CN109831235B - 一种信道矩阵的svd分解方法及装置 - Google Patents

Abstract

本发明公开了一种信道矩阵的SVD分解方法及装置，所述方法包括：获取信道矩阵H；对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R；分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R；将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，对角矩阵Σ_s和四个正交矩阵Q_c、U_s、V_s ^T、Q_R ^T作为所述信道矩阵H的分解结果，从而提升了信道矩阵分解的实时处理性能，降低了计算载荷、处理时延与功耗。

Description

一种信道矩阵的SVD分解方法及装置

技术领域

本发明涉及通信技术领域，特别是指一种信道矩阵的SVD分解方法及装置。

背景技术

SVD分解属于矩阵理论中一种重要的分解方法。随着机器学习、大数据、图像处理、信号处理等学科的快速发展，SVD的应用领域也越来越广泛，而SVD分解的计算瓶颈大大限制了这些学科的实际应用。SVD分解虽然是一种很强大的数学工具，但是其超高的运算复杂度，使其实际应用产生了一定的障碍。

传统的主流SVD分解方法会直接对矩阵进行处理，但SVD分解的计算过于复杂，其计算复杂度为O(KM²)或O(M³)，其中M代表矩阵的维数。现实应用中，特别是大数据的快速发展，5G中关键的massive MIMO(大规模天线技术)，例如预编码技术需要对大规模矩阵进行SVD分解。当矩阵规模增长时，其对硬件和时间的要求处于立方增长状态，虽然可以利用MATLAB对矩阵进行SVD分解，但是当矩阵大于一定规模时，也显得力不从心。Google作为机器学习领域的引领者，使用了并行计算的方法进行SVD分解，但这种方法对硬件有较高的要求，无法根本克服计算复杂度膨胀的问题。因此传统SVD分解所需要耗费的计算资源和处理时延对于实时信号处理分析场景来说将变得无法承受。

发明内容

有鉴于此，本发明的目的在于提出一种信道矩阵的SVD分解方法及装置，能够降低信道矩阵分解的计算载荷、处理时延与功耗。

基于上述目的本发明提供的信道矩阵的SVD分解方法，包括：

获取信道矩阵H；

对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R；

分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R；

将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，并将所述对角矩阵Σ_s和四个正交矩阵Q_c、U_s、V_s ^T、Q_R ^T作为所述信道矩阵H的分解结果。

进一步地，所述对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R，具体包括：

采用最大体积方法对所述信道矩阵H进行行列抽取，抽取所述信道矩阵H的r列并重新排列为低维矩阵C，抽取所述信道矩阵H的r行并重新排列为低维矩阵R，并将所述信道矩阵H在抽取过程中的行列交叉点排列为低维矩阵U；其中，H＝CUR，

进一步地，所述分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R，具体包括：

对低维矩阵C进行QR分解，获得下三角矩阵R_c和低维矩阵Q_c；

对低维矩阵R^T进行QR分解，获得下三角矩阵R_R和正交矩阵Q_R；

其中，C＝Q_cR_c，R^T＝Q_RR_R，

进一步地，所述将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，具体包括：

将两个下三角矩阵R_c、R_R与低维矩阵U结合，获得矩阵R_cUR_R ^T；

对所述矩阵R_cUR_R ^T进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T；R_cUR_R ^T＝U_sΣ_sV_s ^T。

进一步地，所述方法还包括：

对所述信道矩阵H的分解结果进行重列重组，使H＝(Q_cU_s)Σ_s(V_s ^TQ_R ^T)；其中，(Q_cU_s),(V_s ^TQ_R ^T)为正交矩阵。

本发明还提供一种信道矩阵的SVD分解装置，包括：

获取模块，用于获取信道矩阵H；

CUR分解模块，用于对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R；

QR分解模块，用于分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R；以及，

SVD分解模块，用于将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，并将对角矩阵Σ_s和四个正交矩阵Q_c、U_s、V_s ^T、Q_R ^T作为所述信道矩阵H的分解结果。

