包括程序操作录像+设计文档+参考文献

1.软件版本

matlab2022a

2.运行方法

     使用matlab2022a或者高版本仿真，运行文件夹中的tops.m或者main.m。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体操作观看提供的程序操作视频跟着操作。视频播放使用windows media player播放。

3.部分仿真截图

4.内容简介

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，相对于传统的OMP估计法，NOMP估计法以及CoSaMP估计法，其主要区别在于本文给出的算法在每一次循环迭代过程中，利用的BP神经网络的在线学习能力，对前一时刻的信道估计结果进行在线训练和学习，从而让BP神经网络可以根据信道估计结果感知到当前信道环境的实际情况，从而给出一个较优的信道估计补偿值 。通过该补偿值 对CoSaMP算法得到的信道估计结果进行补偿，从而获得性能较好的当前时刻的信道估计结果，并同时将该结果作为下一时刻BP神经网络的输入值。