신호처리 & 제어시스템 완전 가이드: 푸리에 변환부터 PID 제어까지

• 1. 신호와 시스템 기초
  • 1.1 신호의 분류
  • 1.2 기본 신호
  • 1.3 선형 시불변(LTI) 시스템
  • 1.4 컨볼루션
• 2. 푸리에 급수 (Fourier Series)
  • 2.1 주기 신호의 푸리에 급수
  • 2.2 구형파(Square Wave) 예제
  • 2.3 파셀발 정리
• 3. 푸리에 변환 (Fourier Transform)
  • 3.1 연속 푸리에 변환 (CTFT)
  • 3.2 중요 변환 쌍
  • 3.3 푸리에 변환 성질
  • 3.4 Python으로 푸리에 변환 계산
• 4. 이산 푸리에 변환 (DFT) & FFT
  • 4.1 이산 시간 푸리에 변환 (DTFT)
  • 4.2 DFT 정의
  • 4.3 FFT 알고리즘
  • 4.4 스펙트럼 분석 예제
  • 4.5 샘플링 정리 (Nyquist-Shannon)
• 5. 라플라스 변환 (Laplace Transform)
  • 5.1 정의
  • 5.2 중요 변환 쌍
  • 5.3 전달 함수 (Transfer Function)
  • 5.4 2차 시스템 표준형
• 6. Z-변환
  • 6.1 정의
  • 6.2 Z-변환과 라플라스 변환의 관계
  • 6.3 안정성 분석
  • 6.4 중요 Z-변환 쌍
• 7. 디지털 필터 설계
  • 7.1 FIR vs IIR 필터
  • 7.2 필터 유형
  • 7.3 필터 설계 함수
  • 7.4 scipy.signal을 이용한 필터 설계
  • 7.5 FIR 필터 설계 (Window Method)
• 8. 제어시스템 기초
  • 8.1 개루프 vs 폐루프 제어
  • 8.2 안정성: 루스-허비츠 기준
  • 8.3 보데 선도 (Bode Plot)
• 9. PID 제어기
  • 9.1 PID 제어 동작
  • 9.2 지글러-니콜스 튜닝
  • 9.3 Python으로 PID 시뮬레이션
• 10. 상태 공간 표현 (State Space)
  • 10.1 상태 방정식
  • 10.2 가관측성과 가제어성
  • 10.3 선형 이차 조절기 (LQR)
• 11. AI/ML과 신호처리
  • 11.1 CNN for 1D Signal
  • 11.2 STFT와 Mel-Spectrogram
  • 11.3 신호처리 + 딥러닝 응용 사례
• 12. 퀴즈
• 참고 문헌

1. 신호와 시스템 기초

1.1 신호의 분류

신호(Signal)는 정보를 전달하는 물리적 양의 변화입니다. 기본 분류는 다음과 같습니다.

연속시간 신호 vs 이산시간 신호

연속시간 신호(CT Signal)는 모든 시간 $t \in \mathbb{R}$에서 정의됩니다. 예: 아날로그 음성 신호 $x(t) = A\cos(\omega_0 t + \phi)$

이산시간 신호(DT Signal)는 정수 인덱스 $n \in \mathbb{Z}$에서만 정의됩니다. 예: 디지털 오디오 샘플 $x[n]$

에너지 신호와 전력 신호

신호의 에너지 $E$와 평균 전력 $P$:

$E = \int_{-\infty}^{\infty} |x(t)|^2 \, dt$

$P = \lim_{T \to \infty} \frac{1}{2T} \int_{-T}^{T} |x(t)|^2 \, dt$

$E < \infty$이면 에너지 신호, $0 < P < \infty$이면 전력 신호입니다.

1.2 기본 신호

단위 임펄스(Unit Impulse)

$\delta(t) = \begin{cases} \infty & t = 0 \\ 0 & t \neq 0 \end{cases}, \quad \int_{-\infty}^{\infty} \delta(t) \, dt = 1$

체(Sifting) 성질: $\int_{-\infty}^{\infty} x(t)\delta(t - t_0) \, dt = x(t_0)$

단위 계단(Unit Step)

$u(t) = \begin{cases} 1 & t \geq 0 \\ 0 & t < 0 \end{cases}$

$u(t) = \int_{-\infty}^{t} \delta(\tau) \, d\tau$ 관계가 성립합니다.

