这次我们来看一个非常经典的通信信号处理仿真任务大规模 MIMO 系统信道估计。很多做 5G、6G 物理层算法的同学或者正在准备通信方向毕业设计的读者都会遇到这个课题。它的核心不是把信道估计算法背下来而是要在 MATLAB 里把 LS、OMP、MOMP、CoSaMP 这几种算法放在同一个仿真框架下用信道估计误差NMSE和频谱效率这类指标直观对比出压缩感知类算法相对传统 LS 的增益到底有多大。这篇文章会解决三个问题第一这四种算法各自解决什么问题分别适合什么样的信道条件第二在 MATLAB 中如何搭建一个大规模 MIMO 信道估计仿真平台包括导频设计、信道生成、算法实现和指标计算第三怎么用一次仿真实验快速对比出不同算法的性能差异并输出可写进报告或论文的曲线图。先做一个快速判断这个仿真任务对硬件几乎没有门槛。它不需要 GPU不需要 50 系显卡也不涉及深度学习框架。一台普通办公电脑只要装了 MATLAB R2021a 或更高版本内存 8GB 以上就能完成本文里的全部实验。整个项目的核心工作量集中在算法理解和代码组织上一旦把仿真框架搭好后面换天线数、换导频数、换 SNR 都只是改参数的事。这篇文章会从系统模型开始把 MATLAB 代码拆开讲最后给出一套常见问题和排查清单照着写就能跑通。1. 核心能力速览能力项说明项目类型大规模 MIMO 信道估计仿真算法对比实验框架核心算法LS最小二乘、OMP正交匹配追踪、MOMP改进/多元 OMP、CoSaMP压缩采样匹配追踪运行平台Windows / Linux / macOS 均可安装 MATLAB 即可运行硬件要求普通 CPU建议内存 8GB 以上无需 GPU启动方式MATLAB 脚本直接运行无需编译主要功能信道生成、导频插入、信道估计、性能指标计算、性能曲线绘制输出结果NMSE-SNR 曲线、频谱效率-SNR 曲线、不同算法对比图、稀疏度影响分析图是否支持批量任务支持通过 for 循环扫描 SNR 点建议用 parfor 加速是否支持 API不涉及MATLAB 脚本仿真无接口服务要求适合场景毕业设计、课题预研、压缩感知信道估计算法研究、性能对比分析这里要说明一点OMP 和 CoSaMP 都属于压缩感知Compressive Sensing, CS类算法它们利用了毫米波大规模 MIMO 信道的稀疏特性。而 MOMP 在不同文献里的含义略有差异有的代表 Modified OMP有的代表 Multi-path OMP。本文按“改进型 OMP”处理重点展示它在稀疏度未知或导频数减少时如何比标准 OMP 更稳定。如果你在具体课题中用的是另一种 MOMP 定义仿真框架和对比逻辑同样适用。2. 适用场景与使用边界2.1 这个仿真适合谁通信工程 / 电子信息类本科生、研究生毕业设计需要做算法对比或者课程设计需要输出仿真曲线。5G/6G 物理层算法工程师在项目预研阶段快速验证压缩感知信道估计在稀疏信道下的性能边界。MATLAB 技术爱好者想理解稀疏重构算法在通信系统里的具体落地方法而不是只看数学公式。2.2 能解决什么问题回答“压缩感知类算法比 LS 在低导频开销下好多少”这个核心问题。对比不同重构算法的收敛速度、估计精度和复杂度。给出可扩展的仿真框架方便后续更换信道模型、天线配置和导频模式。2.3 使用边界与合规提醒本文所有仿真均在 MATLAB 本地环境完成使用随机生成的信道矩阵不涉及真实运营商数据或用户隐私信息。信道仿真中的噪声、衰落参数均基于标准统计模型不涉及对特定设备、频段或地区参数的模拟。如果你将本仿真框架用于论文、报告或商业项目建议在参考他人代码或开源库时标注来源避免学术不端。算法性能受信道稀疏度、导频数、SNR 等多个参数影响单次仿真结果不足以支撑强结论建议多轮蒙特卡洛取平均。3. 环境准备与前置条件3.1 软件与硬件检查清单检查项建议要求说明操作系统Windows 10/11、Ubuntu 20.04、macOS 均可MATLAB 为跨平台软件MATLAB 版本R2021a 及以上涉及parfor时建议 R2019a 以上内存8GB 以上大规模天线阵列时内存占用会显著提升硬盘空间预留 2GB 以上保存仿真结果和图片并行计算工具箱可选多 SNR 点扫描时推荐安装3.2 MATLAB 环境验证打开 MATLAB在命令行窗口输入以下命令确认环境正常% 显示 MATLAB 版本 version % 检查是否有并行计算工具箱 license(test, Distrib_Computing_Toolbox)如果第二行返回1说明可以使用parfor并行加速返回0也不影响功能测试只是多 SNR 扫描会慢一些。4. 系统模型与算法原理4.1 大规模 MIMO 信道模型在仿真中我们使用典型的窄带毫米波信道模型。考虑一个 BS 端有 $N_t$ 根天线、单用户单天线接收的下行链路场景。