[논문 리뷰] Least Mean Square/Fourth Algorithm with Application to Sparse Channel Estimation

Guan Gui, Abolfazl Mehbodniya외 1명|arXiv (Cornell University)|2013. 04. 14.

Advanced Adaptive Filtering Techniques참고 문헌 11인용 수 3

한 줄 요약

이 논문은 희박한 주파수 선택성 fading 채널에서 추정 정확도를 향상시키기 위해 영점 유도 최소 평균 제곱법/사차 (ZA-LMS/F) 및 재가중 영점 유도 LMS/F (RZA-LMS/F) 알고리즘을 사용하는 새로운 적응형 희박한 채널 추정(ASCE) 방법을 제안한다. l₁-노름 희박성 제약 조건을 통합하고 몬테카를로 방법을 통해 정규화 파라미터를 최적화함으로써, 기존의 LMS/F 및 표준 LMS 기반 방법에 비해 특히 저 SNR 및 희박한 채널 조건에서 뛰어난 성능을 달성한다.

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.

연구 동기 및 목표

• 무작위 입력 스케일링으로 인해 기존의 최소 평균 제곱법(LMS) 알고리즘이 광대역 주파수 선택성 fading 채널에서 성능 저하를 겪는 문제를 해결하기 위해.
• 광대역 무선 채널에 내재된 희박성 특성을 활용하여 채널 추정 정확도를 향상시키기 위해.
• LMS/F 기반 알고리즘을 사용하여 향상된 희박성 촉진 메커니즘을 갖춘 적응형 희박한 채널 추정(ASCE) 방법을 개발하기 위해.
• 다양한 채널 희박성 수준에서 근사 최적 성능를 달성하기 위해 몬테카를로 방법을 사용해 RZA-LMS/F 및 RA-LMS/F의 정규화 파라미터를 최적화하기 위해.

제안 방법

• 채널 추정의 희박성을 촉진하기 위해 비용 함수에 l₁-노름 페널티 항을 통합함으로써 영점 유도 LMS/F(ZA-LMS/F) 알고리즘을 제안한다.
• 추정 탭 계수의 크기에 기반해 페널티 가중치를 적응적으로 조정함으로써 희박성 추적 성능을 향상시키기 위해 재가중 영점 유도 LMS/F(RZA-LMS/F) 알고리즘을 도입한다.
• l₁-노름 제약 조건의 기하학적 해석을 통해 작은 계수들이 0에 수렴하도록 수축함으로써 추정 성능 향상 원리를 설명한다.
• 다양한 채널 희박성 수준에 맞게 RZA-LMS/F 및 RA-LMS/F의 최적 정규화 파라미터를 선택하기 위해 몬테카를로 기반 방법을 적용한다.
• LMS/F 기반 경사 하강법과 함께 영점 유도 항을 통합한 재귀적 업데이트 규칙을 사용하여 수렴 속도를 가속화하고 정 steady-state 오차를 감소시킨다.
• 다양한 SNR 및 희박성 조건에서 시뮬레이션을 통해 표준 LMS/F 및 기존의 LMS 기반 추정기와의 성능 비교를 통해 방법의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 LMS/F 알고리즘은 희박성 제약 조건을 통합함으로써 광대역 희박한 채널에서 채널 추정 정확도를 향상시킬 수 있는가?
• RQ2 LMS/F 프레임워크에 l₁-노름 페널티 항을 포함시키면 추정 성능 및 수렴 속도에 어떤 영향을 미치는가?
• RQ3 RZA-LMS/F에 내장된 재가중 영점 유도 메커니즘은 기존의 ZA-LMS/F보다 더 나은 희박성 활용 성능를 제공하는가?
• RQ4 몬테카를로 기반 접근법은 다양한 채널 희박성 수준에서 정규화 파라미터를 효과적으로 선택하여 성능 최적화를 달성할 수 있는가?
• RQ5 제안된 ASCE 방법은 기존의 LMS 및 LMS/F와 비교해 평균 제곱 오차(MSE) 및 수렴 특성 측면에서 어떻게 성능가능한가?

주요 결과

• 제안된 ZA-LMS/F 및 RZA-LMS/F 알고리즘은 특히 저 SNR 환경에서 기존의 LMS 및 LMS/F 방법에 비해 유의미하게 낮은 평균 제곱 오차(MSE)를 달성한다.
• RZA-LMS/F 알고리즘은 희박성 촉진 항의 적응적 가중치 조정 덕분에 ZA-LMS/F보다 더 낮은 추정 오차를 기록한다.
• 몬테카를로 기반 정규화 파라미터 선택 방법은 다양한 희박성 수준에서 근사 최적 성능를 달성함으로써 강건성을 향상시킨다.
• 기하학적 분석을 통해 l₁-노름 제약 조건이 작은 계수들을 0으로 수축시켜 희박성을 효과적으로 촉진함으로써 추정 정확도를 향상시킨다는 것이 확인된다.
• 시뮬레이션 결과, 제안된 ASCE 방법은 특히 희박한 채널 환경에서 더 빠른 수렴 속도와 낮은 정상 상태 오차를 보였다.
• 제안된 방법은 표준 LMS 알고리즘의 알려진 한계인 입력 학습 신호의 무작위 스케일링 상황에서도 양호한 성능 유지를 보였다.