1.3 선형 시불변(LTI) 시스템

LTI 시스템은 두 가지 핵심 성질을 만족합니다.

• 선형성(Linearity): $\mathcal{T}\{ax_1(t) + bx_2(t)\} = a\mathcal{T}\{x_1(t)\} + b\mathcal{T}\{x_2(t)\}$
• 시불변성(Time Invariance): $y(t) = \mathcal{T}\{x(t)\} \Rightarrow \mathcal{T}\{x(t-t_0)\} = y(t-t_0)$

1.4 컨볼루션

LTI 시스템의 출력은 입력과 임펄스 응답의 컨볼루션으로 표현됩니다.

$y(t) = x(t) * h(t) = \int_{-\infty}^{\infty} x(\tau) h(t - \tau) \, d\tau$

이산시간의 경우:

$y[n] = x[n] * h[n] = \sum_{k=-\infty}^{\infty} x[k] h[n - k]$

컨볼루션은 교환법칙, 결합법칙, 분배법칙을 만족합니다.

2. 푸리에 급수 (Fourier Series)

2.1 주기 신호의 푸리에 급수

주기 $T_0$를 갖는 신호 $x(t)$는 복소 지수 함수의 합으로 표현됩니다. 기본 주파수는 $\omega_0 = 2\pi/T_0$입니다.

$x(t) = \sum_{k=-\infty}^{\infty} c_k e^{jk\omega_0 t}$

푸리에 계수:

$c_k = \frac{1}{T_0} \int_{T_0} x(t) e^{-jk\omega_0 t} \, dt$

2.2 구형파(Square Wave) 예제

진폭 A, 주기 T, 듀티 사이클 50%인 구형파의 푸리에 계수:

$c_k = \begin{cases} A/2 & k = 0 \\ \frac{A}{k\pi} \sin\left(\frac{k\pi}{2}\right) & k \neq 0 \end{cases}$

홀수 고조파만 존재하며, 고차 고조파일수록 진폭이 감소합니다. 기브스 현상(Gibbs Phenomenon)이 불연속점 근방에서 나타납니다.

2.3 파셀발 정리

$\frac{1}{T_0} \int_{T_0} |x(t)|^2 \, dt = \sum_{k=-\infty}^{\infty} |c_k|^2$

시간 영역의 평균 전력과 주파수 영역의 계수 제곱합이 같습니다.

3. 푸리에 변환 (Fourier Transform)

3.1 연속 푸리에 변환 (CTFT)

비주기 신호에 대한 푸리에 변환 쌍:

$X(j\omega) = \int_{-\infty}^{\infty} x(t) e^{-j\omega t} \, dt \quad \text{(정변환)}$

$x(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(j\omega) e^{j\omega t} \, d\omega \quad \text{(역변환)}$

3.2 중요 변환 쌍

3.3 푸리에 변환 성질

• 선형성: $ax_1(t) + bx_2(t) \leftrightarrow aX_1(j\omega) + bX_2(j\omega)$
• 시간 이동: $x(t-t_0) \leftrightarrow e^{-j\omega t_0} X(j\omega)$
• 주파수 이동(변조): $e^{j\omega_0 t} x(t) \leftrightarrow X(j(\omega - \omega_0))$
• 컨볼루션 정리: $x(t)*h(t) \leftrightarrow X(j\omega)H(j\omega)$
• 곱셈 정리: $x(t)h(t) \leftrightarrow \frac{1}{2\pi}X(j\omega)*H(j\omega)$
• 미분: $\frac{dx}{dt} \leftrightarrow j\omega X(j\omega)$
• 파셀발: $\int|x(t)|^2 dt = \frac{1}{2\pi}\int|X(j\omega)|^2 d\omega$

3.4 Python으로 푸리에 변환 계산

import numpy as np
from scipy.fft import fft, ifft, fftfreq, fftshift
import matplotlib.pyplot as plt

# 구형파 신호 생성
fs = 1000       # 샘플링 주파수 (Hz)
T = 1.0         # 신호 길이 (초)
t = np.linspace(0, T, int(fs * T), endpoint=False)

