필터 뱅크

작성자

익명

작성일

2026.07.27

조회수

버전

필터 뱅크 디지털 신호 처리 분석 및 합성 필터 완벽 재구성 다중 해상도 분석 이산 웨이렛 변환 멜 필터 뱅크 중급

필터 뱅크 (Filter Bank)

필터 뱅크(Filter Bank)는 하나의 입력 신호를 여러 개의 대역 통과 필터(Band-pass Filter)를 통해 서로 다른 주파수 대역의 신호 성분으로 분리하거나, 반대로 분리된 대역 신호들을 다시 하나의 신호로 합성하는 시스템이다.

1. 개요

필터 뱅크의 핵심 목적은 광대역 신호를 여러 개의 좁은 대역(Sub-band)으로 나누어 처리함으로써, 각 주파수 대역의 특성에 맞는 최적의 신호 처리를 수행하는 것이다. 이는 데이터 압축, 잡음 제거, 신호 분석 등 디지털 신호 처리(DSP)의 다양한 분야에서 필수적으로 사용된다. 특히 인간의 청각 시스템이 주파수별로 다르게 반응하는 특성을 모사하거나, 통신 채널의 효율성을 극대화하기 위해 활용된다.

2. 기본 구조 및 동작 원리

필터 뱅크는 크게 신호를 분해하는 분석 필터 뱅크(Analysis Filter Bank)와 분해된 신호를 다시 합치는 합성 필터 뱅크(Synthesis Filter Bank)의 두 단계로 구성된다.

2.1 분석 필터 뱅크 (Analysis Filter Bank)

입력 신호 $x(n)$을 $M$개의 서로 다른 주파수 응답을 가진 필터 $H_k(z)$에 통과시켜 $M$개의 서브밴드 신호를 생성한다. 이때 계산 효율을 높이기 위해 각 필터 뒤에 다운샘플링(Down-sampling, 샘플링 레이트를 낮추는 과정)을 수행하여 데이터 양을 줄이는 것이 일반적이다.

2.2 합성 필터 뱅크 (Synthesis Filter Bank)

분석 단계에서 분리된 각 서브밴드 신호들을 다시 원래의 신호로 복원하는 과정이다. 각 채널의 신호는 업샘플링(Up-sampling, 샘플링 레이트를 다시 높이는 과정)을 거친 후, 합성 필터 $G_k(z)$를 통과하여 최종적으로 합산(Summation)된다.

[분석 단계와 합성 단계의 역할 비교]

구분	분석 필터 뱅크 (Analysis)	합성 필터 뱅크 (Synthesis)
주요 목적	신호의 주파수 분해 (Decomposition)	신호의 재구성 (Reconstruction)
핵심 동작	필터링 $\rightarrow$ 다운샘플링	업샘플링 $\rightarrow$ 필터링
결과물	여러 개의 서브밴드 신호	하나의 복원된 신호
수학적 역할	시간 영역 $\rightarrow$ 주파수 영역 변환	주파수 영역 $\rightarrow$ 시간 영역 변환

2.3 블록 다이어그램 예시 (2-채널 기준)

graph LR
    X((x(n))) --> H0[H0(z)]
    X --> H1[H1(z)]
    H0 --> D0[↓2]
    H1 --> D1[↓2]
    D0 --> S0(Subband 0)
    D1 --> S1(Subband 1)
    S0 --> U0[↑2]
    S1 --> U1[↑2]
    U0 --> G0[G0(z)]
    U1 --> G1[G1(z)]
    G0 --> Sum((+))
    G1 --> Sum
    Sum --> Y((y(n)))

3. 주요 유형 및 설계 방식

필터 뱅크는 주파수 대역을 나누는 방식과 사용되는 필터의 종류에 따라 구분된다.

3.1 대역 분할 방식에 따른 분류

균등 대역 필터 뱅크 (Uniform Filter Bank): 모든 서브밴드의 대역폭이 동일한 구조이다. 설계가 단순하며 FFT(고속 푸리에 변환)와 유사한 특성을 갖는다.
비균등 대역 필터 뱅크 (Non-uniform Filter Bank): 각 서브밴드의 대역폭이 서로 다르다. 인간의 청각 특성(Critical Band)처럼 저주파수 대역은 촘촘하게, 고주파수 대역은 넓게 나누어 효율적인 분석이 가능하다.

