一种改进的RSSI测距定位算法

针对接收信号强度指示(Received Signal Strength Indication,RSSI)定位模型易受环境影响导致测距误差较大的问题，提出了采用天牛须搜索(Beetle Antennae Search,BAS)优化后向传播（Back Propagation，BP）神经网络拟合测距模型，克服了对数衰减模型易受环境干扰、参数取经验值等问题。首先，利用卡尔曼滤波对RSSI值进行校正，将校正后的数据输入BAS-BP网络拟合出测距模型并通过测距模型输出距离值；然后，利用极大似然估计法求解未知节点的坐标。实验结果表明，与BP模型和粒子群优化的BP模型相比，改进方法收敛速度快，定位精度提高更加明显。     

南昌市房地产价格泡沫研究

本文首先对房地产价格泡沫的概念进行界定。然后收集南昌市1998-2013年年度数据,在变量稳定性检验和协整检验的基础上,把房地产基础价值作为状态变量建立状态空间模型,使用卡尔曼滤波方法对空间状态模型进行计算,得到南昌市各年度房地产基础价值,进而得到南昌市各年度房地产价格偏离率。最后对南昌市房地产价格偏离率进行平稳性检验,结果表明南昌市房地产偏离率系列是非平稳的,从而拒绝房地产价格在基础价值上下随机波动的假设,得以证实南昌市房地产价格存在泡沫。     

无线电静默下数据链端机的时间同步守时优化

在无线电静默的情况下所有数据链端机无法进行往返校时，这会导致端机间时间同步精度的降低。国内外普遍使用卡尔曼滤波的方法来实现守时优化，但当模型建立不准确时，容易出现滤波发散的现象。提出了一种改进的卡尔曼滤波算法，在自适应渐消卡尔曼滤波渐消因子计算方法的基础上，将其与奇异点剔除技术相结合来防止滤波的发散。该方法计算过程比较简单，满足工程所需的实时性要求。多次仿真实验证明数据链端机可以满足10 m测距所要求的33 ns以内的时间同步精度要求，使得数据链端机在静默结束后可以完成更高要求的任务。     

大风浪作业条件下船舶姿态基准对准系统研究

海上船舶作业条件复杂,对船舶设备和观测系统的精度及可靠性要求也越来越高,尤其是在大风浪作业条件下需要为这些设备提供可靠的船体姿态基准信息.怎样保证姿态基准的可靠性是目前行业尤为关注的问题.因此,提出大风浪作业条件下船舶姿态基准对准系统,研究大风浪作业条件下影响船舶主姿态基准与局部姿态基准之间固态变形角误差估计精度的主要因素,并将这些因素作为状态向量,研究大风浪作业条件下基于惯性测量的卡尔曼滤波器模型,最后通过仿真实验、测试,得出有效性结论.     

gps/ins组合导航系统算法的研究

介绍了组合导航系统发展现状和结构,重点研究了gps/sins组合导航中的算法问题.以卡尔曼滤波理论为基础,对gps/sins的算法进行了详细的研究,分析总结了卡尔曼滤波,h∞鲁棒滤波,神经网络在gps/sins组合定位系统中的应用现状.     

基于时变参数的我国生产函数研究

论述了将面板数据应用于状态空间模型并采用卡尔曼滤波算法对模型参数进行估计的方法。应用该方法,对含有时变参数的柯布-道格拉斯生产函数建立了状态空间模型,选取省际面板数据估算了1986-2011年东、中、西部的产出弹性及技术进步效率,确定了不同区域要素弹性及技术水平的时期变化趋势,并对其变化差异进行了分析。结果表明,东部地区资本产出弹性逐步下降,劳动产出弹性稳步上升;中部地区资本产出弹性与劳动产出弹性均呈上升趋势;西部地区资本产出弹性逐步上升,劳动产出弹性不断下降。     

高频数据下基于组合预测思想的统计套利策略创新设计与实证研究

采用两只股票的日数据和5种高频数据,借鉴组合预测思想,综合利用协整模型和新卡尔曼滤波模型,与统计套利策略具体目标相结合,设计出新统计套利组合策略,实证分析数据频率、策略选择对统计套利效果的影响。结果表明：运用高频数据及引入卡尔曼滤波模型均有效,但卡尔曼滤波模型与协整模型不存在明显优劣之分,选择组合策略是必要的;组合策略收益性显著优于采取单一模型的套利策略;组合策略下的套利组合随数据频率提高,收益率波动性更小、更稳定;组合策略接近市场中性,能很好地免疫市场风险。     

基于卡尔曼预测的运动目标实时跟踪

针对运动目标实时跟踪问题,采用图像坐标系下的卡尔曼滤波预测来指导跟踪,对被跟踪目标的运动参数(位移,速度)进行滤波预测。并利用Matlab的视频处理功能对该算法进行了计算机仿真。     

CPFR中的联合预测研究

文章研究了联合计划、预测和补货（CPFR）中的联合预测流程,并建立了相关的预测模型。在建模的过程中,使用了状态空间方程来描述实际市场需求和观测到的市场需求（销售量）,并通过卡尔曼滤波来预测零售商下期的销售量．结合零售商库存策略,预测出零售商下期的订单量。     

基于卡尔曼滤波算法的上证50指数预测

本文基于ARMA模型构建卡尔曼滤波算法的线性状态空间模型,然后利用ARMA模型的卡尔曼滤波算法来预测上证50指数,并且将预测结果与基于ARMA模型的预测结果进行了比较,结果表明,结合了ARMA模型的卡尔曼滤波算法的预测准确度为52.1%,明显优于单纯的ARMA模型。