導讀：通訊與訊號處理，其實都是在處理「線性系統與資料」
在通訊與信號工程裡，大部分問題可被抽象成：
👉 將訊號轉換
👉 將訊號分離👉 將訊號重建
這些操作最核心的數學結構是：
➡ 向量
➡ 矩陣
➡ 線性變換
也就是：
線性代數的舞台。
一、向量與訊號的關係
在數位通訊與訊號處理中：
📌 一個時間序列信號
→ 可以表示為向量
📌 多個天線同時接收
→ 輸入是多維向量
這使得訊號分析與處理變成：
👉 操作向量與矩陣的世界。
二、矩陣：通道與系統的數學抽象
通訊系統中常見矩陣出現的地方：
1) MIMO 通訊通道
多輸入多輸出（Multiple-Input Multiple-Output）通道：
y = H x + n
其中：
· H 是通道矩陣
· x 是傳送信號向量
· y 是接收信號向量
· n 是雜訊
H 的每一列／欄代表通道間的耦合。
三、傅立葉與頻域分析：線性代數的變換力量
離散傅立葉轉換（DFT）與快速傅立葉轉換（FFT）本質上也是線性變換：
📌 DFT 可表示為矩陣乘法
X = F x
其中 F 為傅立葉矩陣
線性代數的基底（basis）與投影觀念：
👉 讓我們能從時間域跳到頻率域
👉 並視頻率資訊為一種座標系轉換
這對濾波、頻譜分析與通道化非常重要。
四、最小平方與估計理論
例如：
在通訊系統中，我們常要估計通道或參數：
A x ≈ b
若 b 含雜訊不可完全吻合
則求最小平方解：
x̂ = arg min ||Ax − b||²
這在信號估計、參數估計、同步／校正裡都是基礎。
五、奇異值分解與通道分解分析
奇異值分解（SVD）讓任意矩陣 A 表示為：
A = U Σ Vᵀ
在通訊與訊號处理中：
✔ MIMO 通道容量分析
✔ 主通道模式分解
✔ 雜訊影響量化
都透過 SVD 找到「最有能量的模式方向」。
六、干擾消除、投影與子空間方法
線性代數的投影觀念讓工程師能：
📌 消除雜訊
📌 分離重疊訊號
📌 提取主成分
例如：
最小平方投影矩陣：
P = A (AᵀA)⁻¹ Aᵀ
在濾波與估計中扮演核心角色。
七、錯誤控制與編碼理論
在通訊錯誤控制（Error Control Codes）中：
✔ 線性分組碼
✔ 哈明碼
✔ 生成矩陣與校驗矩陣
都依賴矩陣運算來進行：
➡ 編碼
➡ 解碼
➡ 錯誤偵測／更正
這些也是線性代數的直接應用。
八、工程直覺總結
線性代數在通訊與訊號處理中主要提供三種能力：
1️⃣ 表示能力
→ 用向量／矩陣描述輸入、通道與輸出
2️⃣ 分析能力
→ 濾波、頻域轉換、模態分解
3️⃣ 估計與優化能力
→ 最小平方、正交分解、奇異值分解
🧮 實務演練題：MIMO 通道的線性代數分析
考慮一個 2×2 MIMO 通道模型：
y = H x
其中通道矩陣為：
H =
⎡ 2 0 ⎤
⎣ 0 1 ⎦
(1) 求 H 的奇異值分解（SVD）
(2) 說明此通道可拆成幾條獨立子通道
(3) 解釋各子通道的工程意義
已知
y = Hx
H = ⎡ 2 0 ⎤
⎣ 0 1 ⎦
(1) SVD：H = UΣVᵀ
定義：
H = UΣVᵀ
Hᵀ = ⎡ 2 0 ⎤
⎣ 0 1 ⎦
HᵀH = ⎡ 4 0 ⎤
⎣ 0 1 ⎦
特徵值：
λ₁ = 4
λ₂ = 1
奇異值：
σ₁ = √λ₁ = √4 = 2
σ₂ = √λ₂ = √1 = 1
Σ = diag(2, 1) = ⎡ 2 0 ⎤
⎣ 0 1 ⎦
一組最簡解：
U = I₂ = ⎡ 1 0 ⎤
⎣ 0 1 ⎦
V = I₂ = ⎡ 1 0 ⎤
⎣ 0 1 ⎦
因此：
H = UΣVᵀ = I₂ · diag(2,1) · I₂ᵀ
(2) 子通道數
rank(H) = 非零奇異值個數
rank(H) = 2
(3) SVD 解耦後的平行通道
發射端變數：
x̃ = Vᵀx
接收端變數：
ỹ = Uᵀy
解耦關係：
ỹ = Uᵀy
= UᵀHx
= UᵀH(Vx̃)
= (UᵀHV)x̃
= Σx̃
本題因 U = V = I₂：
x̃ = x ỹ = y 所以直接就是兩條平行通道：
y₁ = 2x₁
y₂ = 1x₂
（若看功率增益）
|y₁|² = 4|x₁|²
|y₂|² = 1|x₂|²
🎯 工程收斂
✔ SVD 讓 MIMO 通道變成多條 SISO 通道
✔ 奇異值 = 各通道品質指標
✔ 線性代數直接決定通訊效能