3.2 필터 설계 방식에 따른 분류

FIR (Finite Impulse Response) 기반: 유한 임펄스 응답 필터를 사용한다. 항상 안정적이며 선형 위상(Linear Phase) 특성을 구현할 수 있어 신호 왜곡이 적지만, 연산량이 상대적으로 많다.
IIR (Infinite Impulse Response) 기반: 무한 임펄스 응답 필터를 사용한다. 적은 차수로도 가파른 차단 특성을 얻을 수 있어 연산 효율이 높으나, 위상 왜곡이 발생할 수 있고 불안정할 가능성이 있다.

4. 핵심 기술적 쟁점: 에일리어싱과 왜곡

신호를 다운샘플링하고 다시 업샘플링하는 과정에서 필연적으로 신호의 변형이 발생한다.

4.1 에일리어싱 (Aliasing)

다운샘플링 과정에서 나이퀴스트(Nyquist) 샘플링 이론을 만족하지 못할 경우, 고주파 성분이 저주파 영역으로 겹쳐 들어오는 에일리어싱 현상이 발생한다. 이는 합성 단계에서 제거되지 않으면 심각한 잡음으로 나타난다.

4.2 진폭 및 위상 왜곡

분석 필터와 합성 필터의 주파수 응답이 서로 보완적이지 않을 경우, 특정 주파수 대역의 크기가 변하거나(Amplitude Distortion) 시간 지연이 일정하지 않은(Phase Distortion) 현상이 발생한다.

4.3 완벽 재구성 (Perfect Reconstruction, PR)

입력 신호 $x(n)$과 출력 신호 $y(n)$ 사이의 관계가 단순한 시간 지연과 스케일링만 존재하는 상태, 즉 $y(n) = c \cdot x(n-k)$가 되는 조건을 완벽 재구성(PR)이라고 한다.

이를 달성하기 위해 다음과 같은 기법들이 사용된다: * Quadrature Mirror Filter (QMF): 분석 필터 $H_0(z)$와 $H_1(z)$의 주파수 응답이 서로 거울상(Mirror)을 이루게 설계하여, 합성 단계에서 에일리어싱 성분을 상쇄시키는 구조이다. 수학적으로는 $H_1(z) = H_0(-z)$의 관계를 가지며, 이를 통해 두 필터의 합이 평탄한 응답을 갖도록 설계한다. * Polyphase Decomposition (다상 분해): 필터 뱅크의 연산 효율성을 극대화하기 위해 필터를 여러 개의 하위 필터(Polyphase components)로 분해하여 다운샘플링 이후에 필터링을 수행하는 구현 방식이다. 이는 현대적인 고효율 필터 뱅크 설계의 핵심이다.

5. 다중 해상도 분석 (MRA) 및 웨이렛 변환

필터 뱅크의 개념을 확장하여 신호를 계층적으로 분해하는 방식을 다중 해상도 분석(Multi-Resolution Analysis, MRA)이라고 한다.

5.1 MRA의 원리

MRA는 신호를 저주파(Approximation)와 고주파(Detail) 성분으로 나누고, 다시 저주파 성분만을 대상으로 동일한 분해 과정을 반복하는 트리 구조를 갖는다. 이러한 계층적 구조를 통해 저주파 대역에서는 높은 주파수 해상도(좁은 대역폭으로 정밀 분석)를, 고주파 대역에서는 높은 시간 해상도(짧은 윈도우로 급격한 변화 포착)를 동시에 얻을 수 있어, 신호의 전역적 특성과 국소적 특성을 모두 효율적으로 분석할 수 있다.

5.2 이산 웨이렛 변환 (Discrete Wavelet Transform, DWT)과의 관계

필터 뱅크의 MRA 구조는 이산 웨이렛 변환(DWT)의 물리적 구현체이다. * 저역 통과 필터(LPF): 웨이렛의 스케일링 함수(Scaling Function)에 대응한다. * 고역 통과 필터(HPF): 웨이렛 함수(Wavelet Function)에 대응한다. 즉, 필터 뱅크를 통해 신호를 반복적으로 분해하는 과정 자체가 웨이렛 변환을 수행하는 과정이며, 이를 통해 신호의 국소적인 특징을 효율적으로 추출할 수 있다.