进一步地，所述CUR分解模块具体用于：

采用最大体积方法对所述信道矩阵H进行行列抽取，抽取所述信道矩阵H的r列并重新排列为低维矩阵C，抽取所述信道矩阵H的r行并重新排列为低维矩阵R，并将所述信道矩阵H在抽取过程中的行列交叉点排列为低维矩阵U；其中，H＝CUR，

进一步地，所述QR分解模块具体包括：

第一分解单元，用于对低维矩阵C进行QR分解，获得下三角矩阵R_c和低维矩阵Q_c；

第二分解单元，用于对低维矩阵R^T进行QR分解，获得下三角矩阵R_R和正交矩阵Q_R；

其中，C＝Q_cR_c，R^T＝Q_RR_R，

进一步地，所述SVD分解模块具体包括：

结合单元，用于将两个下三角矩阵R_c、R_R与低维矩阵U结合，获得矩阵R_cUR_R ^T；

第三分解单元，用于对所述矩阵R_cUR_R ^T进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T；R_cUR_R ^T＝U_sΣ_sV_s ^T。

进一步地，所述装置还包括：

重组模块，用于对所述信道矩阵H的分解结果进行重列重组，使H＝(Q_cU_s)Σ_s(V_s ^TQ_R ^T)；其中，(Q_cU_s),(V_s ^TQ_R ^T)为正交矩阵。

从上面所述可以看出，本发明提供的信道矩阵的SVD分解方法及装置，能够对信道矩阵H进行CUR分解，以实现矩阵的降维处理，再对分解矩阵C、R^T进行QR分解，并充分利用分解矩阵的正交特性，对R_cUR_R ^T进行SVD分解，从而在保证与传统SVD分解精度相当的情况下，将信道矩阵分解的计算复杂度降到了线性复杂度O(KM)，极大限度提升了信道矩阵分解的实时处理性能，极大程度降低了计算载荷、处理时延与功耗。

附图说明

图1为本发明实施例提供的信道矩阵的SVD分解方法的流程示意图；

图2为本发明实施例提供的信道矩阵的SVD分解方法的原理图；

图3为本发明实施例提供的信道矩阵的SVD分解方法中步骤S2的原理图；

图4为本发明实施例提供的信道矩阵的SVD分解方法与现有技术的计算时间的对比图；

图5为本发明实施例提供的信道矩阵的SVD分解方法与现有技术的处理时延的对比图；

图6为本发明实施例提供的信道矩阵的SVD分解装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参见图1，是本发明实施例提供的信道矩阵的SVD分解方法的流程示意图，所述方法包括：

S1、获取信道矩阵H。

本实施例中，信道矩阵

通常为高维低秩矩阵，即矩阵H本身包含一些无用的信息，H的秩rank(H)＝k＝M，N，因此可以对矩阵H进行特征抽取。

S2、对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R。

具体地，步骤S2包括：

采用最大体积方法对所述信道矩阵H进行行列抽取，抽取所述信道矩阵H的r列并重新排列为低维矩阵C，抽取所述信道矩阵H的r行并重新排列为低维矩阵R，并将所述信道矩阵H在抽取过程中的行列交叉点排列为低维矩阵U；其中，H＝CUR，

本实施例中，利用信道矩阵H的低秩特性，对矩阵

进行行列抽取。如图2所示，对H抽取r列，形成C；对H抽取r行，形成R；对H抽取的r行、r列交叉点形成U，r≥k，从而实现信道矩阵维度的降低。

在实际抽取过程中，第一次随机采样抽取r列，对形成的矩阵进行QR分解，然后对Q进行重新排列，使Q中的绝对值最大元素占据前r行，即使Q的前r行r列具有最大的行列式值，记录行的交换过程等到交换向量I，通过I对H的r行进行抽取，对抽取后的矩阵同样使用上述方法，得到交换向量J，通过设定上限误差，经过迭代产生最终的I和J，进而形成低维矩阵C、U、R。其中，C由H的列重新排列而成，R由H的行重新排列而成，U由抽取过程中H的行列交叉点组合而成，如图3所示。