# 구형파: 주기 0.1초 (10Hz)
from scipy.signal import square
x = square(2 * np.pi * 10 * t)

# FFT 계산
N = len(x)
X = fft(x)
freqs = fftfreq(N, 1/fs)

# 양측 스펙트럼 (정규화)
magnitude = np.abs(fftshift(X)) / N
freq_shifted = fftshift(freqs)

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(t[:100], x[:100])
plt.title('Square Wave (time domain)')
plt.xlabel('Time (s)')

plt.subplot(1, 2, 2)
plt.plot(freq_shifted, magnitude)
plt.xlim(-100, 100)
plt.title('Fourier Transform (frequency domain)')
plt.xlabel('Frequency (Hz)')
plt.tight_layout()
plt.show()

4. 이산 푸리에 변환 (DFT) & FFT

4.1 이산 시간 푸리에 변환 (DTFT)

이산 시간 신호 $x[n]$의 DTFT:

$X(e^{j\omega}) = \sum_{n=-\infty}^{\infty} x[n] e^{-j\omega n}$

역변환:

$x[n] = \frac{1}{2\pi} \int_{-\pi}^{\pi} X(e^{j\omega}) e^{j\omega n} \, d\omega$

DTFT는 주파수 $\omega$가 연속적이며 $2\pi$ 주기를 갖습니다.

4.2 DFT 정의

$N$점 DFT는 DTFT를 $N$개 주파수에서 균등 샘플링한 것입니다.

$X[k] = \sum_{n=0}^{N-1} x[n] e^{-j2\pi kn/N}, \quad k = 0, 1, \ldots, N-1$

역 DFT:

$x[n] = \frac{1}{N} \sum_{k=0}^{N-1} X[k] e^{j2\pi kn/N}, \quad n = 0, 1, \ldots, N-1$

4.3 FFT 알고리즘

직접 DFT 계산 복잡도는 $O(N^2)$이지만, FFT(Cooley-Tukey 알고리즘)는 $O(N \log N)$입니다. $N = 2^m$일 때 분할 정복(Divide and Conquer)으로 구현합니다.

회전 인수(Twiddle Factor): $W_N^k = e^{-j2\pi k/N}$

4.4 스펙트럼 분석 예제

import numpy as np
from scipy.fft import fft, fftfreq
import matplotlib.pyplot as plt

# 신호 생성: 50Hz + 120Hz 복합 신호
fs = 1000           # 샘플링 주파수 (Hz)
N = fs              # 샘플 수 (1초)
t = np.linspace(0, 1, N, endpoint=False)

# 복합 신호 (노이즈 포함)
signal = (np.sin(2 * np.pi * 50 * t)
          + 0.5 * np.sin(2 * np.pi * 120 * t)
          + 0.2 * np.random.randn(N))

# FFT 계산
yf = fft(signal)
xf = fftfreq(N, 1/fs)

# 단측 스펙트럼 (양수 주파수만)
half = N // 2
amplitude = 2.0 / N * np.abs(yf[:half])
freq_pos = xf[:half]

plt.figure(figsize=(10, 4))
plt.plot(freq_pos, amplitude)
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.title('Single-Sided Amplitude Spectrum')
plt.axvline(x=50, color='r', linestyle='--', label='50 Hz')
plt.axvline(x=120, color='g', linestyle='--', label='120 Hz')
plt.legend()
plt.grid(True)
plt.show()

# 주파수 해상도: delta_f = fs / N = 1 Hz
print(f"Frequency resolution: {fs/N} Hz")
print(f"Nyquist frequency: {fs/2} Hz")

4.5 샘플링 정리 (Nyquist-Shannon)

샘플링 주파수 $f_s$가 신호의 최대 주파수 $f_{max}$의 두 배 이상이어야 에일리어싱(Aliasing) 없이 복원 가능합니다.

$f_s \geq 2 f_{max} \quad \text{(Nyquist 조건)}$

5. 라플라스 변환 (Laplace Transform)

5.1 정의

양측(Bilateral) 라플라스 변환:

$X(s) = \int_{-\infty}^{\infty} x(t) e^{-st} \, dt, \quad s = \sigma + j\omega$

단측(Unilateral) 라플라스 변환:

$X(s) = \int_{0^-}^{\infty} x(t) e^{-st} \, dt$

5.2 중요 변환 쌍

5.3 전달 함수 (Transfer Function)

LTI 시스템의 입출력 관계를 s-영역에서 표현:

$H(s) = \frac{Y(s)}{X(s)} = \frac{b_m s^m + b_{m-1} s^{m-1} + \cdots + b_0}{a_n s^n + a_{n-1} s^{n-1} + \cdots + a_0}$

극점(Poles): $H(s) \to \infty$가 되는 $s$ 값 (분모 = 0)

영점(Zeros): $H(s) = 0$이 되는 $s$ 값 (분자 = 0)

극점의 위치가 시스템 안정성을 결정합니다. 모든 극점이 좌반 s-평면(LHP)에 있으면 BIBO 안정합니다.

