风险投资中三类经典优化模型等价性分析

风险投资中有三类经典优化模型，分别是风险极小化模型、期望收益极大化模型、风险厌恶模型。这三类模型的等价会为投资组合分析提供更多的方法。文中证明了三类优化模型产生相同的有效前沿，并在此意义下得出这三类优化模型的等价性。另外，引用MSCI世界股价指数数据对三个模型有效前沿的等价性，进行实际算例验证。     

USB测量系统测速数据最优滤波技术研究

由于目前USB测量系统测速终端数据获取不一致和微分求速方法的不足,增加了数据处理的困难和复杂性,影响了测速数据精度并限制了定轨精度的进一步提高.本文针对上述情况提出了不同条件下测速数据的最优滤波技术和方法,并从理论和仿真计算上进行了分析,结果表明采用多普勒频率连续采样和最优滤波技术将大大提高测速精度,为USB系统在今后航天任务中高精度定轨奠定了良好基础.     

中国工业利润对内生冲击的动态响应：1977～2007——基于结构向量自回归（SVAR）模型的实证研究

按照作用机理的不同,对工业利润波动的冲击可划分为两大类:内生冲击和外生冲击.其中内生冲击主要来自经济增长率、价格总水平、消费需求、工业品产量、工业消耗等变量.文章利用基于结构向量自回归(SVAR)模型的脉冲响应函数和方差分解方法,对30年来中国工业利润对各内生变量冲击的动态响应进行了定量测算.研究发现:(1)工业利润波动对市场需求的响应最为敏感,在市场需求问题得到根本解决之前,我国工业利润水平稳定性差的状况无法得到根本解决;(2)从总体上看,工业利润对宏观经济形势(尤其是通货膨胀率)的响应比较敏感;(3)工业产出水平冲击对工业利润的影响要弱于市场需求因素和宏观国民经济形势;(4)在所有内生变量中,工业消耗因素对工业利润波动的影响最小,但随着我国经济外向化程度的提高,国际市场价格变动对工业利润的冲击将越来越大.     

激光雷达观测的武汉上空对流边界层高度与夹卷层厚度

基于地基偏振激光雷达2011年1月至2017年12月对武汉中心城区的观测资料，研究了超大城市对流边界层高度与夹卷层厚度的变化特征.采用Fernald方法进行数据反演获得了1min时间分辨率、30m空间分辨率的后散比剖面，通过方差法确定了对流边界层高度和夹卷层厚度.结果表明，武汉上空对流边界层高度和夹卷层厚度具有明显的季节变化特征.对流边界层顶的均值最大处在春季为1.14km，夏季为1.25km，秋季为1.06km，冬季为0.74km；夹卷层厚度均值最大处在春季为0.40km，夏季为0.51km，秋季为0.34km，冬季为0.26km.这些特征与武汉地区地表温度的周年变化特征具有很强的相关性.      

不确定度评定的一种方法——最大方差法

研究了不确定度评定的新方法－最大方差法，分析了它的原理，列出了最大方差法用表，举例说明了它的应用。     

总体均值估计量最小方差的改进

在简单随机抽样中,样本均值是总体均值的无偏估计.其他复杂的抽样方法常以简单随机抽样为基础,对于相同的样本容量条件下不同的抽样方法来说,总体均值估计量的方差就成为衡量各种抽样方法的有效程度的重要标志.对文[1]中给出的求有限总体均值估计量最小方差的几种方法进行了讨论,并对其求解方法进行了改进.     

轨道机动过程中推力加速度的在线最小方差估计

定位和跟踪空间机动目标时，对目标运动建模受发动机推力的不确定性影响，通过统计处理离散的雷达观测数据实时估计发动机的推力，进而定位和跟踪机动目标便是本文所要研究和解决的问题，本文在地心惯性系建立了常推力轨道机动过程中连续变质量运动模型和离散雷达量测模型，机动过程中质量秒耗量和排气速度作为表征轨控发动机推力的两个近似常量，应用扩展卡尔曼滤波对离散雷达测量数据进行序贯统计处理得到发动机推力的最小方差估计；文中详细地给出了线性化量测模型的变分方程和观测矩阵；仿真结果表明该算法能快速、准确地在线估计轨控发动机的等效推力。     

利用调制域分析仪实现频率稳定性的测量

介绍了时域频率稳定性常用的测量方法 ,并重点介绍了利用调制域分析仪实现时域频率稳定性的测量方法。这种测量方法可以实现时域频率稳定性的无间隔测量 ,消除了原有测量系统 (HP5 390A频稳分析仪 )中由于有间隔取样而对测量结果造成的影响     

环形激光陀螺误差测试及估计

在引进 L-1型环形激光陀螺 (Ring Laser Gyro,RLG)的基础上,对 RLG的各项误差,包括零偏、标度因数等的测试和估计进行了实验研究。对比研究了两种随机游走系数的计算方法;根据高低温环境测试数据,建立了零偏温度模型并进行了补偿;在国内首次采用 Allan方差技术对 RLG的各误差成分进行了分离和估计,实验证明 Allan方差法为一种评估 RLG性能的有效方法。     

确定时间序列协方差函数的方法

提出一种确定时间序列协方差函数的方法,它首先根据(多元)时间序列构造其互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列,然后采用谱分析和多点平均方法对互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列的趋势项进行分离,分别求得其周期项和非周期项的函数表达式,再综合给出整个趋势项函数。从而得到原时间序列的互协方差函数、互相关函数或自协方差函数、自相关函数的函数形式,并通过最小二乘方法确定其中的待定参数。该方法可用于时间序列协方差函数的建模、分析和预测,并且计算简单易行、精度高,便于实际应用。