投饵是虾塘养殖中的重要环节，获取剩余饵料质量是实现精准投饵的关键。为解决在投饵过程中由环境、系统自身等因素引起的剩余饵料称重不准确问题，提出了一种适用于投饵船饵料动态称重的自适应强跟踪无迹卡尔曼滤波算法（SHFL-ASTUKF）。首先，建立称重系统的二阶模型，并对量测结果进行滤波。然后，在渐消因子快速引入的基础上，使用奇异值分解替换Cholesky分解处理误差协方差问题。同时，结合模糊控制算法和Sage-Husa自适应滤波，自适应更新量测噪声协方差和系统噪声协方差，从而抑制滤波过程中的发散情况。对SHFL-ASTUKF进行实例数据仿真和实验验证，结果表明，与强跟踪无迹卡尔曼滤波相比，实例数据仿真中，RMSE提高了14.9%，投饵船剩余饵料称重实验中RMSE平均提高了15.15%,MAE提高17.27%，所提出的算法具有更高的动态测量精度和更好的降噪效果。

文章着重探讨了动态因子模型的实时预测及其参数估计中卡尔曼滤波的实施过程，并对两阶段固定区间平滑算法进行改进，引入包含再次前向滤波过程的三阶段算法。通过构建共计81个指标的高维混频宏观数据集实证分析改进后的算法对GDP、CPI增速预测的效果，结果表明，改进的三阶段算法能够充分利用先验信息平滑趋势，进一步提高预测精度，在宏观经济遭受不确定性冲击出现走势急剧波动时也能快速响应，但仍然无法解决预测技术的时滞性问题。只有结合更高频的日度、周度经济数据对月度、季度数据进行实时预测，才能实现对经济的及时预警。

将基金类型与规模、市场行情、风格飘移、管理费率及流量波动性等条件因素引入TM模型,构建了条件TM模型,并采用卡尔曼滤波对我国2005～2010年间部分基金的选股能力和择时能力进行了检验,实证结果表明,基于卡尔曼滤波的TM模型较条件TM模型有更好的解释能力。研究发现,基金的选股能力与择时能力在不同的市场行情下不尽一致,这种差异受基金类型、风格飘移和流量波动性等因素的影响。

本文采用Svensson法从上海证券交易所2003年10月到2006年6月交易国债中获得隐含的利率期限结构,并以此为分析对象,采用卡尔曼滤波和极大似然估计法对三因子仿射期限结构模型进行实证分析。结果表明,模型较准确的反映了我国利率期限结构的动态变化,但模型对短期利率的刻画能力不如对长期利率的刻画能力。

僵尸企业是经济运行的"毒瘤",提早预警、加快处置僵尸企业是推动我国制造业高质量发展的重要途径。本文基于卡尔曼滤波算法构建僵尸企业财务风险动态预警模型,并根据僵尸企业财务状况动态变化的特点,设计四段式的僵尸企业财务风险警度判定区间。结果表明:僵尸企业财务风险动态预警模型能有效刻画上市公司财务风险随时间序列的累积变异状况,并实现对上市公司僵尸化风险的提前预判和递归更新。

文章通过卡尔曼滤波法对交易所市场公司债券收益率期限结构进行分析,构建了N因素期限结构仿射模型。采用最小二乘法与卡尔曼滤波分析法对影响公司债券收益率利差的宏观经济因素、资本市场因素和债券个体因素进行综合分析。研究发现,用最小二乘法进行回归时,部分因素不显著;用卡尔曼滤波进行影响因素综合分析时,所有变量均显著,并且这些影响因素随时间发生变化存在一阶滞后项。表明基于状态空间模型的卡尔曼滤波法很适合对公司债券利差影响因素进行综合分析。

本文采用状态空间表示式,提出了一个具有时变的系统风险系数β的条件CAPM,然后利用卡尔曼滤波递归算法来估计时变β系数,最后通过夏普的对角线模型计算投资组合的VaR并进行返回检验。结果表明,该模型能够捕捉到金融市场的波动,而且对计算起到简化作用,特别适合对大投资组合的VaR估计。

目前应用广泛的财务困境预警判别模型并不是一种完备的动态预测方法,用来对具有累积变异特征的企业财务困境进行预测存在合理性问题。文章基于卡尔曼滤波构建财务状态空间模型,设计企业财务困境的动态预测方法。通过实证检验,证明了该预警模型的准确性和超前性,为企业管理者做决策提供了一种有效的工具。

为准确对商品期货合约进行定价和预测,本文在短期-长期模型的基础上,提出以短期偏离、中期偏离和长期均衡为状态变量的三因素模型。本文根据状态变量的假设建立相关微分方程,并推导出模型的解,再运用卡尔曼滤波和极大似然法得到模型的参数和状态变量。最后,通过比较多种误差统计量证明,本文的短期-中期-长期模型的拟合与预测能力优于短期-长期模型。

