表3—第1个和第2个迭代之后的信道边界信息的均方误差
由于信道边界信息的均方误差在估计之前是E[hi-E(hi)]2=1-π/4=0.215。在第一个迭代之后的改进是很大的。但是，在第二个和接下来的迭代中，改善是比较微弱的。这也就是说明，估计量只需要在最初的几个迭代中运行即可。在接下来的仿真过程中，我们使用2阶算法：
●初始化hij=
/2，通过公式（7），我们运行联合信道估计和解码算法。
此时，归一化因数为α1=1.18；
●对于接下来的27个迭代，只有α2=1.35的LDPC解码器是被使用的。 此仿真结果是对l=20的块衰落信道而言的，详见表4：
表4—使用l=20的联合信道估计和LDPC解码
所有仿真最大的迭代数是30。与之对应的是，使用和积算法的联合信道估计和解码的性能表现也包括在内。在较低复杂度的情形下，我们的低复杂度算法跟它所对应的副本有一样理想的结果。与我们所熟知的理想的信道边界信息，它只有0.3dB的偏离。而且在没有估计的情形下，它还提供了1.4dB的曾益。在
l=10的条件下，块衰落信道的情况课件表5：
表5—在快衰落信道l=10时的联合信道估计和LDPC解码
我们可以得到：在高信噪比的区域，我们的低复杂算法甚至胜过了联合信道估计和使用和积算法的解码算法。
5. 结论
我们考虑到了在块衰落信道中迭代联合信道估计和LDPC解码算法的问题。传统的方法多数情况下是使用像解码算法一样的和积算法。但是我们认识到了，在联合信道估计和解码中，归一化最小和算法可以得到与和积算法相近似的理想的结果，而且有着更低的复杂度。进一步来说，简单的蒙特卡洛方法可以应用于找到更为优化的归一化因子。在地复杂度算法应用于其它信道模型中的算法，将会在我们称为我们接下来工作的重点，有待我们进一步的开发利用。