최소평균제곱 적응필터링 (Least Mean Squares Adaptive Filtering)
쉽게 풀면
과녁을 향해 화살을 쏘고, 빗나간 정도를 보고 다음 화살을 쏠 때 조준을 조금씩 수정해 나가는 과정과 비슷합니다. LMS 알고리즘은 필터의 출력과 원하는 값 사이의 오차를 계산한 뒤, 그 오차가 줄어드는 방향으로 필터 계수를 아주 조금씩 갱신합니다. 이 과정을 반복하면 필터가 점점 최적의 계수에 가까워지며, 환경이 변해도 계속 따라가며 적응할 수 있습니다.
왜 중요한가
통신 채널이나 잡음 환경이 시간에 따라 변하는 실제 상황에서는 고정된 필터로는 대응하기 어렵습니다. LMS는 구조가 간단하고 계산량이 적으면서도 변화하는 환경에 스스로 맞춰간다는 점에서 반향 제거, 채널 등화, 잡음 제거 등 다양한 실시간 응용에서 널리 사용됩니다.
논문에서는 이렇게 쓰입니다
시간에 따라 변하는 통신 채널을 보상하는 데 LMS가 사용되는 예입니다.
LMS의 변형 알고리즘이 성능 개선에 사용되는 예입니다.
조금 더 깊게 보면
LMS는 실제 오차의 기댓값을 정확히 계산하는 대신 순간 오차의 제곱을 이용해 근사적으로 경사하강을 수행하는 방식입니다. 계수 갱신 속도를 조절하는 스텝 크기가 너무 크면 발산할 수 있고 너무 작으면 수렴이 느려지므로, 이 값의 선택이 성능에 큰 영향을 미칩니다. 수렴 속도를 개선한 정규화 LMS 등 다양한 변형이 존재합니다. LMS 알고리즘의 수렴 속도와 안정성은 입력 신호의 자기상관 행렬의 고유값 분포에 영향을 받는데, 고유값들의 차이가 크게 벌어져 있는 입력일수록 일반적으로 수렴 속도가 느려지는 경향이 있습니다. 입력 신호의 전력에 따라 스텝 크기를 자동으로 조절하는 정규화 LMS는 신호 크기가 변하는 환경에서도 비교적 일정한 수렴 특성을 유지하도록 돕습니다.
주의할 점
LMS는 구조는 간단하지만 수렴 속도가 상대적으로 느릴 수 있으며, 입력 신호의 통계적 특성에 따라 수렴 성능이 달라질 수 있습니다. 스텝 크기 설정이 부적절하면 성능이 크게 저하될 수 있습니다. 부호-데이터 LMS나 부호-오차 LMS 같은 단순화된 변형은 하드웨어 구현 부담을 크게 줄여주지만, 원래 LMS보다 수렴 성능이 다소 저하되는 경향이 있어 응용 요구에 맞춰 선택해야 합니다.