DOA_Lasso问题求解算法整理（2）

 DOA_SMV模型：

其中，y 为接收信号，A 为阵列流形，s 为信源，e 为高斯白噪声。

DOA_Lasso问题：

2 次梯度下降法

对于可导的凸函数，我们通常使用常规的梯度下降法处理，但当目标函数不可导（在某些点上导数不存在）时，我们就没法使用常规的梯度下降法处理。于是引入次梯度（Subgradient）用于解决此类目标函数并不总是处处可导的问题。

次梯度方法的优势是比传统方法能够处理的问题范围更大，不足之处就是算法收敛速度慢。

首先，回顾一下次梯度：

次梯度定义为：

凸函数总有次梯度，非凸函数即使可微也不一定有次梯度。凸函数的次微分总是非空，凹函数的次微分是空集。

次梯度的简单计算（某种情况下）：

设函数在处不一定可导，，其左导数为：

（收敛性不稳定，不知道什么时候会收敛，配置参数需要碰运气？？？怎么办，在线等）

当使用连续化策略时，结果如下：

效果令我满意。