简介：构建了依赖于Nekrasov矩阵的严格对角占优矩阵;在引入恰当的参数的基础上,通过对对角矩阵、M矩阵、严格对角占优矩阵逆矩阵范数界的估计,得到了Nekrasov矩阵的逆矩阵范数的新界;通过数值例子说明了新估计式的有效性。

简介：讨论了非负矩阵谱半径（或Perron根）的相关性质,得到其谱半径的一个上下界.

简介：本文将推导几个与矩阵的迹有关的特征值的不等式作为对特征值的界的估计，假定A为n×n复矩阵，其特征值均为实数，记为λ（A）不等式1．设A为n×n复矩阵。其特征值λ（A）是实数。

简介：基本矩阵的估算可以分为线性算法、非线性优化迭代算法、鲁棒估计算法三大类,而以鲁棒估计效率、效果最为突出,但是实现比较复杂.本文通过数码相机获取的两张未标定照片,采样互相关系数法和RANSAC算法,在MATLAB中实现了基本矩阵的自动拟合,实验表明拟合精度较高、速度快,为下一步三维场景的自动重建和量测奠定了基础。

简介：构造测量矩阵是压缩感知技术中关键的研究方向之一,在实现压缩的过程中需要构建一个满足RIP法则的特殊矩阵来保证较高的重构精度。在这篇文章中,我们通过一个简单的方式利用混沌序列构造测量矩阵,并证明在大多数情况下这种矩阵满足RIP法则。之后利用奇异值分解对其进行优化,在基于压缩感知的OFDM系统信道估计中应用这种观测矩阵,与基于最小二乘法的信道估计方法进行比较,通过实验仿真说明基于压缩感知的信道估计算法和利用混沌序列构造测量矩阵的优势。

简介：文章利用Gerschgorin圆盘定理，得到了非负矩阵AOB-1的谱半径新的上界；紧接着，利用非奇异M矩阵B的性质τ（B）=1/ρ（B-1）,得到了τ（B）的新下界；并且从理论上证明了这些新界改进了文献[3—4]中的相应结果。

简介：本文提出的MMD算法用于提高模型区别错误信息和正确信息的能力．利用该算法在对模型的参数进行重估计时．涉及到复杂的目标函数的梯度运算．击运用矩阵运算使得梯度运算变得简单明了，因此本文给出了MMD算法下的HMM参数重估计的矩阵表示形式并给出了证明．

简介：基本矩阵包含了摄像机的所有内参数和外参数信息，求解基本矩阵是计算机视觉中的重要研究课题。在介绍极线几何和基本矩阵理论后，提出了一种基于Sampson距离的RANSAC（RandomSamplingConsensus）算法用于解决求解基本矩阵中误匹配问题。通过从图像的特征提取、特征点匹配到求解基本矩阵的完整的仿真实验，验证了该算法的有效性。

简介：运用概率方法，给出了二阶矩阵降秩与数量估计，基于这一结论，估计出了随机给出的二平面直接线交的可能性大小。

简介：设矩阵A为严格对角占优M-矩阵,关于A的逆矩阵在无穷大范数下的上界估计已经成为研究的热点.利用逆矩阵元素的范围,给出严格对角占优M-矩阵的逆矩阵无穷大范数新的上界估计式,理论分析和数值算例表明新估计式改进了现有的一些结果.

简介：

简介：在分析现有的双基地STAP杂波协方差矩阵估计方法的基础上,从杂波建模的角度,建立了不同距离门的杂波协方差矩阵的联系,并在此基础上提出了基于最大似然的双基地STAP杂波协方差矩阵估计方法,数据仿真和分析表明该方法不仅具有较优的处理性能而且具有较好的适用性和扩展性。

简介：提出了一种利用时频分布进行波达方向估计的改进算法.该算法以等距线阵为模型,在构建空间时频分布矩阵的基础上,选取多个能量峰脊上的时频点,对这些时频点进行加权平均,实现信源的波达方向估计.该方法采用加权平均,使高能量的时频点在阵列相关矩阵估计中起到更大的作用,更好地抑制了交叉项的影响,加强了TFD矩阵的对角化结构特性,从而提高了DOA估计的精度和性能.仿真结果验证了这种新方法的有效性.

