MATLAB 2024a

1、算法描述

基于压缩感知的稀疏无线信道估计研究——MP、OMP、StOMP、CoSaMP与SP算法的性能对比与优化分析

摘要
在宽带无线通信、毫米波传输、RIS辅助链路以及大规模天线系统不断演进的背景下，信道维度持续升高，传统依赖高密度导频的估计方法在训练开销、频谱效率和实时实现方面面临更大压力。与此同时，多径传播在时延域、角度域或变换域中常呈现出明显的稀疏或近似稀疏特征，这为压缩感知理论用于低开销信道估计提供了重要基础。本文围绕稀疏无线信道估计问题，构建了基于部分观测和稀疏重构的分析框架，并以MP、OMP、StOMP、CoSaMP与SP五种典型贪婪类算法为研究对象，从算法机理、复杂度特征、估计精度、误码性能和支撑恢复能力等方面展开系统讨论。结合MATLAB仿真结果可以看出，五类算法在低信噪比和导频不足条件下均会受到噪声与观测不足的共同制约，但随着信噪比提高和导频数增加，具备正交投影、候选集扩展与支撑修正机制的算法能够更有效地提升估计精度。其中，MP实现简单、运行速度快，但在强弱径并存和高稀疏度场景中性能相对有限；OMP具有较好的稳定性与实现便利性；StOMP在计算效率方面具有一定优势，但门限设置对结果影响较大；CoSaMP与SP在中高信噪比条件下通常表现出更优的NMSE与BER性能。本文的研究表明，压缩感知框架下的稀疏重构方法能够为无线信道估计提供一种兼顾精度与开销的有效思路，而不同贪婪算法在性能与复杂度之间各有侧重，适用于不同系统场景和工程约束。

关键词
压缩感知；稀疏无线信道估计；匹配追踪；正交匹配追踪；压缩采样匹配追踪；子空间追踪；16QAM

一、引言

信道估计是无线通信系统接收端恢复有效信息的关键环节。无论是OFDM系统中的频域均衡，还是大规模MIMO、毫米波与RIS辅助系统中的波束赋形、链路自适应与资源调度，都需要较为准确的信道状态信息作为前提。随着系统带宽、天线规模和工作频段持续提升，传统基于密集导频与线性估计的方案虽然结构清晰，但其训练开销往往随维度增长而显著增加，不仅降低有效频谱利用率，也会给实时实现带来更高压力。近年来关于5G-A和6G场景的综述研究普遍指出，低开销、高精度、可扩展的信道估计方法已经成为后续无线系统设计中的重要研究方向。

压缩感知理论之所以能够进入无线信道估计领域，根本原因在于许多实际无线信道并非在所有维度上都是“满”的。特别是在宽带多径、毫米波、透镜阵列、大规模阵列和波束域建模场景中，信道往往仅由少量有效路径主导，其能量集中在少数时延抽头、少数角度栅格或少数变换系数附近，因此可被转化为稀疏重构问题。相关研究表明，借助这种稀疏结构，可以在降低导频数量的同时维持可接受的估计精度，从而在训练开销和恢复性能之间取得更优折中。

在压缩感知的众多求解方式中，贪婪类算法由于结构直观、易于实现、便于与通信接收机结合，成为工程中较常采用的一类方法。MP、OMP、StOMP、CoSaMP与SP都属于这一技术谱系，但它们在支撑集搜索策略、残差更新方式、最小二乘回代机制以及迭代停止准则上存在明显差异，因此在估计精度、运算复杂度和鲁棒性方面会呈现出不同特征。围绕这些算法的改进研究在近年仍持续出现，这也说明基于贪婪重构的信道估计方法仍具有较强的研究价值和工程生命力。

基于上述背景，本文以稀疏无线信道估计为对象，构建统一的仿真分析框架，对五类典型算法进行系统比较。文章重点不在于公式推导，而在于从系统层面说明压缩感知建模逻辑、五类算法的工作机制，以及不同信噪比、导频数量和稀疏度条件下的性能演化规律，从而为后续工程应用与算法选择提供参考。

二、系统模型与问题描述

本文所讨论的对象可抽象为离散时域下的稀疏多径无线信道。在有限信道长度内，仅有少量抽头对应实际有效路径，其余位置可视为零值或接近零值。发送端通过导频与数据信号共同完成传输，接收端利用有限观测构建测量方程，在已知或预设稀疏先验的前提下恢复信道抽头，再用于后续均衡与符号判决。对于此类问题，如果直接采用传统满维度估计方法，需要较多导频才能得到稳定结果；而压缩感知方法则将估计过程转化为“由少量观测恢复稀疏向量”的过程，从而体现出减少训练开销的潜力。

