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: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: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。