무선 신호처리 · 시계열 예측 · 온디바이스 ML
gwon99065@naver.com · Portfolio · Blog
- 동의대학교 컴퓨터공학과 학사 졸업 (2026.02)
- 전력·연산·대역폭이 제한된 환경에서 신호와 시계열을 다루는 문제에 집중
- 결과를 의심하는 것을 일의 출발점으로 삼습니다. 설명하지 못하는 결과는 좋은 결과가 아닐 확률이 높다고 생각합니다.
- 아래 세 프로젝트는 결과뿐 아니라, 그 결과가 성립하는 조건을 다시 확인한 기록까지 함께 정리했습니다.
- 언어: Python (주력), C / C++
- ML: PyTorch, TensorFlow, ONNX / ONNX Runtime, scikit-learn
- 신호처리: de-chirp, FFT, 오버샘플링, 복소 IQ 처리, STFT 스펙트로그램
- 시계열: 슬라이딩 윈도우 설계, 누수 없는 평가 분할, 시드 반복 측정
- 온디바이스: Raspberry Pi 배포·실측, LoRa(E22-900T22S / SX1262), SPI·UART, GPS·IMU
2025.03 – 06 · 캡스톤디자인 · 팀 4인 · 기여도 40% · 담당: 압축 모델 개발, 데이터 수집·전처리, 필드테스트
문제 저전력 장거리 무선(LPWAN) 환경에서는 페이로드가 짧을수록 공중 체류 시간이 줄어 전송 성공률이 오릅니다. 다만 센서 데이터를 그냥 잘라내면 정보가 사라지므로, 정보를 보존하면서 크기만 줄이는 방법이 필요했습니다.
한 것
- GPS·3축 가속도·3축 각속도·자세각 12차원 시계열을 다층 BAM으로 8차원 잠재 벡터에 인코딩
- float 직렬화 시 원본보다 커지는 문제를 확인하고, 운용 반경 안에서 변하지 않는 정수부와 계측 정밀도를 넘어서는 소수부를 절삭해 정수형으로 변환 → 32B → 20B (원본의 62.5%로 축소)
- 복원 오차 MSE 0.0037
- 송·수신 라즈베리파이 양단에서 압축·전송·복원 전 과정이 동작하는 파이프라인 구성
(
SF12 / BW125kHz / CR4:5 / 300bps, 송수신 거리 2.0–2.6km 실외 필드테스트, RSSI −101 ~ −104dBm)
다시 확인한 것
- MSE는 낮은데 복원된 GPS 좌표가 틀렸습니다. MSE는 12개 피처를 정규화 공간에서 평균한 값이라 변동 폭이 큰 IMU가 지표를 지배하고 GPS의 미세한 오차는 묻힙니다. 역스케일링하면 수백 미터가 됩니다. 평균 지표 하나로는 여러 종류의 값이 섞인 복원 품질을 판단할 수 없습니다.
- 전송 성공률 개선에 대한 정량 주장은 철회했습니다. 16B(32%)와 8B(35%)의 차이가 3%p에 그친 것이 이상해 Time-on-Air를 직접 계산했더니, 전송 간격 1초 고정 조건에서 8B를 뺀 모든 페이로드의 ToA가 간격보다 길었습니다(20B 1.32s, 32B 1.81s). 송신 요청이 모듈 처리 중에 유입되며 그 교란은 페이로드 크기에 비례하므로, 원래 가설과 같은 방향으로 결과를 밀어 올립니다. 관측된 개선을 채널 효과로 귀속할 수 없다고 판단했습니다.
- 모델 선택 근거가 문헌뿐이었습니다. 종료 후 Intel Lab Data로 8차원 센서 벡터를 구성해 동일 조건에서 비교한 결과, 우리 데이터에서는 BAM이 AE보다 나은 구간이 없었습니다(latent 4에서 AE 0.897 / BAM 1.435). 이어 AE를 ONNX export해 Runtime 추론을 검증했고, batch 차원 고정으로 batch>1 입력이 실패한 문제를 dynamic axis로 수정한 뒤 PyTorch와 출력 일치를 확인했습니다.
2025.09 – 2026.02 · 개인 단독 수행 (지도교수 자문) · Wireless AIoT System Lab · 종료
문제 넘겨받은 복조 코드의 결과가 이론적 기대와 어긋났습니다. 처리 과정을 역추적한 결과 오버샘플링된 신호를 FFT할 때 오버샘플링 배수만큼 접힌 성분을 합산하지 않고 있었습니다. 신호 에너지가 흩어진 채 일부만 쓰이고 있었고, 수정하자 복조 결과가 이론값과 일치했습니다. 이 수정이 연구의 출발점이 되었습니다.
