1　基于导频的信道估计

以目前的实际应用实际而言，这种信道估计方法使用最多。这类方法是将一系列的导频信号加入发送信号中，在接收端得到在导频中特定的符号和已知的发送端的导频符号联合进行信道估计，然后数据位置的信道传递函数可以用导频位置处的估计值插值、滤波等方法估计[13]。这类方法可靠性好而且运行复杂度低，但是在导频信号不断插入的同时，有效带宽也一定会缩小，影响系统的传输效率。本文研究的信道估计技术便是这类算法，适用于该信道估计算法的通信系统发送的信号应是连续的。产生作用的导频信号在发送信号之前被插入数据当中，当接收端接收到这些信号时，分析已知的导频信号会得到较为准确的信道待估参数，接着再用插值算法进一步得出有用数据的信道待估参数乃至完整的信道估计。

2　盲信道估计

有别于第一类算法，这类算法不加入参考信号，而仅根据传输信号自身的一些信息或特征，或者采用判决反馈的方法来进行信道待估参数的估计。这种方法不像第一类估计方式需要先发送训练序列，在发送功率和带宽上做了让步。在不断挖掘该算法实现方式的过程中，已有几种比较成熟且常用的方法主要有：高阶统计量的盲信道估计、子空间（包括空间子空间和时间子空间）盲信道估计、最小二乘盲信道估计、最大似然盲信道估计等[14]。这类估计算法没有额外加入的辅助信号，加快了传输数据的速度，节约了空间，使得高速率的数字通信系统更加脱颖而出。 

3　半盲信道估计算法

这类算法结合了盲信道估计和基于参考信号估计的特点。它的原理是对基于最大似然法则的数据进行检测并通过迭代算法对信道系数进行估计[15]。在信道估计器和数据监测器中互换数据的过程可认为是几种反馈，且存在差异。而检测效果在不同类型的反馈作用下产生的影响也可能不同。 所以了解和确立反馈方式来获得比较好的信道估计效果是很重要的。

比较上述的三种估计方法，第一类方法的运用是最为普遍的，因为这类算法在复杂度上要低于另外两种，而且更符合时变信道所需要的事实性。反观盲信道估计和半盲信道估计，虽然都不需要借助参考信号，频谱利用率也较高，但是与此同时就需要更多的时间进行运算，产生的系统延迟也较大，甚至因为信号相位模糊或是误差传播等问题产生无法修复的差错。尽管对于导频信道估计、盲信道估计和半盲信道估计的研究已有很多，却都是针对静态信道的估计算法，并跟踪电力线信道的时变性，因此在电力线网络中并没有取得很好的效果。针对这一问题，学者开始研究动态信道估计技术。如果信道会产生频率选择衰落，那么盲信道估计将无法实现。而频率选择性衰落正是电力线信道一大特性，因此大多盲信道估计算法在电力线信道中行不通。本文分别研究了基于导频信号的LS估计算法以及MMSE算法对电力线信道估计，并进行均分误差的比较，得出更为适合的信道估计算法。而针对电力线信道的时变特性，本文又引入了小波神经网络，以便对时变信道的参数进行实时跟踪，对变化的参数进行完整的信道估计。