本节给出SAEM算法和CoSa MP算法以及OMP算法的估计性能比较，后两种算法是在稀疏度已知的情况下进行信道重构。实验是在MIMO中继多径时变信道环境下进行的，天线数目为MS=MR=MD=2。随机产生104个符号，采用QPSK调制，训练序列的长度为100，数据块的长度为1 200。每条链路中每30个抽样里面设置6个非零值，其他全部为零。每个数据块内稀疏度不变，数据块外是变化的。信道模型采用AR模型，并用卡尔曼滤波对参数进行平滑处理。仿真中所采用的时变多径信道根据Jake模型产生。多普勒频移为0.002，信道估计的均方误差与信噪比的关系如图3-5和图3-6所示。
图3-5 SAEM算法与CoSaMP算法的性能比较
图3-6 增加迭代长度后SAEM算法的估计性能
仿真结果表明，由于该算法引入了平滑思想，在稀疏度未知的情况下，能够较为准确地估计出信道参数，说明所提方法能够较为准确地探测到信道的稀疏结构，作为稀疏度自适应的SAEM算法的估计性能，相比CoSa MP算法稍差，但是比OMP算法更接近性能下界，这是因为OMP算法在高维信号空间并不是稳健的。图3-6显示，进一步增加算法的迭代次数后，估计性能的效果更佳，逐渐逼近信道估计下界的性能。
图3-7和图3-8给出了当协同信道中非零抽头数目改变时的仿真结果，从仿真图的曲线可知，平均MSE性能随着信噪比的增加而提高。为了验证算法的有效性，本节基于式（3-10）所代表的信道模型，提供了基于压缩感知算法、基于期望条件最大化算法仿真性能的对比，如图3-9所示，由性能曲线可知，基于CS算法的估计性能优于线性算法，并很好地接近系统性能下界，CoSa MP算法的性能也优于OMP算法。
图3-7 系统稀疏度为2时信道估计算法的性能(www.xing528.com)
图3-8 系统稀疏度为4时信道估计算法的性能
图3-9 CoSa MP压缩感知算法与期望条件最大化算法的性能比较
由图3-7和图3-8可知，随着信噪比的增加，信道估计的性能也在增加。图3-7和图3-8是在稀疏度不同时的仿真结果，图3-7的系统稀疏度小于图3-8，当系统稀疏度较小时，基于压缩感知算法的估计性能较好。如果在稀疏度相同的情况下，增加训练序列的长度，估计性能也会改善。
如图3-10所示，在时变信道中，所提出的稀疏度自适应期望最大化算法的估计性能接近下界，这意味着SAEM信道估计器能够以相当好的精度检测稀疏结构。
图3-10 SAEM与其他算法的性能对比
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