信道向量 $\mathbf{h} \in \mathbb{C}^{N_t \times 1}$ 可以表示为$$ \mathbf{h} \sum_{l1}^{L} \alpha_l \mathbf{a}_t(\theta_l) $$其中 $L$ 是路径数$\alpha_l$ 是第 $l$ 条路径的复增益$\theta_l$ 是第 $l$ 条路径的到达角$\mathbf{a}_t(\theta_l)$ 是发送端阵列响应向量。在均匀线性阵列ULA下$$ \mathbf{a}_t(\theta) \frac{1}{\sqrt{N_t}} \left[1, e^{j\pi \sin(\theta)}, \cdots, e^{j\pi (N_t-1) \sin(\theta)}\right]^T $$这里 $L \ll N_t$说明信道具有稀疏性这是 OMP、MOMP、CoSaMP 能够工作的前提。4.2 导频接收信号模型发送端发送导频符号 $s$接收端收到的导频信号为$$ \mathbf{y} \mathbf{X} \mathbf{h} \mathbf{n} $$其中 $\mathbf{X}$ 是导频矩阵$\mathbf{h}$ 是待估计信道$\mathbf{n}$ 是零均值复高斯噪声方差为 $\sigma_n^2$。定义 SNR 为$$ \text{SNR} 10 \log_{10} \frac{P}{\sigma_n^2} $$其中 $P$ 是导频发送功率。4.3 LS 信道估计LS 估计是最基本的线性估计不利用稀疏先验直接求最小二乘解$$ \hat{\mathbf{h}}_{LS} (\mathbf{X}^H \mathbf{X})^{-1} \mathbf{X}^H \mathbf{y} $$LS 计算最简单、复杂度最低但在导频数低于天线数时性能退化严重在低 SNR 下噪声放大的问题也很明显。4.4 OMP 信道估计OMP 是经典的贪心稀疏重构算法。它通过迭代筛选信道向量的非零支撑集步骤如下初始化残差 $\mathbf{r}_0 \mathbf{y}$支撑集 $\Lambda_0 \emptyset$。第 $k$ 次迭代找到与残差最相关的原子索引。将索引加入支撑集用最小二乘更新系数。更新残差直到迭代次数达到稀疏度 $L$ 或残差小于阈值。OMP 的优点是实现简单性能优于 LS但需要预先知道稀疏度或者设置合理停止条件。4.5 MOMP 信道估计MOMP 是对标准 OMP 的改进。常见改进思路包括在每次迭代中选择多个相关性较强的原子加速收敛。使用回溯策略允许从支撑集中移除误选原子。结合信道结构信息例如利用角度域的联合稀疏性。在仿真中可以将 MOMP 理解为“每次迭代选择 Top-K 原子”的扩展版本。当信道稀疏度未知时MOMP 通常比 OMP 更鲁棒。4.6 CoSaMP 信道估计CoSaMP 的核心思想是每次迭代选择 $2L$ 个候选原子然后通过回溯裁剪只保留 $L$ 个支撑集。它与 OMP 的主要区别是OMP 一旦选中原子就永远留在支撑集中。CoSaMP 每次迭代会重新评估支撑集允许“换人”。这种策略让 CoSaMP 在支撑集选择错误时能自我修正抗噪声能力更强但复杂度也更高。下表总结了四种算法的核心差异算法是否利用稀疏性是否需已知稀疏度支持集更新方式复杂度LS否否无低OMP是是只增不减中MOMP是否或需近似批量更新 / 回溯中高CoSaMP是是增量加裁剪高5. MATLAB 仿真实现与部署5.1 项目目录结构建议按以下目录组织代码方便后续维护和批量实验MIMO_ChannelEstimation/ ├── main.m % 主脚本运行全部实验 ├── generate_channel.m % 生成稀疏信道 ├── generate_pilot.m % 生成导频矩阵 ├── ls_estimator.m % LS 函数 ├── omp_estimator.m % OMP 函数 ├── momp_estimator.m % MOMP 函数 ├── cosamp_estimator.m % CoSaMP 函数 ├── compute_nmse.m % 计算归一化均方误差 ├── compute_spectral_efficiency.m % 计算频谱效率 └── run_single_snr.m % 单 SNR 点蒙特卡洛实验5.2 信道生成函数function h generate_channel(Nt, L, seed) % 生成稀疏毫米波信道 % Nt: 天线数 % L: 路径数稀疏度 % seed: 随机种子便于复现 if nargin 3 seed rng; else rng(seed); end % 随机生成到达角均匀分布在 -60 度到 60 度 theta (rand(1, L) - 0.5) * 2 * pi / 3; % 阵列响应向量 [Nt x L] A exp(1j * pi * (0:Nt-1). * sin(theta)) / sqrt(Nt); % 复增益 [L x 1] alpha (randn(1, L) 1j * randn(1, L)). / sqrt(2); % 信道向量 [Nt x 1] h A * alpha; % 归一化信道能量 h h / norm(h); end5.3 导频矩阵生成function X generate_pilot(Nt, Np, seed) % 生成导频矩阵 % Np: 导频长度观测数 if nargin 3 seed rng; else rng(seed); end % 随机导频矩阵每项满足零均值单位方差 X (randn(Np, Nt) 1j * randn(Np, Nt)) / sqrt(2); % 归一化列能量保证导频功率恒定 X X ./ sqrt(sum(abs(X).^2, 1) / Np); end5.4 LS 估计函数function h_hat ls_estimator(X, y) % LS 信道估计 % 最小二乘解: h_hat (X^H X)^{-1} X^H y h_hat (X * X) \ (X * y); end5.5 OMP 估计函数function h_hat omp_estimator(X, y, L) % 正交匹配追踪信道估计 % L: 信道稀疏度路径数 [Np, Nt] size(X); r y; % 残差 Lambda []; % 支撑集 h_hat zeros(Nt, 1); for k 1:L % 计算相关 corr X * r; [~, idx] max(abs(corr)); % 更新支撑集 Lambda union(Lambda, idx); % 最小二乘求解支撑集上的系数 X_Lambda X(:, Lambda); h_Lambda (X_Lambda * X_Lambda) \ (X_Lambda * y); % 更新残差 r y - X_Lambda * h_Lambda; end h_hat(Lambda) h_Lambda; end5.6 MOMP 估计函数这里实现的 MOMP 是“每次迭代选择 Top-K 原子并进行回溯”的版本function h_hat momp_estimator(X, y, L, K) % 改进 OMP 算法每次迭代选择 K 个候选原子最后回溯保留 L 个 if nargin 4 K min(2 * L, size(X, 2) / 2); end [Np, Nt] size(X); r y; Lambda []; while numel(Lambda) L % 计算相关并选择 Top-K corr abs(X * r); [~, sort_idx] sort(corr, descend); % 排除已选原子后取前 K 个 cand sort_idx(~ismember(sort_idx, Lambda)); cand cand(1:min(K, numel(cand))); % 候选集合并 Lambda union(Lambda, cand); % 如果候选集超过 L裁剪到 L 个 if numel(Lambda) L X_Lambda X(:, Lambda); h_Lambda (X_Lambda * X_Lambda) \ (X_Lambda * y); [~, keep_idx] sort(abs(h_Lambda), descend); Lambda Lambda(keep_idx(1:L)); end % 更新残差 X_Lambda X(:, Lambda); h_Lambda (X_Lambda * X_Lambda) \ (X_Lambda * y); r y - X_Lambda * h_Lambda; % 防止死循环 if numel(Lambda) Nt break; end end h_hat zeros(Nt, 1); h_hat(Lambda) h_Lambda; % 最终投影 X_Lambda X(:, Lambda); h_Lambda (X_Lambda * X_Lambda) \ (X_Lambda * y); h_hat(Lambda) h_Lambda; end5.7 CoSaMP 估计函数function h_hat cosamp_estimator(X, y, L) % CoSaMP 压缩采样匹配追踪 [Np, Nt] size(X); r y; h_hat zeros(Nt, 1); iter_max max(4 * L, 20); for iter 1:iter_max % 相关计算 corr abs(X * r); % 选择 2L 个最大相关索引 [~, idx_2L] sort(corr, descend); idx_2L