S3、分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R。

具体地，步骤S3包括：

对低维矩阵C进行QR分解，获得下三角矩阵R_c和低维矩阵Q_c；

对低维矩阵R^T进行QR分解，获得下三角矩阵R_R和正交矩阵Q_R；

其中，C＝Q_cR_c，R^T＝Q_RR_R，

本实施例中，若要得到H的近似SVD分解，则需对步骤S2中产生的三个低维矩阵进行进一步地处理，即对低维矩阵C和R^T分别进行QR分解，如图2所示，对C进行经济型QR分解，生成Q_c、R_c；对R^T进行经济型QR分解，形成Q_R、R_R，其中Q_c、Q_R是正交矩阵，R_c、R_R是下三角矩阵。

S4、将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，并将对角矩阵Σ_s和四个正交矩阵Q_c、U_s、V_s ^T、Q_R ^T作为所述信道矩阵H的分解结果。

具体地，步骤S4包括：

将两个下三角矩阵R_c、R_R与低维矩阵U结合，获得矩阵R_cUR_R ^T；

对所述矩阵R_cUR_R ^T进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T；R_cUR_R ^T＝U_sΣ_sV_s ^T。

本实施例中，通过步骤S2和步骤S3的分解，可以得到如下结果：

令

对S进行SVD分解，即S＝U_sΣ_sV_s ^T，其中S的维度已经降低到(r×r)，因此此时的SVD分解只需要很小的计算量。如图2所示，对R_cUR_R ^T进行SVD分解形成R_cUR_R ^T＝U_sΣ_sV_s ^T。

需要说明的是，步骤S2中CUR分解本身会有两次QR分解，计算复杂度为O((M+N)r²)，对Q进行行列交换时复杂度同样为O((M+N)r²)，步骤S3中对C和R进行QR分解时的计算复杂度仍为O((M+N)r²)，步骤S4中对S进行SVD分解过程中的计算复杂度为O(r³)，即总的运算复杂度为O((M+N)r²+r³)，而由于(r＜＜M,N)，即本实施例的计算复杂度与矩阵维度M、N的增长呈现线性关系，虽然行列选取过程中会产生迭代增加计算复杂度，但仍然远远优于传统主流SVD分解的复杂度O(M³)，从而最大限度地降低了大规模低秩矩阵场景下的SVD分解计算复杂度、处理时延以及功耗开销。

进一步地，所述方法还包括：

对所述信道矩阵H的分解结果进行重列重组，使H＝(Q_cU_s)Σ_s(V_s ^TQ_R ^T)；其中，(Q_cU_s),(V_s ^TQ_R ^T)为正交矩阵。

本实施例中，如图2所示，根据步骤S4的分解结果，形成信道矩阵最终的近似SVD分解：

其中，Q_c,U_s,V_s ^T,Q_R ^T均为正交矩阵，因此(Q_cU_s),(V_s ^TQ_R ^T)仍为正交矩阵，从而得到H的近似SVD分解。

另外，本实施例考虑到处理大规模矩阵的要求，为了论证与对比的方便性，可以假设需要对矩阵进行处理，相应的矩阵维度M从300增加到3000，矩阵的秩设定在20，CUR分解方法的抽取的行和列数量设定为r＝20。为了验证本实施例中的SVD分解方法，仿真对比MATLAB中自带的奇异值分解函数svd的分解速度与误差，假设分解函数svd分解产生的新矩阵为H_SVD，本实施例产生的新矩阵为H_new，与实际分解矩阵的误差分别用||H-H_SVD||_F,||H-H_new||_F来分析，即分解之后产生的矩阵与原矩阵之差的F-范数。此次的仿真平台为MATLAB2017b，CPU为Intel Core i5-4590主频3.3Ghz，内存4GB，操作系统win1064位。仿真两种方法同时运行，仿真实验独立进行了30次，分别记录了不同方法的CPU处理时延(如图4所示)与新矩阵产生的误差(如图5所示)，之后分别对结果取平均。