【目的】研究卡尔曼滤波在针刺仪抗钻阻力值序列中的应用,推导出针刺仪平稳卡尔曼滤波器估计树木年龄,为活立木年龄估计提供方法和依据。【方法】以山西省羊圈沟林场华北落叶松为研究对象,使用针刺仪在同一水平位置不同方向钻入华北落叶松获取323组抗钻阻力值序列作为研究样本,在针刺位置5 cm内截取104个圆盘作为参考样本。将卡尔曼滤波器理论应用于针刺仪,通过分析滤波器的性质,简化参数,推导出针刺仪平稳卡尔曼滤波器。以针刺仪钻入华北落叶松获得的抗钻阻力值作为平稳卡尔曼滤波器的输入,以最小均方误差为最佳准则的最优估计值序列作为输出,根据最优估计值序列的波峰波谷数估计树木年龄,并将平稳卡尔曼滤波算法估计的树木年龄和针刺仪自带DECOM软件自动判定的树木年龄分别与相应的圆盘年轮数进行成对数据t-检验。【结果】针刺仪平稳卡尔曼滤波器缩减初始参数数量,使得抗钻阻力的最优估计值序列只依赖于参数Rat值的选取。将323组活立木抗钻阻力值序列经过针刺仪平稳卡尔曼滤波器,依据相应活立木胸径大小选择恰当的参数Rat值可以得到较好去噪效果,算法估计树木年龄与实际树木年龄比较接近。算法估计树木年龄相对误差分布大多集中在-10%～10%之间,最小相对误差为0%,最大相对误差为25.69%,平均相对误差为0.75%,经成对数据t-检验后t为-0.468 16,算法估计树木年龄均值与实际树木年龄均值之间无显著差异。而针刺仪自带DECOM软件自动判定的树木年龄结果相对误差较大,大多集中在-20%～-60%之间,最小相对误差为-7.69%,最大相对误差为-84.78%,平均相对误差为-40.49%,与实际树木年龄进行成对数据t-检验后t为20.245,差异显著。【结论】针刺仪平稳卡尔曼滤波器应用于针刺仪抗钻阻力值序列能够较准确估计华北落叶松年龄,优于针刺仪自带DECOM软件自动判定结果,具有微损、操作快、测量精度高等特点,可为华北落叶松年龄估计提供一种有效途径。

针对连续性抽样调查中如何提高连续调查数据准确性的问题,本文引入时间序列分析方法,分别考虑连续性抽样调查中的重复样本和轮换样本等不同情况,建立了连续性抽样调查下的状态空间模型,利用成熟的卡尔曼滤波估计方法给出了总体均值的估计量。由于状态空间模型及卡尔曼滤波估计方法能够充分利用各期连续样本的调查信息,给出了精度更高的估计量,从而能够产生更加准确的连续性时间序列数据。

本文引入Kalman滤波理论中状态变量的概念,将森林资源看作一个系统,描述森林资源状况的随机变量是系统的待估状态,通过建立由生长方程和抽样观测方程组成的线性滤波模型,利用Kalman基本方程,对森林资源的现状、将来及过去分别作出滤波、预测和平滑估计.在给出森林资源滤波模型一般形式的基础上,根据观测信息的不同,将滤波模型分为:以样本均值为观测值的滤波模型(KFM-1)和直接以样本单元值为观测值的滤波模型(KFM-2).模型经福建省1983、1988年两期杉木资源清查材料验证表明:KFM-2优于KFM-1;动态估计优于静态估计;Kalman滤波优于SPR动态估计.尤其在样本量小、两期相关不紧密时,...

通过对H.S.Houthakker和L.D.Taylor的"延迟决定需求模型"的数学模拟,将在宇航、辅助导航和军事等领域广泛应用的卡尔曼滤波与指数平滑法对比,探讨卡尔曼滤波在经济预测中应用的意义和作用。

以多因素C IR为基础,运用卡尔曼滤波模拟和估计沪市国债利率的期限结构。卡尔曼滤波方法可有效处理不可观察的向量(状态向量),能综合多因素C IR模型的时间序列特性和横截面信息,可以充分利用可获得的期限结构的其他各种信息。采用的国债利率为用息票剥离方法得到的零息票利率,原始数据为1997年6月27日~2003年2月25日期间交易所的国债现货和国债回购的周交易价格数据,源自中国国债网。多因素模型能很好地刻画收益率曲线的动态变化,统计结果支持四因素C IR模型。实证发现,中国国债期限结构先升后降、而后再次升降,呈明显的驼峰状;长期利率与短期利率差距不大,收益率期限结构扭曲。这也表明合理的国债利率期限...

【目的】现有叶面积指数(LAI)产品大多存在分辨率低、数据异常和精度低等问题，难以满足某些应用需求。因此，本研究提出一种多源LAI数据的融合方法，以减少不同来源数据的差异并提高产品精度。【方法】以帽儿山实验林场的阔叶林和针叶林区域为研究区，基于2017年的MODIS、VIIRS和PROBA-V的LAI产品，利用多年LAI数据作为先验知识建立LAI背景库修正低质量数据，对3种LAI数据集进行混合像元分解的降尺度处理，基于Sentinel-2反射率产品耦合集合卡尔曼滤波(EnKF)算法、LAI动态模型和辐射传输模型进行数据同化，最后对同化后的3种LAI数据进行赋权融合，使用实测数据进行精度评价。【结果】在阔叶林，同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.56和0.62，比原始数据提升了0.57、0.52和0.57；均方根误差分别为0.37、0.31和0.14，比原始数据减小了1.23、1.69和1.06。在针叶林，同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.49和0.56，比原始数据提升了0.52、0.30和0.40；均方根误差分别为0.24、0.28和0.19，比原始数据减小了1.22、0.67和1.35。通过融合方法，阔叶林LAI和针叶林LAI的相关系数分别为0.83和0.76，比同化后数据的相关性更高；均方根误差分别为0.15和0.13，比同化后数据的误差更小。【结论】通过数据同化提升了3种LAI产品精度，融合后LAI较同化后单一LAI具有更高的精度和可靠性。图4表2参30