5.4 2차 시스템 표준형

$H(s) = \frac{\omega_n^2}{s^2 + 2\zeta\omega_n s + \omega_n^2}$

• $\omega_n$: 자연 주파수(Natural Frequency)
• $\zeta$: 감쇠비(Damping Ratio)
  • $\zeta < 1$: 부족 감쇠(Underdamped) — 진동 응답
  • $\zeta = 1$: 임계 감쇠(Critically Damped) — 가장 빠른 무진동
  • $\zeta > 1$: 과감쇠(Overdamped) — 느린 무진동

6. Z-변환

6.1 정의

이산시간 신호 $x[n]$의 Z-변환:

$X(z) = \sum_{n=-\infty}^{\infty} x[n] z^{-n}, \quad z \in \mathbb{C}$

$z = e^{j\omega}$ (단위 원 위)로 치환하면 DTFT와 동일합니다.

6.2 Z-변환과 라플라스 변환의 관계

연속시간 시스템을 샘플링 주기 $T_s$로 이산화할 때:

$z = e^{sT_s}$

이 관계로 s-평면과 z-평면이 대응됩니다.

• s-평면의 허수축 $\leftrightarrow$ z-평면의 단위 원
• s-평면의 좌반면 $\leftrightarrow$ z-평면의 단위 원 내부

6.3 안정성 분석

이산시간 시스템이 안정하려면 모든 극점이 단위 원 내부에 있어야 합니다.

$|z_i| < 1 \quad \text{모든 극점에 대해}$

6.4 중요 Z-변환 쌍

7. 디지털 필터 설계

7.1 FIR vs IIR 필터

FIR (Finite Impulse Response) 필터

$y[n] = \sum_{k=0}^{M} b_k x[n-k]$

• 임펄스 응답이 유한 길이
• 항상 안정 (피드백 없음)
• 선형 위상 구현 가능
• 급격한 차단 특성을 위해 높은 차수 필요

IIR (Infinite Impulse Response) 필터

$y[n] = \sum_{k=0}^{M} b_k x[n-k] - \sum_{k=1}^{N} a_k y[n-k]$

• 피드백 포함, 임펄스 응답 무한
• 낮은 차수로 급격한 차단 특성
• 위상 비선형 (위상 왜곡 발생 가능)
• 설계 불량 시 불안정

7.2 필터 유형

• 저역통과 (LPF): 낮은 주파수 통과, 높은 주파수 차단
• 고역통과 (HPF): 높은 주파수 통과, 낮은 주파수 차단
• 대역통과 (BPF): 특정 주파수 대역만 통과
• 대역저지 (BEF/Notch): 특정 주파수 대역 차단

7.3 필터 설계 함수

버터워스(Butterworth): 통과대역에서 최대한 평탄한 응답

체비셰프(Chebyshev) I형: 통과대역에 리플 허용, 더 급격한 차단

타원(Elliptic): 통과대역과 저지대역 모두 리플, 최소 차수로 최대 감쇠

7.4 scipy.signal을 이용한 필터 설계

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt

# 샘플링 주파수
fs = 1000  # Hz

# 버터워스 저역통과 필터 (4차, 차단 주파수 100Hz)
nyq = fs / 2
cutoff = 100 / nyq  # 정규화된 주파수 (0~1)
b_butter, a_butter = signal.butter(N=4, Wn=cutoff, btype='low')

# 체비셰프 I형 (4차, 1dB 리플, 차단 주파수 100Hz)
b_cheby, a_cheby = signal.cheby1(N=4, rp=1, Wn=cutoff, btype='low')

# 주파수 응답 계산
w, h_butter = signal.freqz(b_butter, a_butter, fs=fs)
w, h_cheby = signal.freqz(b_cheby, a_cheby, fs=fs)

plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(w, 20 * np.log10(np.abs(h_butter)), label='Butterworth')
plt.plot(w, 20 * np.log10(np.abs(h_cheby)), label='Chebyshev I')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Magnitude (dB)')
plt.title('Filter Frequency Response')
plt.legend()
plt.grid(True)
plt.ylim(-80, 5)

