(λ) = sign(f⁰kk(λ) − f₁kk(λ)) 이고 대각선 제약 조건이 있다.
• 클래스 D₃δ × DU₃V에 대해 최악의 G⁰(λ)는 (r₀ᴳ(λ))∗(r₀ᴳ(λ))⊤ = α²γ′(λ)(F⁰(λ) + G⁰(λ))B₁⊤(F⁰(λ) + G⁰(λ)) 를 만족하며, γ′(λ) = sign⟨B₁, F⁰(λ) − F₁(λ)⟩ 이고 행렬 내적 제약 조건이 있다.
• 클래스 D₄δ × DU₄V에 대해 최악의 G⁰(λ)는 (r₀ᴳ(λ))∗(r₀ᴳ(λ))⊤ = (F⁰(λ) + G⁰(λ)) {αijγij(λ)} (F⁰(λ) + G⁰(λ)) 를 만족하며, γij(λ) = sign(f⁰ij(λ) − f₁ij(λ)) 이고 요소별 유계 조건이 있다.
• 모든 클래스에서 최소최대-로버스트 스펙트럼 특성은 공식 (11)에 의해 일관되게 결정되며, 이는 최악의 스펙트럼 밀도 가정 하에서도 강건성을 보장한다.