6. 주요 활용 사례

오디오 압축 (MP3, AAC): 필터 뱅크를 통해 신호를 서브밴드로 나누고, 인간이 듣지 못하는 주파수 성분을 제거하거나 양자화 비트를 줄이는 서브밴드 코딩(Subband Coding) 기술에 사용된다.
멜 필터 뱅크 (Mel Filter Bank): 인간의 청각 시스템이 저주파수에서는 민감하고 고주파수에서는 둔감하다는 특성을 반영하여, 주파수 축을 멜 스케일(Mel Scale)로 변환한 비균등 필터 뱅크이다. 이는 음성 인식 및 화자 식별을 위한 MFCC(Mel-Frequency Cepstral Coefficients) 추출의 핵심 단계이다.
통신 시스템 (OFDM): 직교 주파수 분할 다중화(OFDM)는 수많은 좁은 대역의 부반송파를 사용하는 일종의 거대한 필터 뱅크 구조로 볼 수 있으며, 주파수 효율을 극대화한다.
잡음 제거 (Denoising): 특정 주파수 대역에 집중된 잡음을 필터 뱅크로 분리하여 해당 대역만 감쇄시킨 후 다시 합성함으로써 깨끗한 신호를 얻는다.

7. 관련 기술 및 비교: FFT vs Filter Bank

전통적인 푸리에 변환(FFT)과 필터 뱅크는 모두 주파수 분석을 수행하지만, 구현 방식과 특성에서 차이가 있다.

[FFT vs Filter Bank 특성 비교]

비교 항목	FFT (Fast Fourier Transform)	Filter Bank (MRA/DWT 기반)
분석 방식	고정된 윈도우 크기의 전역 분석	가변적인 해상도의 계층적 분석
시간-주파수 해상도	일정함 (Trade-off 관계)	다중 해상도 (저주파-고해상도, 고주파-저해상도)
연산 효율	매우 높음 ($O(N \log N)$)	필터 탭 수와 채널 수 $M$에 비례 (폴리페이즈 적용 시 FFT에 근접)
재구성 방식	역푸리에 변환 (IFFT)	합성 필터 뱅크 (Synthesis Bank)
주요 용도	스펙트럼 분석, 정적 신호 처리	신호 압축, 적응형 필터링, 웨이렛 분석

📝 마크다운 원본

이 문서의 마크다운 원본 내용입니다.

# 필터 뱅크 (Filter Bank)

필터 뱅크(Filter Bank)는 하나의 입력 신호를 여러 개의 대역 통과 필터(Band-pass Filter)를 통해 서로 다른 주파수 대역의 신호 성분으로 분리하거나, 반대로 분리된 대역 신호들을 다시 하나의 신호로 합성하는 시스템이다.

## 1. 개요
필터 뱅크의 핵심 목적은 광대역 신호를 여러 개의 좁은 대역(Sub-band)으로 나누어 처리함으로써, 각 주파수 대역의 특성에 맞는 최적의 신호 처리를 수행하는 것이다. 이는 데이터 압축, 잡음 제거, 신호 분석 등 디지털 신호 처리(DSP)의 다양한 분야에서 필수적으로 사용된다. 특히 인간의 청각 시스템이 주파수별로 다르게 반응하는 특성을 모사하거나, 통신 채널의 효율성을 극대화하기 위해 활용된다.

## 2. 기본 구조 및 동작 원리
필터 뱅크는 크게 신호를 분해하는 **분석 필터 뱅크(Analysis Filter Bank)**와 분해된 신호를 다시 합치는 **합성 필터 뱅크(Synthesis Filter Bank)**의 두 단계로 구성된다.

### 2.1 분석 필터 뱅크 (Analysis Filter Bank)
입력 신호 $x(n)$을 $M$개의 서로 다른 주파수 응답을 가진 필터 $H_k(z)$에 통과시켜 $M$개의 서브밴드 신호를 생성한다. 이때 계산 효율을 높이기 위해 각 필터 뒤에 다운샘플링(Down-sampling, 샘플링 레이트를 낮추는 과정)을 수행하여 데이터 양을 줄이는 것이 일반적이다.

### 2.2 합성 필터 뱅크 (Synthesis Filter Bank)
분석 단계에서 분리된 각 서브밴드 신호들을 다시 원래의 신호로 복원하는 과정이다. 각 채널의 신호는 업샘플링(Up-sampling, 샘플링 레이트를 다시 높이는 과정)을 거친 후, 합성 필터 $G_k(z)$를 통과하여 최종적으로 합산(Summation)된다.