# 노이즈가 낀 신호 필터링
t = np.linspace(0, 1, fs, endpoint=False)
clean = np.sin(2 * np.pi * 50 * t)
noisy = clean + 0.5 * np.sin(2 * np.pi * 300 * t)
filtered = signal.filtfilt(b_butter, a_butter, noisy)

plt.subplot(1, 2, 2)
plt.plot(t[:200], noisy[:200], alpha=0.5, label='Noisy')
plt.plot(t[:200], filtered[:200], label='Filtered')
plt.xlabel('Time (s)')
plt.legend()
plt.title('Filtering Result')
plt.tight_layout()
plt.show()

7.5 FIR 필터 설계 (Window Method)

from scipy.signal import firwin, freqz

# Hamming 윈도우를 사용한 FIR LPF
# 탭 수 = 51, 차단 주파수 = 100Hz
numtaps = 51
cutoff_hz = 100
b_fir = firwin(numtaps, cutoff_hz / (fs/2), window='hamming')

# 주파수 응답
w_fir, h_fir = freqz(b_fir, [1.0], fs=fs)
print(f"FIR filter order: {numtaps - 1}")
print(f"Linear phase: True (symmetric coefficients)")

8. 제어시스템 기초

8.1 개루프 vs 폐루프 제어

개루프(Open-Loop) 제어: 출력이 제어 동작에 영향을 주지 않습니다. 단순하지만 외란이나 모델 오차에 취약합니다.

폐루프(Closed-Loop) 제어: 출력을 측정하여 기준 입력과 비교하고 오차를 최소화합니다. 피드백(Feedback)으로 강인성이 높습니다.

기본 피드백 루프:

$\frac{Y(s)}{R(s)} = \frac{G(s)}{1 + G(s)H(s)}$

여기서 $G(s)$는 플랜트(Plant), $H(s)$는 센서 전달 함수입니다.

8.2 안정성: 루스-허비츠 기준

특성 방정식 $1 + G(s)H(s) = 0$의 근이 모두 좌반 s-평면에 있으면 안정합니다.

루스 배열(Routh Array)을 이용하여 계수만으로 극점 위치를 판별합니다. 첫 열의 부호 변화 횟수가 우반면 극점 수와 같습니다.

8.3 보데 선도 (Bode Plot)

주파수 응답 $H(j\omega)$를 로그 스케일로 표현합니다.

• 이득 선도: $20\log_{10}|H(j\omega)|$ [dB] vs $\log_{10}\omega$
• 위상 선도: $\angle H(j\omega)$ [도] vs $\log_{10}\omega$

안정도 여유:

• 위상 여유(Phase Margin, PM): 이득이 0 dB일 때 위상이 -180도에서 얼마나 여유가 있는지
• 이득 여유(Gain Margin, GM): 위상이 -180도일 때 이득이 0 dB에서 얼마나 여유가 있는지

PM > 45도, GM > 6 dB이면 일반적으로 안정한 시스템으로 봅니다.

from scipy import signal
import matplotlib.pyplot as plt
import numpy as np

# 2차 시스템 전달 함수: H(s) = 10 / (s^2 + 2s + 10)
num = [10]
den = [1, 2, 10]
sys = signal.TransferFunction(num, den)

# 보데 선도
w, mag, phase = signal.bode(sys)

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 6))

ax1.semilogx(w, mag)
ax1.set_ylabel('Magnitude (dB)')
ax1.set_title('Bode Plot')
ax1.grid(True, which='both')

ax2.semilogx(w, phase)
ax2.set_ylabel('Phase (degrees)')
ax2.set_xlabel('Frequency (rad/s)')
ax2.grid(True, which='both')

plt.tight_layout()
plt.show()

9. PID 제어기

9.1 PID 제어 동작

PID 제어기는 세 가지 동작의 합입니다.

$u(t) = K_p e(t) + K_i \int_0^t e(\tau) d\tau + K_d \frac{de(t)}{dt}$

여기서 $e(t) = r(t) - y(t)$는 오차 신호입니다.

• 비례(P) 제어: 현재 오차에 비례한 제어 출력. 빠른 응답이지만 정상상태 오차 잔존.
• 적분(I) 제어: 누적 오차를 제거하여 정상상태 오차를 0으로. 응답 느려짐.
• 미분(D) 제어: 오차 변화율에 반응하여 오버슈트 억제. 노이즈에 민감.