从通信实现角度看，这一模型尤其适用于宽带OFDM、毫米波MIMO及其相关扩展系统。一方面，宽带传输会引入明显的时延扩展，多径分量之间在时域上可形成离散稀疏结构；另一方面，毫米波和大规模阵列系统中路径簇数量相对有限，角域和波束域也往往具有较强稀疏性。近年来关于波束域稀疏信道、RIS级联信道以及近场大规模阵列信道的研究，都在不同程度上证明了“利用结构稀疏性降低估计维度”的可行性。

在本文仿真中，系统采用离散稀疏信道建模方式，以导频观测矩阵和稀疏抽头向量构成重构问题，并通过16QAM调制来考察信道估计误差对实际误码性能的影响。相比低阶调制，16QAM对幅度和相位失配更加敏感，因此更能反映不同算法在估计精度上的差异。这种设计使得评价指标不再仅停留在NMSE层面，而是进一步落到支撑恢复率和BER变化上，从而增强了分析的工程意义。

三、五种算法的基本原理与特点

MP是五类算法中最基础的一类贪婪搜索方法。其核心思想是在每次迭代中从字典或观测矩阵的列向量中选出与当前残差最相关的原子，并不断将其贡献从残差中剔除。该方法结构简单、实现成本低、单次迭代开销较小，因此在对复杂度非常敏感的场景中具有一定吸引力。然而，MP的局限也较为明显，即它对已经选中的支撑缺乏更充分的正交修正，容易在强路径与弱路径并存时出现误差积累，导致后期估计精度受限。结合本文仿真结果来看，MP虽然运行时间最短，但在高信噪比条件下的NMSE和BER通常不及其余几类算法，这与其残差更新机制较为粗糙密切相关。

OMP可视为在MP基础上的重要改进。该算法在每次新增支撑后，不仅更新残差，还会对已选支撑集合进行正交投影和最小二乘回代，因此能够有效减少先前选择误差对后续估计的干扰。正因为如此，OMP在无线信道估计中通常被视为精度与复杂度较为均衡的经典方法。近年来针对OMP的低复杂度、鲁棒化和场景适配改进仍较为活跃，说明该算法在工程应用中仍然具有较强代表性。本文仿真中，OMP在多数条件下表现出较平稳的性能曲线，在中高信噪比区域能够明显优于MP，同时保持相对温和的复杂度增长。

StOMP则体现出“分阶段”选取支撑的思想。与OMP一次只扩展一个原子不同，StOMP会依据统计门限在单轮中同时选择多个候选位置，因此在迭代次数和整体搜索速度方面具有一定优势。这种机制适合于较大维度问题的快速初筛，但也带来了一个现实问题，即门限过高可能漏检有效路径，门限过低则可能引入较多伪支撑。换言之，StOMP的性能往往更依赖参数调节与场景适配。本文仿真所体现出的一个典型现象，就是StOMP在导频数较少或高信噪比区间若门限设定不够理想，容易出现误差平台或性能波动，这说明其快速选择能力需要与后续精细重估计机制配合使用。

CoSaMP通过“候选集扩展—最小二乘估计—支撑裁剪—残差更新”的闭环机制，进一步增强了支撑修正能力。相较于仅逐步扩展支撑的算法，CoSaMP在每次迭代中会保留更大的候选范围，再通过裁剪回到设定稀疏度，因此对早期误选具有更强的纠偏能力。这一特征使其在中高信噪比和较高稀疏度条件下往往能够获得较优的重构性能，但代价是单轮运算量相对增加。本文的仿真结果也基本符合这一规律：在导频条件改善后，CoSaMP的NMSE与BER下降更为明显，尤其在信道支撑逐步清晰的情况下，往往能够进入性能第一梯队。

SP与CoSaMP具有相近的技术路线，同样强调候选支撑与最终支撑之间的迭代修正，但其支撑更新策略更强调在固定稀疏度约束下维持子空间内的最优投影，从而在复杂度和精度之间形成较强平衡。近年来在毫米波与混合波束成形场景中，基于SP或其改进型算法的信道估计方法持续出现，说明其在工程中具有较高适配性。结合本文结果可以看到，SP在多数场景下都具有较稳定的恢复能力，特别是在导频数增加和支撑逐渐可辨的条件下，常能与CoSaMP共同形成较优性能层。

总体而言，五类算法虽然都属于压缩感知中的贪婪重构方法，但其差异并不只是“快慢不同”，而是体现在搜索粒度、支撑修正深度、对参数敏感程度以及对伪支撑的抑制能力上。正因如此，将它们放在统一仿真环境中比较，才能更清楚地观察不同算法在无线信道估计中的实际适用区间。