**[분석 단계와 합성 단계의 역할 비교]**

| 구분 | 분석 필터 뱅크 (Analysis) | 합성 필터 뱅크 (Synthesis) |
| :--- | :--- | :--- |
| **주요 목적** | 신호의 주파수 분해 (Decomposition) | 신호의 재구성 (Reconstruction) |
| **핵심 동작** | 필터링 $\rightarrow$ 다운샘플링 | 업샘플링 $\rightarrow$ 필터링 |
| **결과물** | 여러 개의 서브밴드 신호 | 하나의 복원된 신호 |
| **수학적 역할** | 시간 영역 $\rightarrow$ 주파수 영역 변환 | 주파수 영역 $\rightarrow$ 시간 영역 변환 |

### 2.3 블록 다이어그램 예시 (2-채널 기준)
```mermaid
graph LR
    X((x(n))) --> H0[H0(z)]
    X --> H1[H1(z)]
    H0 --> D0[↓2]
    H1 --> D1[↓2]
    D0 --> S0(Subband 0)
    D1 --> S1(Subband 1)
    S0 --> U0[↑2]
    S1 --> U1[↑2]
    U0 --> G0[G0(z)]
    U1 --> G1[G1(z)]
    G0 --> Sum((+))
    G1 --> Sum
    Sum --> Y((y(n)))
```

## 3. 주요 유형 및 설계 방식
필터 뱅크는 주파수 대역을 나누는 방식과 사용되는 필터의 종류에 따라 구분된다.

### 3.1 대역 분할 방식에 따른 분류
*   **균등 대역 필터 뱅크 (Uniform Filter Bank):** 모든 서브밴드의 대역폭이 동일한 구조이다. 설계가 단순하며 FFT(고속 푸리에 변환)와 유사한 특성을 갖는다.
*   **비균등 대역 필터 뱅크 (Non-uniform Filter Bank):** 각 서브밴드의 대역폭이 서로 다르다. 인간의 청각 특성(Critical Band)처럼 저주파수 대역은 촘촘하게, 고주파수 대역은 넓게 나누어 효율적인 분석이 가능하다.

### 3.2 필터 설계 방식에 따른 분류
*   **FIR (Finite Impulse Response) 기반:** 유한 임펄스 응답 필터를 사용한다. 항상 안정적이며 선형 위상(Linear Phase) 특성을 구현할 수 있어 신호 왜곡이 적지만, 연산량이 상대적으로 많다.
*   **IIR (Infinite Impulse Response) 기반:** 무한 임펄스 응답 필터를 사용한다. 적은 차수로도 가파른 차단 특성을 얻을 수 있어 연산 효율이 높으나, 위상 왜곡이 발생할 수 있고 불안정할 가능성이 있다.

## 4. 핵심 기술적 쟁점: 에일리어싱과 왜곡
신호를 다운샘플링하고 다시 업샘플링하는 과정에서 필연적으로 신호의 변형이 발생한다.

### 4.1 에일리어싱 (Aliasing)
다운샘플링 과정에서 나이퀴스트(Nyquist) 샘플링 이론을 만족하지 못할 경우, 고주파 성분이 저주파 영역으로 겹쳐 들어오는 에일리어싱 현상이 발생한다. 이는 합성 단계에서 제거되지 않으면 심각한 잡음으로 나타난다.

### 4.2 진폭 및 위상 왜곡
분석 필터와 합성 필터의 주파수 응답이 서로 보완적이지 않을 경우, 특정 주파수 대역의 크기가 변하거나(Amplitude Distortion) 시간 지연이 일정하지 않은(Phase Distortion) 현상이 발생한다.

### 4.3 완벽 재구성 (Perfect Reconstruction, PR)
입력 신호 $x(n)$과 출력 신호 $y(n)$ 사이의 관계가 단순한 시간 지연과 스케일링만 존재하는 상태, 즉 $y(n) = c \cdot x(n-k)$가 되는 조건을 **완벽 재구성(PR)**이라고 한다.

이를 달성하기 위해 다음과 같은 기법들이 사용된다:
*   **Quadrature Mirror Filter (QMF):** 분석 필터 $H_0(z)$와 $H_1(z)$의 주파수 응답이 서로 거울상(Mirror)을 이루게 설계하여, 합성 단계에서 에일리어싱 성분을 상쇄시키는 구조이다. 수학적으로는 $H_1(z) = H_0(-z)$의 관계를 가지며, 이를 통해 두 필터의 합이 평탄한 응답을 갖도록 설계한다.
*   **Polyphase Decomposition (다상 분해):** 필터 뱅크의 연산 효율성을 극대화하기 위해 필터를 여러 개의 하위 필터(Polyphase components)로 분해하여 다운샘플링 이후에 필터링을 수행하는 구현 방식이다. 이는 현대적인 고효율 필터 뱅크 설계의 핵심이다.

