[通信与计算]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。

表1：线性代数基本概念及其工程角色。

表2：重要矩阵类别、性质及工程示例。

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。