idx_2L(1:min(2*L, Nt)); % 与当前支撑集合并 Lambda union(find(abs(h_hat) 1e-6), idx_2L); % 最小二乘 X_Lambda X(:, Lambda); h_temp zeros(Nt, 1); h_Lambda (X_Lambda * X_Lambda) \ (X_Lambda * y); h_temp(Lambda) h_Lambda; % 裁剪保留最大的 L 个分量 [~, keep_idx] sort(abs(h_temp), descend); Lambda_new keep_idx(1:L); h_hat zeros(Nt, 1); X_Lambda_new X(:, Lambda_new); h_Lambda_new (X_Lambda_new * X_Lambda_new) \ (X_Lambda_new * y); h_hat(Lambda_new) h_Lambda_new; % 更新残差 r y - X * h_hat; % 收敛判断残差能量变化很小则提前终止 if norm(r) 1e-6 * norm(y) break; end end end5.8 主仿真脚本%% 主脚本大规模MIMO信道估计性能对比 clear; clc; close all; %% 系统参数配置 Nt 64; % 基站天线数 L 4; % 信道路径数稀疏度 Np 16; % 导频符号数观测数 SNR_dB -10:2:20; % SNR 范围 num_monte 100; % 蒙特卡洛次数 % 预分配结果矩阵 nmse_ls zeros(size(SNR_dB)); nmse_omp zeros(size(SNR_dB)); nmse_momp zeros(size(SNR_dB)); nmse_cosamp zeros(size(SNR_dB)); %% 算法对比主循环 for snr_idx 1:length(SNR_dB) snr SNR_dB(snr_idx); noise_var 10^(-snr / 10); nmse_acc_ls 0; nmse_acc_omp 0; nmse_acc_momp 0; nmse_acc_cosamp 0; for mc 1:num_monte % 生成信道和导频 h generate_channel(Nt, L, mc * 100 snr_idx); X generate_pilot(Nt, Np, mc * 200 snr_idx); % 接收信号 n sqrt(noise_var / 2) * (randn(Np, 1) 1j * randn(Np, 1)); y X * h n; % LS 估计 h_ls ls_estimator(X, y); nmse_acc_ls nmse_acc_ls norm(h - h_ls)^2 / norm(h)^2; % OMP 估计 h_omp omp_estimator(X, y, L); nmse_acc_omp nmse_acc_omp norm(h - h_omp)^2 / norm(h)^2; % MOMP 估计 h_momp momp_estimator(X, y, L, 2); nmse_acc_momp nmse_acc_momp norm(h - h_momp)^2 / norm(h)^2; % CoSaMP 估计 h_cosamp cosamp_estimator(X, y, L); nmse_acc_cosamp nmse_acc_cosamp norm(h - h_cosamp)^2 / norm(h)^2; end nmse_ls(snr_idx) nmse_acc_ls / num_monte; nmse_omp(snr_idx) nmse_acc_omp / num_monte; nmse_momp(snr_idx) nmse_acc_momp / num_monte; nmse_cosamp(snr_idx) nmse_acc_cosamp / num_monte; fprintf(SNR %ddB 完成, LS: %.4f, OMP: %.4f, MOMP: %.4f, CoSaMP: %.4f\n, ... snr, nmse_ls(snr_idx), nmse_omp(snr_idx), nmse_momp(snr_idx), nmse_cosamp(snr_idx)); end %% 绘图NMSE 对比 figure(Color, white, Position, [100, 100, 800, 600]); semilogy(SNR_dB, nmse_ls, o-, LineWidth, 1.5); hold