1.算法仿真效果
matlab2022a仿真结果如下（完整代码运行后无水印）：
仿真操作步骤可参考程序配套的操作视频。
2.算法涉及理论知识概要
LS估计法实现方式较为简单，其估计过程没有考虑实际信道的噪声因素。因此，特别当毫米波MIMO信道干扰较大时，其估计性能较差，只适用于对信道估计精度要求较低，且信噪比较大的情况。
OMP估计法是一种自适应的信道估计方法，其不需要预先获得信道矩阵H的稀疏解的原子数K。为了获得预设的信道估计精度时，OMP估计法需要比CoSaMP估计法更多的迭代次数。但是过多的迭代次数，会导致信道估计误差的不断累积，从而影响最终的信道估计性能。
CoSaMP估计法具有较优的信道估计性能，但其在低信噪比下性能较差。但是，CoSaMP估计法性能依赖于在原子数K的取值，且CoSaMP信道估计的计算过程较为复杂，对计算效率有着较高的要求。
NOMP估计法的性能较优，其同时具备OMP和CoSaMP两种方法的优点。因此，改算法可以通过较小的计算规模和少量的迭代次数完成毫米波MIMO信道的估计。但是该方法的使用场合存在一定的局限性，其适用于窄带毫米波群簇信道模型，而对于其他类型的毫米波MIMO信道模型，其性能将受到影响。
基于BP神经网络的改进CoSaMP信道估计算法，通过BP神经网络运行得到的训练后的最优参数权重参数：
在BP神经网络训练结束之后，可以得到BP神经网络训练得到的hcmp值。
再假设CoSaMP估计法得到的信道估计值：
CoSaMP算法的毫米波MIMO信道估计输出值hcosamp和BP神经网络信道估计补偿输出值hcmp进行加权得到当前信道估计值，即：
3.MATLAB核心程序
for i1=1:MTKL rng(i1);for j1=1:length(SNR)[i1,j1][Noise0,sigma0] = func_whitenoise(seqdH,SNR(j1),V1); %OFDM机制seqdH_ifft = ifft(seqdH);Y = seqdH_ifft+Noise0;Yfft = fft(Y);%LS算法MSE_LS = func_LS(seqd,H,Yfft,N); %OMPMSE_OMP = func_OMP(Yfft,seqd,H,invH,N,L,K);%NOOMPMSE_NOMP = func_NOMP(Yfft,seqd,H,invH,N,L,K);%CoSaMPMSE_CoSaMP = func_CoSaMP(Yfft,seqd,H,invH,N,L); %CoSaMPMSE_CoSaMPnew = func_CoSaMPnew(Yfft,seqd,H,invH,N,L,K);end
endfigure;
semilogy(SNR,mean(R_LS),'-bs',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.0,0.0]);
hold on;
semilogy(SNR,mean(R_OMP),'-mo',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.5,0.9,0.0]);
hold on;
semilogy(SNR,mean(R_NOMP),'-b^',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.2,0.9,0.5]);
hold on;
semilogy(SNR,mean(R_CoSaMP),'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);
hold on;
semilogy(SNR,mean(R_CoSaMPNEW),'-k<',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.3,0.3]);
hold on;xlabel('SNR');
ylabel('MSE');
grid on
legend('LS','OMP','MOMP','CoSaMP','BP+CoSaMP');
0X_070m
