齐鲁工业大学 2014 届本科毕业设计（论文）
图3-2 加噪声的信道估计仿真结果
3.4 各种算法抗噪声性能的分析与比较
通过对理想状态下信道估计仿真结果和加噪声状态下信道估计仿真结果的分析，得出在理想的状态下LS算法下的信道估计效果最好，在加噪声的状态下LMMSE算法和LR_LMSSE算法对信道估计的影响都比LS算法的效果要好，并且LMMSE算法与LR_LMMSE算法之间的估计精度非常的接近，因此在加噪声的情况下，可以选择LMMSE算法或者LR_LMMSE算法进行信道估计，下面对各种算法抗噪声性能进行分析。
3.4.1 LS算法抗噪声性能的分析
理想状态下LS估计算法的仿真结果如图3-3所示，在从图中可以看出理想状态下LS算法估计，其误码率BER随信噪比SNR的增大有着上下的浮动，但是其上下浮动的幅度不是很大，与加噪声状态下LS估计算法仿真结果如图3-4比较，在相同的信噪比SNR下，加噪声状态下的误码率明显大于理想状态下的误码率，且仿真曲线也有着明显的变化，在加噪声状态下误码率BER随信噪比SNR的增大不断地减小，误码率变
19
齐鲁工业大学 2014 届本科毕业设计（论文）
化大，由此可以看出在LS算法下的信道估计的抗噪声性能很差。
图3-3 理想状态下LS估计算法的仿真结果
图3-4加噪声的LS估计算法仿真结果
3.4.2 LMMSE算法抗噪声性能的分析
理想状态下LMMSE估计算法的仿真结果如图3-5所示与加噪声的LMMSE估计算法仿真结果如图3-6所示相比，在相同的信噪比SNR下，加噪声状态下误码率明显的变得，但是两种状态下误码率都是随着信噪比SNR增大而不断地减小，且仿真曲线走势基本相同，由此可以得出在LMMSE算法下信道估计的抗噪声性能的效果好。
20
齐鲁工业大学 2014 届本科毕业设计（论文）
图3-5 理想状态下LMMSE估计算法的仿真结果
图3-6 加噪声的LMMSE估计算法仿真结果
3.4.3 LR_LMMSE算法抗噪声性能的分析
理想状态下LR_LMMSE估计算法的仿真结果如图3-7所示，从图中可以看出在信噪比SNR较低的情况下，随信噪比SNR的不断增加误码率BER在减小，在信噪比SNR较大情况下，随信噪比SNR的不断增加误码率BER在上下浮动，且上下浮动较小。在加噪声状态下如图3-8所示，误码率BER随着信噪比SNR的增大而不断地减小，两种状态下仿真曲线走势大致相同，但是通过图3-7和图3-8相比，在高的信噪比SNR两种状态下的仿真曲线有明显的差别，由此可以得出LR_LMMSE算法下信道估计的抗噪声性能较好。
21
齐鲁工业大学 2014 届本科毕业设计（论文）
图3-7 理想状态下LR_LMMSE估计算法的仿真结果
图3-8 加噪声的LR_LMMSE估计算法仿真结果
3.4.4 各种算法抗噪声性能的整体比较
通过对上面进行比较和分析，从中可以看出在加噪声的状态下LS算法与理想状态下的情况相比，其效果变得最差，而相反在加噪声的状态下LMMSE算法和LR_LMMSE算法的效果明显比LS算法效果更好。从中可以的出LS算法的靠噪声性能的效果最差，LR_LMMSE算法的抗噪声性能的效果介于LS算法和LMMSE算法之间，而LMMSE算法的抗噪声性能效果最好。
第四章 总结
本文分析了OFDM系统中LS、LMMSE和LR_LMMSE三种信道估计算法，利用MATLAB仿真实现了LS、LMMSE以及LR_LMMSE的信道估计，给出了三者在理想状态下和加噪声的状态下基于各种算法的信道估计误码率BRE随信噪比SNR变化的仿真曲线，并且对
22
齐鲁工业大学 2014 届本科毕业设计（论文）
理想状态下信道估计的仿真结果及加噪声状态下信道估计的仿真结果分别进行了分析，同时也对各种算法的抗噪声性能进行了分析和比较，通过上面的分析仿真结果显示LS估计运算简单，在理想状态下LS估计运算的效果最好，其估计精度优于其它的两种估计运算，由此得出在理想状态进行信道估计可以选择LS算法下,但在加噪声的状态下，LMMSE的估计精度优于LS算法估计，但是运算复杂程度相对较高，LR_LMMSE算法的估计精度接近于LMMSE，且运算复杂程度较低。在分析这三种估计算法的抗噪声性能时，从中得出LS算法的靠噪声性能的效果最差，LR_LMMSE算法的抗噪声性能的效果介于LS算法和LMMSE算法之间，而LMMSE算法的抗噪声性能效果最好。而在我们的现实生活中绝对理想的状态几乎是不可能存在的，而噪声是不可避免的，因此，在现实生活中可以根据实际情况在运算复杂度和估计精度之间做出权衡，选择LMMSE算法或者LR_LMMSE算法进行信道估计。
23