특징 공학

사람이 설계한 특징(feature)은 무엇이고, 레이다 신호에서는 어떻게 뽑는가?

특징이란

특징은 원시 신호(raw signal)에서 뽑은, 판별에 쓸모 있는 수치이다. 좋은 특징은 같은 클래스 안에서는 비슷하고 다른 클래스 사이에서는 다르다. 이 성질을 흔히 "클래스 내 분산은 작게, 클래스 간 분산은 크게"로 줄여 말한다.

특징 공간에서 클래스가 겹쳐 있으면 아무리 정교한 분류기도 가를 수 없으므로, 특징의 품질이 ML 모델 성능의 상한을 정한다.

특징 공학(feature engineering)은 단순한 전처리에 그치지 않는다. "Doppler 대역폭이 표적 유형을 가른다"는 지식을 특징으로 심으면 모델에 귀납적 편향(inductive bias)을 주는 셈이다. 전기전자 전공자가 ML에서 가장 크게 기여할 수 있는 것이 이 도메인 지식이다. 데이터가 충분하면 딥러닝이 이 편향을 스스로 배우지만, 데이터가 적을수록 사람이 주는 편향이 더 중요해진다.

레이다 특징 추출 과정

레이다 수신 신호에서 특징을 뽑는 전형적인 흐름은 다음과 같다. 단계마다 물리적 뜻이 있고, 그 단계에서 뽑을 수 있는 쓸모 있는 특징이 따로 있다.

ADC 샘플: 안테나가 받은 복소 I/Q 샘플이다. 이 단계의 특징은 신호 에너지와 잡음 추정값이다.
거리 FFT → 거리 프로파일(range profile): 거리 축을 얻는다(8장). 이 단계의 특징은 피크 SNR, 피크 위치, 3 dB 폭이다.
Doppler FFT → RD 맵: 속도 정보가 더해진다(8장). 이 단계의 특징은 Doppler 중심, Doppler 대역폭, 표적 수이다.
CFAR 탐지 → 탐지 목록: 임계값을 넘는 셀을 고른다(14장). 이 단계의 특징은 탐지 수, 탐지 밀도, 공간 분포의 엔트로피이다.
추가 처리(선택): 각도 추정(빔포밍, MUSIC; 10–12장), micro-Doppler 분석(15장). 이 단계의 특징은 공분산 행렬의 고윳값 비, 스펙트로그램의 모양이다.

레이다 특징의 예

특징	뽑는 곳	식과 설명	쓰이는 일
피크 SNR	거리 프로파일 또는 RD 맵	$\text{SNR} = \frac{\max(\|X\|^2)}{\text{median}(\|X\|^2)}$	표적 탐지, 거리 추정
Doppler 대역폭	Doppler 스펙트럼	피크에서 3 dB 내려간 폭 $\Delta f_D$	보행자, 차량, 자전거 구분
RCS 변동(표준편차)	연속한 CPI의 RCS 시계열	$\sigma_{\text{RCS}} = \text{std}(\hat{\sigma}(t))$	표적 유형 분류, aspect angle 추정
공분산 행렬 고윳값 비	다중 안테나 수신 벡터의 공분산	$r = \lambda_1 / \lambda_2$ (가장 큰 고윳값과 둘째 고윳값)	신호원 수 추정(MUSIC, 도래각)
CFAR 피크 수	2차원 CFAR 뒤의 탐지 목록	탐지된 셀의 개수 $N_{\text{det}}$	다중 표적 밀도, 군집 분류
스펙트럼 엔트로피	정규화한 Doppler 전력 스펙트럼 $p_i$	$H = -\sum_i p_i \log p_i$	클러터와 표적 구분, 이상 탐지
micro-Doppler 폭	STFT(short-time Fourier transform)	시간-Doppler 스펙트로그램의 주기적 무늬	보행 주기, 드론 날개 회전수

특징 스케일링과 정규화

대부분의 ML 알고리즘은 특징의 스케일에 민감하다. 피크 SNR은 5~25 dB 범위인데 엔트로피는 0~4 범위라면, 거리 기반 알고리즘(k-NN, SVM)은 SNR만 보고 판단한다.

방법	식	결과 범위	쓰는 때
min-max 정규화	$x' = \dfrac{x - x_{\min}}{x_{\max} - x_{\min}}$	$[0, 1]$	특징의 범위를 알 때. 이상치에 약하다
z-score 표준화	$x' = \dfrac{x - \mu}{\sigma}$	평균 0, 표준편차 1	가장 흔하다. 가우시안 분포를 가정할 때 알맞다
로그 스케일	$x' = \log(1 + x)$ 또는 dB 변환	압축된 범위	SNR, 전력처럼 동적 범위가 아주 클 때

정규화 파라미터( $\mu$ , $\sigma$ , $x_{\min}$ , $x_{\max}$ )는 학습 세트에서만 계산하고, 검증과 테스트 세트에는 학습 세트의 통계를 그대로 적용한다. 테스트 세트의 통계를 미리 쓰면 데이터 누수(data leakage)가 생겨 성능이 실제보다 좋게 보인다.