我们引入了一个新的稀疏正态均值估计框架，弥补了流行的频率策略（LASSO）和流行的贝叶斯策略（尖峰与随机）之间的差距。本文的主旨是介绍尖峰-平顶LASSO（SS-LASSO）先验函数族，它在拉普拉斯先验函数和尖峰-稳定先验函数之间形成了一个连续统。我们建立了SS-LASSO先验函数的几个吸引人的频率特性，并将它们与这两种极限情况进行了比较。首先，我们在贝叶斯模态估计中采用惩罚似然的观点，并引入了带有尖峰和盲先验的贝叶斯惩罚混合框架。我们表明，SS-LASSO全局后验模式在平方误差损失下是（接近）最小最大速率最优的，与LASSO类似。进一步，我们引入了一种自适应两步估计器，该估计器可以获得比LASSO更清晰的性能。其次，我们证明了整个后验函数与全局模式保持同步，并集中在（近）极小极大速率上，这是已知的单拉普拉斯先验函数的性质。最小速率最优性是通过适当的独立乘积先验（对于已知的稀疏性水平）和相关的混合先验（适应未知的稀疏性程度）获得的。到目前为止，仅针对点质量为零的尖峰-平顶先验模型建立了速率最优后验浓度。因此，SS-LASSO先验函数尽管是连续的，但与“理论上理想的”点群混合函数具有类似的优化性质。这些结果为我们提出的先验分类提供了宝贵的理论依据，支持了它们的直观吸引力和实用潜力。