四、仿真设计与结果分析

为了更全面地评价五类算法，本文从信噪比变化、导频数量变化、稀疏度变化、平均运行时间以及固定场景下的抽头恢复效果等多个角度展开仿真分析。评价指标主要包括归一化均方误差、误码率、支撑恢复成功率，以及面向固定场景的抽头位置恢复表现。这样的设计能够同时反映算法的重构质量、对通信性能的实际影响以及实现代价。

从NMSE随SNR变化的结果来看，五类算法在低信噪比区域都受到噪声主导，曲线整体较高且差异有限；随着信噪比提升，不同算法的支撑搜索与系数重估计能力逐渐显现。MP由于缺少充分的正交回代和支撑修正，其误差下降速度相对较慢；OMP能够保持较稳的下降趋势；StOMP受门限机制影响，在中高信噪比下若门限控制不够理想，容易出现下降趋缓现象；CoSaMP和SP则通常在中高信噪比下获得更低的NMSE。这说明当噪声影响减弱后，算法本身的支撑选择质量和幅值恢复精度就成为决定性能的主导因素。该结论与近年关于OMP改进、SAMP改进及稀疏贝叶斯方法的研究结果具有一致性，即结构更完善的恢复机制往往能够在中高信噪比区域释放更明显优势。

从BER随SNR变化的结果来看，不同算法之间的差别要比单纯的NMSE比较更具工程意义。因为对于16QAM这类较高阶调制方式而言，均衡后的幅度偏差与相位失配会更直接地映射到误判概率上。本文结果表明，随着信道估计精度提升，BER整体随SNR下降，但各算法下降速度并不一致。MP虽然在低复杂度上具有优势，但在误码性能上难以保持竞争力；OMP通常能够取得较稳的误码下降趋势；CoSaMP与SP在中高信噪比下往往表现更好。这说明在实际系统中，仅以“是否恢复大致支撑位置”作为评价标准是不够的，还必须观察重估计后的抽头幅值精度，因为后者会直接影响均衡和符号判决结果。

从导频数量变化曲线可以看出，导频数增加后，观测矩阵携带的信息更加充分，所有算法的估计误差都呈下降趋势，但不同算法对导频增长的受益程度不同。MP受限于基本搜索机制，即使导频增加，其性能改善幅度仍相对有限；OMP与StOMP在导频数中等时即可体现出明显改善；CoSaMP与SP则在导频条件逐步充足后表现出更强的恢复优势。这一现象表明，导频资源的增加并非对所有算法都“等价有利”，而是会强化那些具有支撑修正能力算法的性能优势。对于实际系统设计而言，这意味着在可分配导频有限的情况下，需要优先选择对稀疏结构利用更充分的估计方法。

从稀疏度变化结果来看，当非零抽头数增加时，观测问题会从“高度稀疏”逐渐转向“弱稀疏”，恢复难度显著上升。此时，五类算法的差异进一步放大。MP最先受到影响，表现为NMSE与BER增长较快；OMP和StOMP在中等稀疏度条件下仍能维持一定精度，但当有效路径继续增加时，其搜索与重估计压力同步上升；CoSaMP与SP由于具备更积极的支撑修正机制，通常在较高稀疏度区域仍保持更强韧性。由此可见，稀疏度并不仅仅是一个模型参数，更是影响算法可用边界的重要因素。在工程实现中，如果已知系统路径较少、稀疏性明显，OMP类方法通常足以胜任；而当路径数量增加、场景更复杂时，则应优先考虑具备候选扩展与裁剪能力的算法。

复杂度方面，本文仿真显示MP的平均运行时间最低，OMP次之，CoSaMP、SP与StOMP由于涉及多候选扩展、阈值判定和更复杂的最小二乘回代，其运行时间相对较高。这一结论符合算法结构特征，也体现了稀疏恢复问题中“性能—复杂度折中”的基本规律。需要指出的是，复杂度排序并不必然意味着算法优劣，而应结合场景需求理解。例如在低功耗终端、实时约束严格或硬件资源受限的系统中，OMP甚至MP仍可能具有实际价值；而在基站侧、RIS控制端或离线处理链路中，更高复杂度但更高精度的算法则更具吸引力。