通过理论分析与仿真结果表明，随着矩阵维数M的迅速增长，本实施例所需要的处理时间大致呈线性增长关系，与之对比，分解函数svd的分解方法则呈现出立方增长率。而且随着矩阵维数M的增大，本实施例的计算时间结余越来越明显，例如当矩阵维度增加到3000左右时，如图4所示，本实施例相对于传统的主流SVD分解来说计算时间降低接近70倍，同时如图5所示，本实施例在大大降低CPU处理时延的同时，矩阵的分解精度与传统的主流SVD分解方法基本相同，其精度并未受任何影响，可以预见当矩阵维度继续增加时，本实施例的优势会更加明显。因此，本实施例在大大降低信道矩阵SVD分解方法复杂度的同时，完美的确保了信道矩阵的分解精度。

综上所述，本发明提供的信道矩阵的SVD分解方法，能够将信道矩阵的SVD分解的复杂度从立方或平方降低到线性，突破了大规模信道矩阵高精度分析场景下的高复杂度、大时延的核心理论难题；通过对信道矩阵进行行列抽取，分解出三个低维矩阵，并对低维矩阵进行QR或SVD分解，最终等效实现信道矩阵的SVD分解，避免了直接对信道矩阵的复杂SVD分解，展现出了对硬件友好的特点；对高维矩阵进行行列抽取的过程中，只涉及线性运算，最大程度避免了对高维矩阵的直接运算，为整套算法的实现提供了良好的基础；通过||H-Q_cU_s∑_sV_s ^TQ_R ^T||_F来控制分解的精确性，在提高运算速度的同时，最大程度的保证分解的精度。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

相应地，本发明还提供一种基于深度学习的命名实体链接装置，能够实现上述基于深度学习的命名实体链接方法的所有流程。

参见图6，是本发明实施例提供的信道矩阵的SVD分解装置的结构示意图，该装置包括：

获取模块1，用于获取信道矩阵H；

CUR分解模块2，用于对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R；

QR分解模块3，用于分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R；以及，

SVD分解模块4，用于将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，并将对角矩阵Σ_s和四个正交矩阵Q_c、U_s、V_s ^T、Q_R ^T作为所述信道矩阵H的分解结果。

进一步地，所述CUR分解模块具体用于：

采用最大体积方法对所述信道矩阵H进行行列抽取，抽取所述信道矩阵H的r列并重新排列为低维矩阵C，抽取所述信道矩阵H的r行并重新排列为低维矩阵R，并将所述信道矩阵H在抽取过程中的行列交叉点排列为低维矩阵U；其中，H＝CUR，

进一步地，所述QR分解模块具体包括：

第一分解单元，用于对低维矩阵C进行QR分解，获得下三角矩阵R_c和低维矩阵Q_c；

第二分解单元，用于对低维矩阵R^T进行QR分解，获得下三角矩阵R_R和正交矩阵Q_R；

其中，C＝Q_cR_c，R^T＝Q_RR_R，

进一步地，所述SVD分解模块具体包括：

结合单元，用于将两个下三角矩阵R_c、R_R与低维矩阵U结合，获得矩阵R_cUR_R ^T；

第三分解单元，用于对所述矩阵R_cUR_R ^T进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T；R_cUR_R ^T＝U_sΣ_sV_s ^T。

进一步地，所述装置还包括：

重组模块，用于对所述信道矩阵H的分解结果进行重列重组，使H＝(Q_cU_s)Σ_s(V_s ^TQ_R ^T)；其中，(Q_cU_s),(V_s ^TQ_R ^T)为正交矩阵。

本发明提供的信道矩阵的SVD分解装置，能够将信道矩阵的SVD分解的复杂度从立方或平方降低到线性，突破了大规模信道矩阵高精度分析场景下的高复杂度、大时延的核心理论难题；通过对信道矩阵进行行列抽取，分解出三个低维矩阵，并对低维矩阵进行QR或SVD分解，最终等效实现信道矩阵的SVD分解，避免了直接对信道矩阵的复杂SVD分解，展现出了对硬件友好的特点；对高维矩阵进行行列抽取的过程中，只涉及线性运算，最大程度避免了对高维矩阵的直接运算，为整套算法的实现提供了良好的基础；通过||H-Q_cU_s∑_sV_s ^TQ_R ^T||_F来控制分解的精确性，在提高运算速度的同时，最大程度的保证分解的精度。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种信道矩阵的SVD分解方法，其特征在于，包括：