on; semilogy(SNR_dB, nmse_omp, s-, LineWidth, 1.5); semilogy(SNR_dB, nmse_momp, ^-, LineWidth, 1.5); semilogy(SNR_dB, nmse_cosamp, d-, LineWidth, 1.5); grid on; xlabel(SNR (dB)); ylabel(NMSE); legend(LS, OMP, MOMP, CoSaMP, Location, best); title([大规模MIMO信道估计性能对比, Nt, num2str(Nt), , L, num2str(L), , Np, num2str(Np)]); saveas(gcf, nmse_comparison.png);运行这个主脚本你会在当前目录下得到nmse_comparison.png图片同时命令行窗口会打印每个 SNR 点下四种算法的 NMSE 数值。从材料中的实现思路看在低 SNR 区间三种压缩感知算法的优势会非常明显LS 的 NMSE 曲线会明显偏高。6. 功能测试与效果验证6.1 测试目的本节验证四个核心问题四种算法能否在稀疏信道下正常工作。NMSE 曲线是否正确反映了不同算法的性能等级。算法的稀疏度敏感度如何。导频数变化时算法性能是否合理变化。6.2 测试维度与预期结果测试维度操作方式预期结果基础运行运行main.m无报错输出 NMSE 曲线图片稀疏度影响修改L为 2、4、8、16稀疏度越低压缩感知算法优势越明显导频数影响修改Np为 8、16、32、64导频越少LS 退化越严重CS 类算法仍能保持性能蒙特卡洛次数修改num_monte为 500曲线更平滑运行时间线性增加天线规模修改Nt为 128、256仿真时间上升CS 算法优势更明显6.3 判断标准四种算法的 NMSE 都随 SNR 提升而下降说明仿真框架正确。在低导频、高稀疏度条件下OMP/MOMP/CoSaMP 的 NMSE 显著低于 LS。CoSaMP 在中高 SNR 区间应与 OMP 相当或略优。MOMP 在候选集参数K设置合理时收敛速度比 OMP 快性能不应明显差于 OMP。6.4 常见失败原因矩阵求逆奇异X_Lambda * X_Lambda出现奇异通常是因为Np numel(Lambda)此时需要减少稀疏度L或增加导频数Np。OMP 候选原子提前耗尽Np小于L需要增大导频数或降低稀疏度。窗口无法显示图片说明figure参数设置与 MATLAB 版本不兼容删除Position即可。7. 接口 API 与批量任务严格来说这个 MATLAB 仿真项目不涉及 HTTP 接口或进程间通信 API。但从工程角度我们可以把这里的“接口”理解为“函数调用接口”这正是 MATLAB 工程化仿真的基础。7.1 函数接口设计前面代码中的每个 estimator 都是独立的函数这种设计有两个好处主脚本只负责参数配置和数据流控制。新增一种算法时不需要修改已有代码只要写一个新函数并保持输入输出格式一致。例如后续如果要加入 SAMP稀疏自适应匹配追踪算法只需要写一个samp_estimator(X, y)函数然后在上面的主循环里添加一行调用即可。7.2 批量参数扫描当需要扫描多组参数不同天线数、不同导频数、不同稀疏度时建议把单 SNR 点的蒙特卡洛逻辑封装成独立函数function results run_single_snr(X, h, noise_var, L) % 单 SNR 点、单次信道实现下的算法对比 n sqrt(noise_var / 2) * (randn(size(X, 1), 1) 1j * randn(size(X, 1), 1)); y X * h n; results.nmse_ls norm(h - ls_estimator(X, y))^2 / norm(h)^2; results.nmse_omp norm(h - omp_estimator(X, y, L))^2 / norm(h)^2; results.nmse_momp norm(h - momp_estimator(X, y, L, 2))^2 / norm(h)^2; results.nmse_cosamp norm(h - cosamp_estimator(X, y, L))^2 / norm(h)^2; end然后在主脚本中通过parfor并行执行多组蒙特卡洛任务parfor mc 1:num_monte h generate_channel(Nt, L, mc * 100 snr_idx); X generate_pilot(Nt, Np, mc * 200 snr_idx); res(mc) run_single_snr(X, h, noise_var, L); end注意parfor要求循环内不能有依赖关系上面的代码满足条件。