전달 함수:

$C(s) = K_p + \frac{K_i}{s} + K_d s = K_p\left(1 + \frac{1}{T_i s} + T_d s\right)$

9.2 지글러-니콜스 튜닝

방법 1 (개루프 스텝 응답):

공정 응답 곡선에서 지연 시간 $L$과 시정수 $T$를 구한 후:

방법 2 (폐루프 한계 감도):

$K_i = K_d = 0$으로 놓고 $K_p$를 증가시켜 지속 진동이 일어나는 임계 이득 $K_u$와 진동 주기 $T_u$를 구합니다.

9.3 Python으로 PID 시뮬레이션

import numpy as np
import matplotlib.pyplot as plt

class PIDController:
    def __init__(self, kp, ki, kd, dt):
        self.kp = kp
        self.ki = ki
        self.kd = kd
        self.dt = dt
        self.integral = 0.0
        self.prev_error = 0.0

    def update(self, setpoint, measured):
        error = setpoint - measured
        self.integral += error * self.dt
        derivative = (error - self.prev_error) / self.dt
        output = self.kp * error + self.ki * self.integral + self.kd * derivative
        self.prev_error = error
        return output

# 1차 플랜트: dy/dt = -y + u (시정수 1초)
def plant_step(y, u, dt):
    return y + dt * (-y + u)

# 시뮬레이션 파라미터
dt = 0.01
t = np.arange(0, 10, dt)
setpoint = 1.0

# PID 게인 설정 (지글러-니콜스 기반 튜닝)
pid = PIDController(kp=2.0, ki=1.0, kd=0.5, dt=dt)
y = 0.0
y_list = []

for _ in t:
    u = pid.update(setpoint, y)
    u = np.clip(u, -10, 10)   # 액추에이터 포화 제한
    y = plant_step(y, u, dt)
    y_list.append(y)

plt.figure(figsize=(10, 4))
plt.plot(t, y_list, label='Plant Output')
plt.axhline(setpoint, color='r', linestyle='--', label='Setpoint')
plt.xlabel('Time (s)')
plt.ylabel('Output')
plt.title('PID Control Simulation')
plt.legend()
plt.grid(True)
plt.show()

10. 상태 공간 표현 (State Space)

10.1 상태 방정식

연속시간 LTI 시스템의 상태 공간 표현:

$\dot{\mathbf{x}}(t) = \mathbf{A}\mathbf{x}(t) + \mathbf{B}\mathbf{u}(t)$ $\mathbf{y}(t) = \mathbf{C}\mathbf{x}(t) + \mathbf{D}\mathbf{u}(t)$

• $\mathbf{x}$: 상태 벡터 ($n \times 1$)
• $\mathbf{u}$: 입력 벡터 ($m \times 1$)
• $\mathbf{y}$: 출력 벡터 ($p \times 1$)
• $\mathbf{A}$: 시스템 행렬 ($n \times n$)
• $\mathbf{B}$: 입력 행렬 ($n \times m$)
• $\mathbf{C}$: 출력 행렬 ($p \times n$)
• $\mathbf{D}$: 직결 행렬 ($p \times m$)

전달 함수와의 관계: $H(s) = \mathbf{C}(s\mathbf{I} - \mathbf{A})^{-1}\mathbf{B} + \mathbf{D}$

10.2 가관측성과 가제어성

가제어성(Controllability): 임의의 초기 상태에서 유한 시간 내에 원하는 상태로 이동 가능한가?

가제어성 행렬 $\mathcal{C} = [\mathbf{B} \; \mathbf{AB} \; \mathbf{A}^2\mathbf{B} \; \cdots \; \mathbf{A}^{n-1}\mathbf{B}]$의 계수가 $n$이면 완전 가제어.

가관측성(Observability): 출력만으로 초기 상태를 결정 가능한가?

가관측성 행렬 $\mathcal{O} = [\mathbf{C}^T \; (\mathbf{CA})^T \; \cdots \; (\mathbf{CA}^{n-1})^T]^T$의 계수가 $n$이면 완전 가관측.

