一种基于EMD分组式的DMD自适应幅值预测方法

为了及时获取多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中不同移动速度用户的信道幅值,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)分组式的动态模式分解(Dynamic Mode Decomposition,DMD)自适应幅值预测方法AEG-DMD。利用EMD将幅值矩阵中每个数据时序图进行分解并分组,然后将分出的组数作为阈值区分不同预测方法的使用环境:低移速低复杂幅值使用DMD直接预测;对高移速高复杂幅值的预测,先用DMD对分组的幅值分别预测,再将预测的幅值进行合并作为最终预测幅值。仿真结果表明,该算法可以自适应预测不同移速用户的信道幅值。

基于动态模式分解的移动用户信道容量预测算法

在多输入多输出环境下,为了能够连续预测出移动用户的信道容量并以此合理地分配用户资源,提出了一种基于动态模式分解(DMD)的信道容量预测方法及其优化方法:基于经验模态分解的选择性归一化动态模式分解(ESN-DMD)。仿真结果表明,DMD算法只适用于预测低移速低复杂度的用户信号,ESN-DMD算法可以预测不同移速的用户信道容量。