## 5. 다중 해상도 분석 (MRA) 및 웨이렛 변환
필터 뱅크의 개념을 확장하여 신호를 계층적으로 분해하는 방식을 **다중 해상도 분석(Multi-Resolution Analysis, MRA)**이라고 한다.

### 5.1 MRA의 원리
MRA는 신호를 저주파(Approximation)와 고주파(Detail) 성분으로 나누고, 다시 저주파 성분만을 대상으로 동일한 분해 과정을 반복하는 트리 구조를 갖는다. 
이러한 계층적 구조를 통해 **저주파 대역에서는 높은 주파수 해상도**(좁은 대역폭으로 정밀 분석)를, **고주파 대역에서는 높은 시간 해상도**(짧은 윈도우로 급격한 변화 포착)를 동시에 얻을 수 있어, 신호의 전역적 특성과 국소적 특성을 모두 효율적으로 분석할 수 있다.

### 5.2 이산 웨이렛 변환 (Discrete Wavelet Transform, DWT)과의 관계
필터 뱅크의 MRA 구조는 **이산 웨이렛 변환(DWT)**의 물리적 구현체이다.
*   **저역 통과 필터(LPF):** 웨이렛의 스케일링 함수(Scaling Function)에 대응한다.
*   **고역 통과 필터(HPF):** 웨이렛 함수(Wavelet Function)에 대응한다.
즉, 필터 뱅크를 통해 신호를 반복적으로 분해하는 과정 자체가 웨이렛 변환을 수행하는 과정이며, 이를 통해 신호의 국소적인 특징을 효율적으로 추출할 수 있다.

## 6. 주요 활용 사례
*   **오디오 압축 (MP3, AAC):** 필터 뱅크를 통해 신호를 서브밴드로 나누고, 인간이 듣지 못하는 주파수 성분을 제거하거나 양자화 비트를 줄이는 서브밴드 코딩(Subband Coding) 기술에 사용된다.
*   **멜 필터 뱅크 (Mel Filter Bank):** 인간의 청각 시스템이 저주파수에서는 민감하고 고주파수에서는 둔감하다는 특성을 반영하여, 주파수 축을 멜 스케일(Mel Scale)로 변환한 비균등 필터 뱅크이다. 이는 음성 인식 및 화자 식별을 위한 MFCC(Mel-Frequency Cepstral Coefficients) 추출의 핵심 단계이다.
*   **통신 시스템 (OFDM):** 직교 주파수 분할 다중화(OFDM)는 수많은 좁은 대역의 부반송파를 사용하는 일종의 거대한 필터 뱅크 구조로 볼 수 있으며, 주파수 효율을 극대화한다.
*   **잡음 제거 (Denoising):** 특정 주파수 대역에 집중된 잡음을 필터 뱅크로 분리하여 해당 대역만 감쇄시킨 후 다시 합성함으로써 깨끗한 신호를 얻는다.

## 7. 관련 기술 및 비교: FFT vs Filter Bank
전통적인 푸리에 변환(FFT)과 필터 뱅크는 모두 주파수 분석을 수행하지만, 구현 방식과 특성에서 차이가 있다.

**[FFT vs Filter Bank 특성 비교]**

| 비교 항목 | FFT (Fast Fourier Transform) | Filter Bank (MRA/DWT 기반) |
| :--- | :--- | :--- |
| **분석 방식** | 고정된 윈도우 크기의 전역 분석 | 가변적인 해상도의 계층적 분석 |
| **시간-주파수 해상도** | 일정함 (Trade-off 관계) | 다중 해상도 (저주파-고해상도, 고주파-저해상도) |
| **연산 효율** | 매우 높음 ($O(N \log N)$) | 필터 탭 수와 채널 수 $M$에 비례 (폴리페이즈 적용 시 FFT에 근접) |
| **재구성 방식** | 역푸리에 변환 (IFFT) | 합성 필터 뱅크 (Synthesis Bank) |
| **주요 용도** | 스펙트럼 분석, 정적 신호 처리 | 신호 압축, 적응형 필터링, 웨이렛 분석 |

AI 생성 콘텐츠 안내

이 문서는 AI 모델(gemma-4-31b)에 의해 생성된 콘텐츠입니다.

주의사항: AI가 생성한 내용은 부정확하거나 편향된 정보를 포함할 수 있습니다. 중요한 결정을 내리기 전에 반드시 신뢰할 수 있는 출처를 통해 정보를 확인하시기 바랍니다.

위키너와나