并行池启动后可以发现多 SNR 扫描明显加速。7.3 批量任务管理建议每个 SNR 点的蒙特卡洛结果单独保存为.mat文件避免长仿真中途断电丢数据。设置随机种子时建议由外层循环统一生成保证每个实验可复现。批量扫描时将结果累加和除以蒙特卡洛次数避免保存全部中间变量导致内存膨胀。8. 资源占用与性能观察8.1 资源占用特征这个仿真任务的核心计算量集中在矩阵乘法和矩阵求逆上。以Nt64、Np16、num_monte100、SNR 点数为 16为例总计算量非常小单次实验的 CPU 时间通常在几秒到几十秒之间取决于 CPU 主频和 MATLAB 版本。观察资源占用的方法% 在 MATLAB 中查看运行时间 tic; run(main.m); elapsed toc; fprintf(总运行时间: %.2f 秒\n, elapsed);运行期间打开任务管理器可以观察到 MATLAB 进程的 CPU 占用率会明显上升。如果使用了parfor几个 worker 进程会同时运行内存占用会相应增加。8.2 性能瓶颈分析矩阵求逆OMP 和 CoSaMP 每次迭代都要对X_Lambda * X_Lambda求逆这是主要计算瓶颈。当支撑集大小接近Np时求逆代价快速上升。排序复杂度MOMP 和 CoSaMP 中涉及排序操作当Nt达到 256 以上时排序的耗时不能忽略。蒙特卡洛次数num_monte是运行时间的线性因子。如果只想快速验证算法正确性先设成 10 次确认曲线趋势后再加大到 500 次。8.3 降低资源占用的方法用parfor替代for利用多核 CPU。对矩阵求逆使用\运算MATLAB 会自动选择最优分解算法。减少不必要的中间变量例如在 OMP 中不要保存每次迭代的全部相关向量。如果内存紧张在每次 SNR 循环结束后清空临时变量。9. 常见问题与排查方法问题现象可能原因排查方式解决方案矩阵接近奇异结果出现 NaN 或 Inf导频数太少支撑集矩阵不可逆打印cond(X_Lambda * X_Lambda)增加Np、减小L或使用伪逆pinvOMP 与 CoSaMP 结果完全一样稀疏度L与信道真实路径数一致且 SNR 很高检查运行参数降低 SNR 或增加噪声方差观察差异MOMP 比 OMP 性能差候选集参数K设置太大引入错误原子打印每次迭代的支撑集变化将K调小例如K2曲线不平滑蒙特卡洛次数不够检查num_monte增加到 500 以上运行时间过长蒙特卡洛次数太多或Nt太大定位时间瓶颈用profile查看耗时函数parfor无法使用未安装并行计算工具箱执行license(test, Distrib_Computing_Toolbox)改用普通for或安装工具箱图片保存失败当前目录无写权限检查pwd结果切换到可写目录10. 最佳实践与使用建议10.1 代码工程化建议所有算法函数保持输入输出接口一致输入X、y、参数输出h_hat。这样换算法只是换一行调用。系统参数集中放在主脚本头部不要散落在代码各处。每个仿真脚本末尾自动保存结果图片和.mat数据文件文件名带上参数标识例如nmse_Nt64_L4_Np16.png。多组实验之间用随机种子隔离保证可复现。10.2 算法对比实验设计建议不要只画一张 NMSE-SNR 图就结束。建议至少做三组对比固定导频数改变稀疏度验证信道稀疏度对压缩感知算法的影响。固定稀疏度改变导频数验证导频开销降低时哪种算法退化最慢。固定 SNR改变天线数验证大规模天线阵列下计算复杂度的增长趋势。每组实验建议输出 NMSE 曲线和运行时间统计前者反映估计精度后者反映工程可行性。10.3 合规与安全提醒本仿真使用随机信道模型不涉及真实用户数据适合作为算法研究的基础框架。如果后续把仿真框架扩展到真实信道测量数据或半物理仿真平台请确认数据来源具备合法授权。在论文或报告中引用其他开源代码或算法思想时务必备注参考文献和代码来源。11. 总结与下一步这次实现的仿真框架核心价值是解决了“压缩感知信道估计在什么条件下比 LS 好、好多少”的问题。建议拿到代码后第一件事把Nt64、L4、Np16这个配置跑通观察四种算法在 SNR 从 -10dB 到 20dB 范围内的 NMSE 趋势。最容易踩的坑是导频数Np设置过小导致矩阵奇异以及 MOMP 候选集参数K设置不合理导致性能反而退化。如果要把这个课题继续做深可以考虑下面几个方向把信道模型扩展为宽带 OFDM 系统比较不同子载波上的信道估计效果。引入深度学习辅助的估计思路把 OMP 的迭代展开成神经网络层做学习型重构。研究导频结构优化将随机导频替换为基于互相关最小化设计的确定性导频。把单用户场景扩展到多用户大规模 MIMO对比不同算法的多用户干扰抑制能力。建议先收藏本文把主脚本跑通后再逐步替换算法和参数。仿真代码本身的重点不在代码量而在把系统模型、算法逻辑和性能指标三件事对齐。只要这个框架搭好后续换任何稀疏重构算法都只是插入一个新函数的事。