한 것
- 노이즈 IQ를 complex STFT 스펙트로그램(real·imag 결합)으로 변환해 다층 BAM에 입력하고, noise-to-noise 자기지도 방식으로 복원 학습 (손실은 복원 MSE). 복원된 스펙트로그램을 IQ로 역변환한 뒤 de-chirp 심볼 추정에 넣어 분류 정확도를 평가
- IQ를 복소수 그대로 다루기 위해 가중치 자체가 복소수인 BAM을 구성하고, 활성함수만 실수부·허수부로 분리 적용 (split-tanh, 선행 논문의 Lagrange 안정성 조건 기반)
- 학습 SNR 범위는 비교 후 선택했습니다. −20dB는 신호 대 잡음 전력비가 1/100이라 심볼 구조 자체를 학습하기 어렵다고 보고, 심볼이 뚜렷한 구간에서 학습해 저SNR로 일반화되는지를 먼저 확인했습니다. 학습 범위를 저SNR까지 넓힌 조건도 함께 비교했고, 넓힐수록 오히려 성능이 떨어졌습니다
결과와 종료 판단 초저SNR 구간에서 baseline 대비 개선을 확인했으나 절대 정확도는 실용 수준에 미달했습니다. baseline이 이미 동작하는 구간에서는 차이가 없었습니다.
구조를 더 바꾸기 전에, 신호 자체에 심볼을 구분할 정보가 남아 있는지를 SOM으로 확인했습니다. raw IQ에서도, 불변 특징을 추출해 넣었을 때도 심볼별 군집이 형성되지 않았습니다. SOM 설정의 문제가 아닌지 확인하기 위해 대조군으로 MNIST를 동일 조건에 넣었고, 여기서는 뚜렷한 군집이 형성됐습니다. 모델이나 분석 방법이 아니라 그 신호에 구분할 정보 자체가 없다고 판단하고 연구를 마무리했습니다. 문제가 어디에 있는지를 모델이 아닌 데이터에서 찾아낸 것이 이 연구의 소득입니다.
2024.07 – 12 · 개인 수행 · 연구실을 통해 받은 산업 현장 문제를 독립 구현 · TensorFlow
문제 밸브 이상을 조기에 감지하려면 현재 상태를 추정하는 것으로는 늦습니다. 문제를 현재값 추정이 아닌 미래 예측으로 정의하고, 1Hz로 계측된 압력·개도율의 40초 이력으로 5초 뒤 유량을 예측했습니다. 압력 조건 5종(3–7bar)을 사용했습니다.
한 것
- 시퀀스를 저차원으로 압축하는 인코더 구조가 실제로 유리한지 확인하기 위해, Encoder-LSTM과 단일 LSTM을 중간 Dense 층까지 동일하게 맞춘 조건에서 비교 (유일한 차이는 인코더 병목 블록의 유무)
- 개도율 0 감지 시 hidden state 재초기화, 손실 함수를 MSE에서 Huber Loss로 교체
다시 확인한 것
- 평가 지표가 log 변환된 타깃 기준으로 계산되고 있었습니다. MAPE의 분모가 유량이 아니라 log(1+유량)이었으므로, 성능으로 읽던 값은 유량 오차율이 아니었습니다. 역변환 후 원 공간에서 계산하도록 고쳤습니다.
- 분할 설계가 두 번 어긋났습니다. 슬라이딩 윈도우는 인접 시퀀스가 40개 중 39개 행을 공유하므로 무작위 분할은 거의 같은 샘플을 train과 test에 나눠 담습니다. 시간 순 분할로 바꾸자 압력 조건이 순차 배치된 탓에 학습하지 않은 압력 대역으로 평가하게 됐습니다. 조건별 블록을 번갈아 배정하고 경계를 제거해 양쪽을 피했습니다.
결과
| 시드 3회 평균 | Test MAE | Holdout MAE | Test MAPE |
|---|---|---|---|
| Encoder-LSTM | 0.540 ± 0.147 | 0.955 ± 0.164 | 1.98% |
| 단일 LSTM | 0.548 ± 0.186 | 1.156 ± 0.224 | 2.00% |
시드 간 편차가 모델 간 차이보다 컸습니다. 한 번만 돌렸다면 시드에 따라 정반대 결론이 나왔을 데이터였고, 이 조건에서는 인코더 구조가 더 낫다고 말할 근거가 없었습니다. 결과 대신 신뢰할 수 있는 평가 기준을 남겼습니다.
두 프로젝트에서 같은 함정을 반대 방향으로 만났습니다. 변환된 공간의 지표를, 원래 값의 지표로 착각하는 것입니다. 압축에서는 정규화 공간의 MSE 0.0037이 "거의 완벽"으로 보였지만 실제 좌표는 틀렸고, 유량 예측에서는 log 공간의 지표가 모델을 실제와 다르게 보이게 했습니다. 좋아 보이는 숫자도 나빠 보이는 숫자도, 왜 그 값이 나왔는지 설명되기 전까지는 결론이 아닙니다.
Wireless AIoT System Lab 학부연구생, 동의대학교 (2024.07 ~ 2026.02)
- 초저SNR 무선 신호 복조 연구
- 엣지·무선 환경 센서 데이터 압축·전송
- 산업 센서 시계열 예측
자격 정보처리기사 (2025.06)
모델 양자화 — PTQ / QAT, 대칭·비대칭, per-channel / per-tensor, calibration. 압축 프로젝트에서 ONNX 변환까지 확인한 것의 다음 단계로, Raspberry Pi에서 INT8 모델의 레이턴시·메모리를 실측하는 것을 목표로 학습 중입니다.
- Email: gwon99065@naver.com
- Portfolio: https://gwon9906.github.io
- Blog: https://latetime.tistory.com