线性代数：概念及其在通信中的应用
本文从工程视角系统介绍线性代数基础，包括向量空间、矩阵、特征值和奇异值等概念，并说明这些工具如何支撑MIMO、波束形成、编码和检测等通信系统设计任务。
图 1 ：向量 v 在向量 u 上的投影示意，展示内积和子空间概念。
图 2 ： 2x2 线性变换 A x 作用于二维点阵的示意。
图 3 ：对称矩阵的特征向量示意，展示与特征值相关的主方向。
|-------------------|----------------------------|------------------|--------------------|---------------------|
| 概念 | 定义 | 主要性质 | 常用记号 | 工程角色 |
| 向量空间 | 在加法和数量乘法下封闭的向量集合。 | 线性组合、张成、基和维数等。 | v、x、y ∈ ℝ^n或ℂ^n。 | 用于描述信号集合、状态空间和码字集合。 |
| 矩阵 | 表示线性变换的二维数组。 | 秩、值域、零空间、行列式等。 | A、H、G、H^H等。 | 刻画信道、滤波器、编码器和译码器。 |
| 特征值/ 特征向量 | 满足Av = λv的非零向量v及其对应λ。 | 谱分解和模态行为等。 | λ、v等。 | 用于分析信道模态、稳定性和谐振。 |
| 奇异值分解 | A = UΣV^H，其中U、V为酉阵，Σ为对角阵。 | 分离旋转和缩放，揭示秩和条件数。 | Σ、U、V等。 | 用于MIMO预编码、压缩和低秩近似。 |
| 范数与内积 | 刻画向量长度和角度。 | 正交性和投影等。 | ‖x‖、⟨x,y⟩等。 | 用于定义误差、相关性和能量等指标。 |
表1：线性代数基本概念及其工程角色。
|-------------------------|----------------------------|---------------------|----------------------|
| 矩阵类别 | 定义 | 性质 | 工程示例 |
| 对角矩阵 | 仅主对角线上元素非零。 | 特征向量为标准基，非零对角时易于求逆。 | 独立信道或子载波的缩放矩阵。 |
| Hermitian/ 对称矩阵 | A = A^H（复数）或A = A^T（实数）。 | 特征值为实数，特征向量正交。 | 协方差矩阵、Gram矩阵等。 |
| 酉/ 正交矩阵 | U^H U = I。 | 保持范数和内积。 | DFT矩阵、旋转/波束形成矩阵等。 |
| 稀疏矩阵 | 多数元素为零。 | 存储和运算效率高。 | LDPC校验矩阵、大规模网络邻接矩阵等。 |
表2：重要矩阵类别、性质及工程示例。
|-------------------|-------------------|------------------------|---------------------------|
| 工程主题 | 线性代数角色 | 关键结构 | 说明 |
| MIMO 信道建模 | 以矩阵形式表示多天线信道。 | 信道矩阵H、H^H H、特征值和奇异值等。 | 支持容量分析、预编码和干扰管理。 |
| 波束形成与预编码 | 在向量空间中设计收发权重。 | 权重向量w、阵列方向向量a(θ)等。 | 通过投影到期望子空间实现SNR最大化或干扰最小化。 |
| 信道编码 | 使用有限域上的生成矩阵和校验矩阵。 | G、H及对应的Tanner图等。 | 决定码率、距离以及译码算法结构。 |
| 均衡与检测 | 求解线性方程和最小二乘问题。 | MMSE滤波器、零迫解等。 | 矩阵条件数影响噪声放大和算法鲁棒性。 |
表3：线性代数支撑的关键通信工程主题。
1. 向量空间与线性无关
向量空间为描述信号、状态和码字提供了统一框架。线性无关和基决定刻画一组向量所需的维数，这与通信系统可利用的自由度直接相关。
在MIMO和多用户系统中，相关子空间维数决定在不引入过多干扰的前提下可同时支持的数据流或用户数目。
2. 作为线性变换的矩阵
矩阵表示向量空间之间的线性映射。信道矩阵将发送符号向量映射为接收向量；滤波器矩阵可在块结构中表示卷积操作；编码矩阵将信息比特映射为码字。
秩、行列式和零空间等性质揭示映射是否可逆、可支持的数据流数目以及冗余或约束的嵌入方式。
3. 特征值、特征向量与模态分析
特征值和特征向量描述在变换下仅被缩放而不改变方向的向量。在通信系统中，它们出现在协方差分析、稳定性研究和信道模态分解中。
例如，信道协方差矩阵的特征结构可指导波束形成和资源分配；状态转移矩阵的特征值则用于判断控制环路的稳定性。
4. 奇异值分解与条件数
SVD将矩阵分解为旋转（U和V）与缩放（Σ），是揭示秩、条件数和主成分的有力工具，可用于MIMO预编码、压缩和低秩近似。
奇异值分布均衡的矩阵易于稳健求逆和构造MMSE解；奇异值高度不均衡的矩阵则会放大噪声，需要正则化或结构性调整（如天线选择）。
5. 内积、范数与投影
内积刻画相关性并定义向量间的角度，范数刻画长度和误差大小，投影则构成波束形成、最小二乘估计和干扰抑制的基础。
工程中常利用这些概念设计匹配滤波器、最小距离检测器以及基于投影的干扰消除方案。
6. 线性方程组、最小二乘与MMSE
许多检测和估计问题可归结为求解线性方程组或最小化二次代价函数。最小二乘和MMSE解依赖于求解正规方程或使用矩阵分解。
在大规模系统中（如大规模MIMO和多用户检测），采用QR、Cholesky或基于SVD的求解方法有助于获得高效且数值稳定的实现。
7. 实现考虑与数值鲁棒性
在实际实现中需处理有限精度和大维度。条件数、稀疏性和结构（如Toeplitz或带状矩阵）会影响算法选择和性能。
工程上常利用稀疏矩阵技术、迭代求解器和正则化来管理复杂度，并在通信硬件和软件中保持鲁棒性。