(low-pass filter)
: 저주파 신호는 통과시키고 고주파 신호는 걸러내는 필터
저주파 통과 필터 중 가장 간단한 1차(first order) 저주파 통과 필터를 살펴보자!
이동평균 필터를 실제로 사용해보면, 잡음을 제거하면서 변화 추이를 반영하는 게 쉽지 않다.
🤔 왜 그럴까?
먼저 이동평균 정의를 별도의 항으로 풀어써보자.
위의 식을 보면 모든 데이터에 동일한 가중치(1/n)을 부여한다. 가장 최근의 데이터(x_k)와 가장 오래된 데이터(x_k-n+1)를 같은 비중으로 평균에 반영하는 것!
➡️ 이동평균 필터를 변화가 심한 신호에 적용하면, 잡음 제거와 변화 민감성을 동시에 달성하기 어렵다.
따라서 이동평균 필터의 장점과 한계를 정확히 알고 적재적소에 적용하는 것이 중요!
이동평균 필터의 단점을 보완하기 위해 최근 측정값에는 높은 가중치를 주고, 오래된 값일수록 가중치를 낮게 주는 방법을 시도해보자!
1장) 재귀 필터 - 1. 평균 필터가 위와 같은 형태였다.
추정값(estimated value)
이라고 부르자!0<α<1이기 때문에 α(1-α) < (1-α)
➡️ 즉, 최근 측정값(x_k)이 이전 측정값(x_k-1)보다 더 큰 가중치를 부여 받아 추정값에 반영되고 있음을 알 수 있다.
저주파 통과 필터는 오래된 측정값일수록 더 작은 가중치를 부여하는 필터라는 것을 증명했다.
➡️ 이러한 가중치 차별화 덕분에 저주파 통과 필터는 잡음 제거와 변화 민감성이라는 상충되는 요구를 이동평균 필터보다 더 잘 충족시킨다. 또한 공식도 더 간단하다.
1차 저주파 통과 필터를 지수 가중(exponentially weighted) 이동평균 필터
라고도 부른다.
오래된 데이터일수록 기하급수적으로 가중치를 낮게 부여하여 이동평균을 계산한다는 의미!
LPF(x)
라는 1차 저주파 통과 필터 함수는 측정 데이터(x)를 받아 추정값을 반환한다.
앞 장의 이동평균 필터와 동일한 예제를 통해 저주파 통과 필터의 성능을 검증해보자!
위는 저주파 통과 필터의 추정값과 측정 데이터를 비교한 그래프이다.
하지만 모든 경우에서 항상 저주파 통과 필터가 이동평균 필터보다 시간 지연이 적은 것은 아니다.
➡️ 측정 데이터의 특성에 알맞게 α를 선정했는지가 중요!
1차 저주파 통과 필터의 α는 이동평균 필터의 데이터 개수(n)와 비슷한 역할을 해서, 이 값으로 잡음 제거와 변화 추종 성능을 절충할 수 있다.
α에 따라 1차 저주파 통과 필터의 추정값이 어떻게 바뀌는지 살펴보자!
위 그림의 왼쪽은 α=0.4, 오른쪽은 α=0.9일 때의 추정값을 나타낸 그래프이다.
=> α가 작은 값으면 잡음이 더 많고, α가 크면 잡음은 줄어드는 대신 시간 지연이 더 커졌다.
🤔 왜 그럴까?
1차 저주파 통과 필터 수식을 보면 α가 작으면 1-α가 상대적으로 더 커진다.
➡️ 추정값 계산에 측정값이 더 많이 반영되는 것
➡️ 잡음 제거보다 측정값의 변화에 더 민감해진다.
참고)
이동평균의 한계 그림: 칼만 필터는 어렵지 않아 p.30
1차 저주파 통과 필터의 재귀식 그림