简介：理想条件下，均匀线阵的互耦矩阵可用一带状、对称Toeplitz矩阵进行建模。然而实测数据表明，均匀线阵的互耦矩阵具有对称性，但不具有Toeplitz性，此时仍按理想情况建模，会导致DOA估计不准甚至完全失效。基于RBF神经网络，提出了互耦矩阵非Toeplitz条件下的DOA估计方法。算法利用了信号协方差矩阵的对称性和对角线元素不含信号DOA信息的特点，取协方差矩阵的上三角的元素作为网络输入，不仅减少了网络的输入数，同时还提高了与阵列法线夹角60°外的DOA估计精度。实验仿真结果验证了算法的有效性。

简介：在大规模教育评估中，矩阵取样设计已为人们普遍接受并实践应用．而如何向公众报告评估结果逐渐成为矩阵取样设计研究中的重要问题。群体领域分数是管理者和公众最容易理解和接受的分数报告工具之一。本文尝试引入传统的OBS方法，以及基于IRT的EM方法和EAP方法，比较其在矩阵取样设计下对群体领域分数估计的精确性和稳健性。结果表明，EM方法和OBS方法对群体领域分数的估计精确性和稳健性最好。

简介：考虑线性模型Y=Xβ+ε,Y是可观察的n维向量,ε和β是不可观察的n维和p维随机向量;E（β）=Aα,VAR（β）=σ2△≥0;E（ε）=0,VAR（ε）=σ2V≥0;E（εβ＇）=0;X,A,△,V皆为已知矩阵;α∈Rk,σ>0皆为未知参数,本文首次提出矩阵损失函数,并给出了（Sα,Qβ）的估计（L1Y+α,L2Y+b）在非齐次估计类中可容许的充要条件。

简介：摘要  由于矩阵的初等变换和初等矩阵都有“初等”二字,所以非常容易将二者混为一谈.此文的目的在于解释这两个概念的区别,同时也介绍它们的关系.在对矩阵进行运算时,我们可对其进行类似于行列式的行（列）变换或数乘运算等,即矩阵的初等变换.为了搞清楚变换后的矩阵所具有的特性,也为了说明矩阵的初等变换的意义,我们引入初等矩阵的概念.其实初等矩阵就是单位矩阵经矩阵的初等变换后所得的矩阵.具体内容见下文简述.

简介：认知诊断模型中,项目参数的方差-协方差矩阵具有很重要的作用。作为一种非参数化的方差-协方差矩阵估计方法,Bootstrap法的一个主要优势在于它不需要解析推导。比较认知诊断模型中基于解析法的经验交叉相乘信息矩阵、观察信息矩阵和三明治协方差矩阵法,与Bootstrap法在估计项目参数标准误时的表现,模拟结果显示,认知诊断模型及Q矩阵正确设定或是模型中错误设定较少时,解析法的表现优于Bootstrap法,只有在样本量N=5000的条件下,Bootstrap法的表现才基本与解析法接近;当模型中错误设定较多时,Bootstrap法也没有表现出明显的稳健性。因此,在认知诊断模型中,推荐使用基于解析法的方差-协方差矩阵估计方法,尤其是三明治协方差矩阵法;当没有现成的基于解析法的方差-协方差矩阵估计方法可用时,Bootstrap法可以作为一种粗略的估计方法使用,尤其是在样本量较小的情况下。

简介：基于专业、分工与运作统一化的考虑，许多大型、项目型组织纷纷采用矩阵管理，能否完善运作的关键在于互补，以及对本身专业的坚持、对他人的尊重支援。

简介：讨论了n（n≥2）阶方阵A与其伴随矩阵A^＊的特征值之间的关系，利用A的特征值λ0及其代数余子式Aij给出了A^＊的特征值的表达式．