用于稀疏信道估计的重加权 $l_1$ 范数惩罚 LMS 算法及其分析

本文提出并研究了一种用于稀疏信道估计的新型重加权 $l_1$ 范数惩罚最小均方（LMS）算法。由于标准 LMS 算法未考虑关于信道冲激响应（CIR）的稀疏性信息，稀疏感知的 LMS 算法修改旨在通过在标准 LMS 代价函数中引入惩罚项以迫使解稀疏化，从而优于标准 LMS。我们的重加权 $l_1$ 范数惩罚 LMS 算法额外引入了对 CIR 系数估计的重加权，以进一步促进稀疏解并更逼近 $l_0$ 伪范数。我们对重加权 $l_1$ 范数惩罚 LMS 算法进行了深入的定量分析。还推导了该算法的超量均方误差（MSE）的表达式，表明在合适条件下，重加权 $l_1$ 范数惩罚 LMS 算法优于标准 LMS，符合预期。然而，我们的定量分析还回答了以下问题：信道中存在多大的最大稀疏度水平时，重加权 $l_1$ 范数惩罚 LMS 算法优于标准 LMS。给出了仿真结果，表明重加权 $l_1$ 范数惩罚 LMS 算法相比其他现有 LMS 类算法具有更好的性能。