[論文レビュー] Least Mean Square/Fourth Algorithm with Application to Sparse Channel Estimation

Guan Gui, Abolfazl Mehbodniya+1 more|arXiv (Cornell University)|Apr 14, 2013

Advanced Adaptive Filtering Techniques参考文献 11被引用数 3

ひとこと要約

本稿では、周波数選択的フェージングチャネルにおける推定精度の向上を目的として、ゼロ吸引最小平均二乗/第四モーメント（ZA-LMS/F）および再重み付けゼロ吸引LMS/F（RZA-LMS/F）アルゴリズムを用いた、新しい適応的スパースチャネル推定（ASCE）手法を提案する。l₁ノルムのスパースネス制約を組み込み、モンテカルロ法を用いて正則化パラメータを最適化することで、従来のLMS/Fおよび標準的なLMSベースの手法に比べ、特に低SNR環境およびスパースチャネル条件下で優れた性能を達成する。

ABSTRACT

Broadband signal transmission over frequency-selective fading channel often requires accurate channel state information at receiver. One of the most attracting adaptive channel estimation methods is least mean square (LMS) algorithm. However, LMS-based method is often degraded by random scaling of input training signal. To improve the estimation performance, in this paper we apply the standard least mean square/fourth (LMS/F) algorithm to adaptive channel estimation (ACE). Since the broadband channel is often described by sparse channel model, such sparsity could be exploited as prior information. First, we propose an adaptive sparse channel estimation (ASCE) method using zero-attracting LMS/F (ZA-LMS/F) algorithm. To exploit the sparsity effectively, an improved channel estimation method is also proposed, using reweighted zero-attracting LMS/F (RZA-LMS/F) algorithm. We explain the reason why sparse LMS/F algorithms using l_1-norm sparse constraint function can improve the estimation performance by virtual of geometrical interpretation. In addition, for different channel sparsity, we propose a Monte Carlo method to select a regularization parameter for RA-LMS/F and RZA-LMS/F to achieve approximate optimal estimation performance. Finally, simulation results show that the proposed ASCE methods achieve better estimation performance than the conventional one.

研究の動機と目的

• 広帯域周波数選択的フェージングチャネルにおいて、入力スケーリングのランダム性による従来の最小平均二乗（LMS）アルゴリズムの性能劣化を是正すること。
• 広帯域無線チャネルに内在するスパースネスを活用することで、チャネル推定精度を向上させること。
• LMS/Fベースのアルゴリズムを用いた、スパースネス促進メカニズムを強化した適応的スパースチャネル推定（ASCE）手法の開発。
• RZA-LMS/FおよびRA-LMS/Fの正則化パラメータをモンテカルロ法で最適化し、さまざまなチャネルスパースネスレベルにわたって近似的最適な性能を達成すること。

提案手法

• チャネル推定におけるスパースネスを促進するために、コスト関数にl₁ノルムペナルティ項を組み込んだゼロ吸引LMS/F（ZA-LMS/F）アルゴリズムを提案。
• 推定タップ係数の大きさに応じてペナルティ重みを適応的に調整することで、スパースネスの追求を強化する再重み付けゼロ吸引LMS/F（RZA-LMS/F）アルゴリズムを導入。
• l₁ノルム制約の幾何的解釈を用いて、小さな係数をゼロに近づけることで推定性能が向上する仕組みを説明。
• RZA-LMS/FおよびRA-LMS/Fの最適な正則化パラメータ選定を、チャネルスパースネスの異なるレベルに適合させるためにモンテカルロベースの手法を適用。
• LMS/Fの勾配降下法とゼロ吸引項を組み合わせた再帰的更新則を用いて、収束速度の向上と定常状態誤差の低減を実現。
• さまざまなSNRおよびスパースネス条件下でのシミュレーションを実施し、標準的なLMS/Fおよび従来のLMSベース推定器と比較して手法の有効性を検証。

実験結果

リサーチクエスチョン

• RQ1 LMS/Fアルゴリズムにスパースネス制約を組み込むことで、スパースな広帯域チャネルにおける推定精度が向上するか？
• RQ2 LMS/Fフレームワークにl₁ノルムペナルティ項を組み込むと、推定性能および収束速度にどのような影響を与えるか？
• RQ3 RZA-LMS/Fに組み込まれた再重み付けゼロ吸引メカニズムは、標準的なZA-LMS/Fに比べてより優れたスパースネス活用が可能か？
• RQ4 モンテカルロベースのアプローチは、さまざまなチャネルスパースネスレベルにわたって正則化パラメータを効果的に選定でき、性能最適化に寄与するか？
• RQ5 提案されたASCE手法は、従来のLMSおよびLMS/Fと比較して、平均二乗誤差（MSE）および収束特性において優れた性能を示すか？

主な発見

• 提案されたZA-LMS/FおよびRZA-LMS/Fアルゴリズムは、特に低SNR環境下で、従来のLMSおよびLMS/F手法に比べて顕著に低い平均二乗誤差（MSE）を達成する。
• RZA-LMS/Fは、スパースネス促進項の適応的重み付けにより、ZA-LMS/Fよりもさらに推定誤差を低減しており、優れた性能を示す。
• モンテカルロベースの正則化パラメータ選定手法により、さまざまなスパースネスレベルにわたって近似的最適な性能が達成され、耐障害性が向上する。
• 幾何的解析により、l₁ノルム制約が小さな係数をゼロに近づけることでスパースネスを効果的に促進し、推定精度を向上させることを確認した。
• シミュレーション結果から、提案されたASCE手法は、特にスパースチャネル環境下で、高速な収束および低い定常状態誤差を実現している。
• 入力トレーニング信号にランダムスケーリングが生じる場合でも、提案手法は良好な性能を維持しており、これは標準LMSアルゴリズムの既知の限界を克服している。