10.3 선형 이차 조절기 (LQR)

비용 함수를 최소화하는 최적 상태 피드백 제어:

$J = \int_0^{\infty} (\mathbf{x}^T \mathbf{Q} \mathbf{x} + \mathbf{u}^T \mathbf{R} \mathbf{u}) \, dt$

최적 제어 입력: $\mathbf{u}^* = -\mathbf{K}\mathbf{x}$

$\mathbf{Q}$는 상태 오차 가중치, $\mathbf{R}$은 제어 입력 에너지 가중치입니다.

import numpy as np
from scipy import linalg

# 이중 적분기 시스템 예제
# x'' = u (2차 시스템)
A = np.array([[0, 1], [0, 0]])
B = np.array([[0], [1]])
C = np.array([[1, 0]])
D = np.array([[0]])

# LQR 가중치
Q = np.diag([10, 1])  # 위치 오차를 더 중요시
R = np.array([[1]])

# 리카티 방정식 풀기
P = linalg.solve_continuous_are(A, B, Q, R)
K = np.linalg.inv(R) @ B.T @ P

print("LQR Gain K:", K)
print("Closed-loop poles:", np.linalg.eigvals(A - B @ K))

11. AI/ML과 신호처리

11.1 CNN for 1D Signal

1D 합성곱 신경망은 ECG, 지진 신호, 음성 등 시간 시리즈 신호의 패턴 인식에 뛰어납니다.

import torch
import torch.nn as nn

class Signal1DCNN(nn.Module):
    def __init__(self, num_classes=5):
        super().__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv1d(1, 32, kernel_size=7, padding=3),
            nn.BatchNorm1d(32),
            nn.ReLU(),
            nn.MaxPool1d(2),
            nn.Conv1d(32, 64, kernel_size=5, padding=2),
            nn.BatchNorm1d(64),
            nn.ReLU(),
            nn.MaxPool1d(2),
            nn.Conv1d(64, 128, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.AdaptiveAvgPool1d(8)
        )
        self.classifier = nn.Sequential(
            nn.Flatten(),
            nn.Linear(128 * 8, 256),
            nn.ReLU(),
            nn.Dropout(0.5),
            nn.Linear(256, num_classes)
        )

    def forward(self, x):
        x = self.conv_layers(x)
        return self.classifier(x)

# 사용 예시
model = Signal1DCNN(num_classes=5)
# 입력 형태: (batch_size, channels=1, sequence_length=1000)
x = torch.randn(8, 1, 1000)
output = model(x)
print("Output shape:", output.shape)  # (8, 5)

11.2 STFT와 Mel-Spectrogram

음성 AI에서는 신호를 시간-주파수 표현으로 변환한 후 CNN으로 처리하는 방법이 널리 사용됩니다.

import librosa
import librosa.display
import matplotlib.pyplot as plt
import numpy as np

# 오디오 로드
# y, sr = librosa.load('audio.wav', sr=22050)

# STFT (Short-Time Fourier Transform)
# D = librosa.stft(y)
# S_db = librosa.amplitude_to_db(np.abs(D), ref=np.max)

# Mel-Spectrogram
# mel_spec = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=128)
# mel_db = librosa.power_to_db(mel_spec, ref=np.max)

# MFCC (Mel-Frequency Cepstral Coefficients)
# mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)

print("STFT window: Hann window, hop_length=512, n_fft=2048")
print("Mel-filterbank: 128 mel bands, 0Hz ~ Nyquist")
print("MFCC: 13 coefficients commonly used for speech recognition")

11.3 신호처리 + 딥러닝 응용 사례

• ECG 부정맥 분류: 1D CNN + LSTM으로 심장 리듬 이상 감지
• 이상 진동 감지: FFT 특징 추출 후 오토인코더로 이상 탐지
• 음성 인식: MFCC + Transformer (Whisper, wav2vec 2.0)
• 지진 감지: 지진계 신호의 P파/S파 자동 분류
• 뇌파(EEG) 분석: 주파수 대역별 파워 스펙트럼으로 집중도/수면 상태 분류

12. 퀴즈

참고 문헌

1. Oppenheim, A. V. & Schafer, R. W. — Discrete-Time Signal Processing (3rd ed.), Prentice Hall, 2010
2. Ogata, K. — Modern Control Engineering (5th ed.), Prentice Hall, 2010
3. Proakis, J. G. & Manolakis, D. G. — Digital Signal Processing, Prentice Hall, 2007
4. SciPy Signal Processing Documentation — https://docs.scipy.org/doc/scipy/reference/signal.html
5. MIT OpenCourseWare 6.003 — Signals and Systems — https://ocw.mit.edu/courses/6-003-signals-and-systems-fall-2011/
6. NumPy FFT 문서 — https://numpy.org/doc/stable/reference/routines.fft.html