본문 바로가기

Signal Processing4

웨이블릿 변환(Wavelet Transform)의 역사 및 이론적 배경 1. 개요 (Introduction)웨이블릿 변환(Wavelet Transform, WT)은 신호 처리, 영상 압축, 수치 해석 등 현대 공학 및 과학 분야에서 가장 혁신적인 도구 중 하나로 자리 잡았습니다. 기존의 푸리에 변환(Fourier Transform)이 가진 시간 국부성(Time Locality) 결여 문제를 해결하며 등장한 웨이블릿은, "작은 파동"이라는 의미처럼 짧은 시간 동안 진동하는 함수를 사용하여 신호를 분석합니다. 본 내용에서는 웨이블릿의 태동부터 현대적 정립에 이르는 역사를 상세한 수식과 이론적 배경을 바탕으로 고찰합니다.2. 푸리에 분석의 한계와 배경 (Historical Context)웨이블릿의 역사를 이해하기 위해서는 먼저 **푸리에 분석(Fourier Analysis)**의.. 2026. 2. 27.
가속도계와 자이로 융합: 칼만 필터로 구현하는 자세 추정 1. 개요IMU(Inertial Measurement Unit)는 가속도계와 자이로스코프를 결합하여 물체의 움직임과 자세를 추정하는 핵심 센서입니다. 그러나 각 센서에는 뚜렷한 한계가 있습니다.가속도계: 중력 방향을 기준으로 각도를 얻을 수 있지만, 진동이나 외란에 취약합니다.자이로스코프: 각속도를 적분해 부드러운 자세 변화를 제공하지만, 시간이 지남에 따라 누적 오차(드리프트)가 발생합니다.이러한 한계를 극복하기 위해 두 센서의 장점을 결합하는 센서 융합(Sensor Fusion) 기법이 필요합니다. 그 대표적인 방법이 바로 칼만 필터(Kalman Filter)입니다. 본 글에서는 칼만 필터의 기본 원리와 수식, 그리고 실제 코드 구현 과정을 연결해 설명하며, 이를 통해 IMU 기반 자세 추정이 어떻게.. 2025. 9. 1.
칼만 필터 이론과 수식, 한계 및 EKF·UKF·파티클 필터 대안 칼만 필터(Kalman Filter, KF)는 동적 시스템에서 관측 노이즈가 존재하는 상황에서도 시스템의 상태를 최적 추정하는 재귀적 알고리즘입니다. 선형 시스템과 가우시안 노이즈를 가정할 때, 최소 평균 제곱 오차(MMSE)를 달성할 수 있습니다. 항공우주, 로보틱스, 경제, 신호 처리 등 다양한 분야에서 널리 활용되며, EKF, UKF, 파티클 필터와 같은 확장 기법은 비선형 또는 비가우시안 환경에서도 적용 가능합니다.칼만 필터의 핵심 목표는 예측(Prediction)과 갱신(Update) 과정을 반복하며, 과거 관측과 시스템 모델을 결합해 현재 상태를 추정하는 것입니다.1. 이론적 배경칼만 필터(Kalman Filter)는 선형 동적 시스템에서 노이즈가 포함된 관측 데이터를 이용해 상태를 최적으로 .. 2025. 9. 1.
AI 기반 압력 센서 온도 보정: 딥러닝으로 정확도 높이기(AI-Based Pressure Sensor Temperature Compensation: Enhancing Accuracy with Deep Learning) 1. 압력 센서 온도 보정의 원리와 중요성(Importance and Principles of Pressure Sensor Temperature Compensation)압력 센서 온도 보정은 센서의 정확한 데이터를 얻기 위해 필수적인 기술입니다. 압력 센서는 자동차, 산업 제어, 의료 기기 등 다양한 분야에서 사용되지만, 온도 변화에 따라 출력값(ADC, LSB 단위)이 비선형적으로 변동합니다. 이는 센서의 재료 특성(예: 피에조 저항 효과)이나 전자 회로의 온도 의존성 때문입니다.(Temperature compensation for pressure sensors is an essential technique to obtain accurate data. Pressure sensors are used in.. 2025. 8. 22.

티스토리툴바