固定SNR下的真实与估计信道抽头对比进一步验证了上述分析。MP在抽头恢复中更容易出现杂散项和幅值偏差，而OMP、CoSaMP与SP对主径位置和主要抽头幅值的恢复更接近真实信道，StOMP则可能受阈值选择影响而在个别抽头上产生偏差。就本文构建的统一仿真框架而言，如果综合考虑精度、鲁棒性与复杂度，OMP仍然是一种较均衡的基础方案；如果优先追求中高信噪比下的估计精度和误码性能，则CoSaMP与SP更具优势；如果场景规模更大、需要兼顾速度，则StOMP仍值得进一步优化；而MP更适合作为低复杂度基线算法存在。

五、结论

本文围绕压缩感知框架下的稀疏无线信道估计问题，对MP、OMP、StOMP、CoSaMP与SP五类典型贪婪算法进行了系统分析。研究表明，稀疏结构能够显著改变传统信道估计的设计思路，使有限导频条件下的高维恢复成为可能；而在这一框架内，不同贪婪算法的差别主要体现在支撑搜索策略、正交投影深度、候选集修正能力以及复杂度控制方式上。本文的仿真结果显示，MP具有最低实现成本，但整体性能最弱；OMP在精度和复杂度之间保持较好均衡；StOMP具备阶段式搜索优势，但门限参数敏感；CoSaMP与SP在中高信噪比和较复杂稀疏场景中通常可获得更优估计性能。

进一步来看，信噪比、导频数量与稀疏度并非彼此独立，而是共同决定了算法可恢复性与最终通信性能。当导频不足或噪声过强时，所有算法都会受到明显制约；当观测信息逐渐充分后，具备支撑修正能力的算法优势开始凸显。因此，稀疏信道估计的实际应用不应仅停留于单一算法优劣判断，而应根据系统维度、实时性要求、导频预算与硬件资源进行联合选择。未来若进一步结合结构先验、贝叶斯学习、深度展开或跨帧相关性利用，稀疏无线信道估计仍有较大的性能提升空间。

参考文献

[1] TARAFDER P, CHUN C, ULLAH A, KIM Y, CHOI W. Channel Estimation in 5G-and-Beyond Wireless Communication: A Comprehensive Survey[J]. Electronics, 2025, 14(4): 750.

[2] OYERINDE O O, FLIZIKOWSKI A, MARCINIAK T, ZELENCHUK D, NGATCHED T M N. Compressive Sensing-Based Channel Estimation for Uplink and Downlink Reconfigurable Intelligent Surface-Aided Millimeter Wave Massive MIMO Systems[J]. Electronics, 2024, 13(15): 2909.

[3] SI L, XU W, YU X, YIN H. An Improved Orthogonal Matching Pursuit Algorithm for CS-Based Channel Estimation[J]. Sensors, 2023, 23(23): 9509.

[4] HU H, ZHAO X, CHEN S, HUANG T. An Improved SAMP Algorithm for Sparse Channel Estimation in OFDM System[J]. Sensors, 2023, 23(15): 6668.

[5] OYERINDE O O, FLIZIKOWSKI A, MARCINIAK T. Iterative Hybrid Compressive Sensing-Based Channel Estimation Method for Intelligent Reflecting Surface-Supported Millimeter Wave Systems[J]. AEU – International Journal of Electronics and Communications, 2024, 184: 155415.

[6] OYERINDE O O, FLIZIKOWSKI A, MARCINIAK T. Compressive Sensing-Based Channel Estimation Schemes for Wideband Millimeter Wave Wireless Communication Systems[J]. Computers & Electrical Engineering, 2022, 104: 108452.

[7] LIAO A, GAO Z, WANG H, CHEN S, ALOUINI M-S, YIN H. Closed-Loop Sparse Channel Estimation for Wideband Millimeter-Wave Full-Dimensional MIMO Systems[J]. IEEE Transactions on Communications, 2019, 67(12): 8329-8345.

[8] FURUTA K, TAKAHASHI T, OCHIAI H. Sparse Bayesian Learning Using Complex t-Prior for Beam-Domain Massive MIMO Channel Estimation[J]. IEEE Open Journal of the Communications Society, 2024, 5: 5905-5920.

[9] CHENG X, YANG Y, XIA B, WEI N, LI S. Sparse Channel Estimation for Millimeter Wave Massive MIMO Systems with Lens Antenna Array[J]. IEEE Transactions on Vehicular Technology, 2019, 68(11): 11348-11352.

[10] SRIVASTAVA S, MISHRA A, RAJORIYA A, JAGANNATHAM A K, ASCHEID G. Quasi-Static and Time-Selective Channel Estimation for Block-Sparse Millimeter Wave Hybrid MIMO Systems: Sparse Bayesian Learning Based Approaches[J]. IEEE Transactions on Signal Processing, 2019, 67(5): 1251-1266.

2、仿真结果演示