获取MIMO信道的信道矩阵H；

对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R；

分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R；

将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，并将对角矩阵Σ_s和四个正交矩阵Q_c、U_s、V_s ^T、Q_R ^T作为所述信道矩阵H的分解结果，根据所述分解结果进行MIMO信道预编码；

所述分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R，具体包括：

对低维矩阵C进行QR分解，获得下三角矩阵R_c和正交矩阵Q_c；

对低维矩阵R^T进行QR分解，获得下三角矩阵R_R和正交矩阵Q_R；

所述将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，具体包括：

将两个下三角矩阵R_c、R_R与低维矩阵U结合，获得矩阵R_cUR_R ^T；

对所述矩阵R_cUR_R ^T进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T；R_cUR_R ^T＝U_sΣ_sV_s ^T。

2.根据权利要求1所述的信道矩阵的SVD分解方法，其特征在于，所述对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R，具体包括：

采用最大体积方法对所述信道矩阵H进行行列抽取，抽取所述信道矩阵H的r列并重新排列为低维矩阵C，抽取所述信道矩阵H的r行并重新排列为低维矩阵R，并将所述信道矩阵H在抽取过程中的行列交叉点排列为低维矩阵U；其中，H＝CUR，

3.根据权利要求2所述的信道矩阵的SVD分解方法，其特征在于，C＝Q_cR_c，R^T＝Q_RR_R，

4.根据权利要求3所述的信道矩阵的SVD分解方法，其特征在于，所述方法还包括：

对所述信道矩阵H的分解结果进行重列重组，使H＝(Q_cU_s)Σ_s(V_s ^TQ_R ^T)；其中，(Q_cU_s),(V_s ^TQ_R ^T)为正交矩阵。

5.一种信道矩阵的SVD分解装置，其特征在于，包括：

获取模块，用于获取MIMO信道的信道矩阵H；

CUR分解模块，用于对所述信道矩阵H进行CUR分解，获得三个低维矩阵C、U、R；

QR分解模块，用于分别对低维矩阵C和R^T进行QR分解，获得两个下三角矩阵R_c、R_R以及两个正交矩阵Q_c、Q_R；以及，

SVD分解模块，用于将两个下三角矩阵R_c、R_R与低维矩阵U结合并进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T，并将对角矩阵Σ_s和四个正交矩阵Q_c、U_s、V_s ^T、Q_R ^T作为所述信道矩阵H的分解结果，根据所述分解结果进行MIMO信道预编码；

所述QR分解模块具体包括：

第一分解单元，用于对低维矩阵C进行QR分解，获得下三角矩阵R_c和低维矩阵Q_c；

第二分解单元，用于对低维矩阵R^T进行QR分解，获得下三角矩阵R_R和正交矩阵Q_R；

所述SVD分解模块具体包括：

结合单元，用于将两个下三角矩阵R_c、R_R与低维矩阵U结合，获得矩阵R_cUR_R ^T；

第三分解单元，用于对所述矩阵R_cUR_R ^T进行SVD分解，获得对角矩阵Σ_s和两个正交矩阵U_s、V_s ^T；R_cUR_R ^T＝U_sΣ_sV_s ^T。

6.根据权利要求5所述的信道矩阵的SVD分解装置，其特征在于，所述CUR分解模块具体用于：

采用最大体积方法对所述信道矩阵H进行行列抽取，抽取所述信道矩阵H的r列并重新排列为低维矩阵C，抽取所述信道矩阵H的r行并重新排列为低维矩阵R，并将所述信道矩阵H在抽取过程中的行列交叉点排列为低维矩阵U；其中，H＝CUR，

7.根据权利要求6所述的信道矩阵的SVD分解装置，其特征在于，C＝Q_cR_c，R^T＝Q_RR_R，

8.根据权利要求7所述的信道矩阵的SVD分解装置，其特征在于，所述装置还包括：

重组模块，用于对所述信道矩阵H的分解结果进行重列重组，使H＝(Q_cU_s)Σ_s(V_s ^TQ_R ^T)；其中，(Q_cU_s),(V_s ^TQ_R ^T)为正交矩阵。

Images