在参考文献［CoWi04a］中，评估了在不同的操作环境中使用测试数据对改变信道响应时得到权值适应性的方法。仿真使用了长度为N_T的追踪序列来得到估计矩阵和传播向量，n是帧参数。

这两种权值自适应方法分别是直接矩阵求逆（Direct Matrix Inversion，DMI）和LMS，DMI是一种块适应性算法，LMS是一种坡度自适应算法。对于DMI，n帧的权重值向量是

在LMS算法中，权值向量对每N_T个追踪符号具有适应性，

w_LMS（k）=w_LMS（k^-1）+μr（k-1）e^∗（k-1） （7.21）

e（k）=s（k）-w^H_LMS（k）r（k）k=1，…，N_T （7.22）(www.daowen.com)

参考文献［CoWi04a］中，对于与单一接收天线元相关的不同大小行列式通过使用农村、城乡交界和城市环境的数据来决定平均SNR增量，并且在图7.4中给出了N_T=12，追踪序列帧长度为60的结果。只要在一个帧中信道响应改变很小，并且所有的多径簇包含在分集结合过程中，在所有的传播环境的DMI算法都有近似的性能。然而，只要元素的数量增加超过N_T/2，SNR的增量就会减少，原因是信道估计的不足，正如7.3.5 节中讨论的。

图7.4 不同时变环境中不同行列式尺寸的LMS和DMI算法性能

LMS算法的性能更加取决于工作环境。在农村，有LoS分量，到达角度会随着车辆移动慢慢改变，LMS算法能在信道响应中控制这些变化。在城乡结合处和城市环境中，由于LMS算法不能控制快速变化的信道响应，性能会比较差。