1、“.....然后通过式合并测量值来生成状态估计。式在这里是式完全重复。最后通过式来获得估计协方误差。每次和成对后，系统重复用以前估计过去计划或预测新估值。这递归本质是滤波器大特色它实际应用比设计每次操作直接数据滤波器应用更为有效„‟。在过去所有过去测量值基础上滤波器递归代替当前估计。下面提供了滤波器操作完整图片，从和组合成前面图表。滤波器参数和调整在滤波器实际应用中，测量噪声协方差通常先于滤波器操作之前测量。测量值协方误差般是实际可能因为我们能够测量过程，无论如何当运行滤波器为了决定测量噪声变化我们般能够得到离线例子测量值。系统噪声协方误差测定般是很困难，因为我们不能直接得到观测估计过程。有时候相关简单系统模型能产生可能结果，如果通过选择它注入足够不确定进入过程。确，在这种情况下，我们希望系统测量值是可信。在另种情况，无论我们是否选择个有理数参数，时间前级滤波器参数统计说通过调整滤波器参数和便能得到。这个调整经常离线操作，通常在系统中，另种明显滤波器般参考系统鉴定。机常量在前两节中，我们描述了离散和扩展滤波器基本形式，为了更好了解滤波器运算和性能......”。

2、“.....系统模型在这个简单例子中，我们估计个随机常标量，例如，电压。假设，我们能够获得测量常数，但是测量值是被均方根为白噪声破坏例如，从模拟到数字转换是不准确。在这个例子中，系统为线性差分方程其中，测量值∈，并定义在种状态不随时刻而变化，因此。这里没有控制输入，因此。噪声测量值为直接状态，于是。注意，我们在许多地方没有考虑下标，这是因为在简单模型中，各参数均为常数滤波器等式和参数等式为和等式为假设个很小系统变化，我们使。我们能够确定，但是为了更好调整滤波器，假定个很小但又不为值，下面我们会给出证明。根据经验知道，随机常量真实值有标准自然概率分布，于是我们定义滤波器常量为，换句话说，工作前，我们使。类似，我们需要选择初始值，如果我们完全确定初始化状态估计是正确，那么。然而，初始估计是不确定，选择能起滤波器初始化和使。于是证明，二者选择是临界，我们能够选择任何≠，最终，滤波器是收敛，我们以开始。仿真开始，我们随机选择个标量。不是，因为它表示真实值。然后，我们模拟个不同标准偏差为零自然误差分布测量值。记得，我们假设测量值被均方根为白噪声破坏......”。

3、“.....相同测量噪声。于是在不同参数模拟比较是很有用。在第次仿真时，我们确定了在时测量协方差。因为这是真实测量协方误差，我们根据平衡响应和估计方差来预测最优特性。在第二次和第三次仿真中，将有更多证据。描述了第次仿真结果。随机常量真实值已经在实线上给定了，噪声值为标记，滤波器估计仍保持曲线。第次仿真。随机常量真实值已经在实线上给定了，噪声值为标记，滤波器估计仍保持曲线。当考虑到上面选择时，我们提到这选择在≠时候不是临界，因为滤波器最终会收敛。下面中，我们画出了相对于重复值。通过第个重复整部分讨论能在„‟中发现，它还包括许多有趣历史解释。在„‟中有更多参考。估值过程滤波器解决估计离散时间控制过程状态∈般性问题，定义线性随机差分方程其中，测量值∈，定义为随机变量和各自表示系统噪声和测量噪声，我们假定它们为相互独立白噪声且为正常概率分布在实际中，系统噪声协方差矩阵和测量噪声协方差矩阵可能随过程和测量时间而改变，无论怎样，我们在这里假定它们是常量。在差分方程中，阶矩阵与前时刻和当前时刻相关，这里缺少传递函数或系统噪声。注意是，在实际中，可能随各自时刻改变，但这里我们假定其为常量......”。

4、“.....在测量公式中，阶矩阵与状态及测量值有关，在实际中，可能随各自过程或测量时刻而改变，这里假定它们是常数。滤波器计算初步我们定义∈注意负号为时刻及系统时刻以前数据状态估计，定义∈在得到测量值时刻状态估计。我们这时定义前后两状态估计误差为这时估计协方差为并且估计协方误差为在推导滤波器方程时，我们开始找到状态估计与估计和实际测量值与预测值之差加权线性组合公式，如式。对于些调整在下面滤波器概率初步中给出。式中差叫测量协方差或叫余数，这余数反映是预测值与实际值不合。个零余数意味着这两个数完全致。式中阶矩阵选择协方误差最小增益或混合因子，这最小值可以获得首先代式到上面定义，代入到中，得到期望值，然后然后推导期望结果迹，并设其为，最后解得。对于更详细看„‟。最小化式结果种形式如下从中，我们可以看到测量均方误差趋于时，增益加权余数会越大，尤其另方面，当估计协方误差趋于时，增益加权余数越小，尤其考虑加权另种方法当测量协方误差趋于时，真实测量值越来越真实，这时，预测值越来越不真实，另方面，当估计协方误差趋于时，真实测量值越来越不真实，预测值越来越不真实......”。

5、“.....此时，我们足够指出滤波器保持了分布状态二阶矩。式状态估计反映了分布状态均值阶矩这是在条件和同时满足自然分布。估计协方误差反映分布状态变化二阶非中心矩，换之，对于滤波器更详细概率初步，可以参考„‟。离散滤波器算法我们从大体概述了种包含离散滤波器形式高级算法来开始这部分看以前脚注。在描述完它高级目之后，我们将在滤波器本文集中到特定公式和应用。滤波器是用反馈控制形式来估计过程在当时滤波器估计过程状态，然后在噪声测量值时获得反馈。比如，滤波器等式有两组等式和等式。这等式是当前状态之前过程和获得下个时刻状态估计协方误差。这等式反映是反馈。如伴有新测量值状态估计和获得提高估计组合。当被作为修正方程时，也被作为原始等式。确实，最后估计算法与解决数字问题预测修正算法相似，如下所示不间断离散滤波器循环，适时计算当前状态估计。在那时通过真实测量值来调整设计估示暂态和稳态方程再次注意，在计划中，无论方程如何，状态和协方差估计从状态到状态。当来自式是，和来自式。滤波器内部条件在早先参考书中已经讨论了。在期间，最初任务是计算滤波器增益。注意是，当式和相同时，等式已经给出......”。

6、“.....它效能生产出个好企业声誉，最终能提高企业业绩。经验性证据表明这种关系是稀缺，并且在大多数案例中这种关系只是间接，。因此，本篇论文探讨第四种关系，即研究企业声誉是否在企业社会责任和企业业绩联系中扮演着个传递者我国上市公司社会责任信息披露与公司经营绩效实证分析角色。从声誉角度看，企业社会责任对企业声誉有着外部影响。企业积极参与社会责任活动创造积极正面声誉，从而提高企业财务效益。学者们认为当切采取社会责任行动时，可能会发展出更加积极正面良我国上市公司社会责任信息披露与公司经营绩效实证分析中文字附件外文资料翻译译文企业社会责任和经营绩效实证分析以马来西亚经济环境为例摘要近几年来，企业社会责任概念在马来西亚已经引起了相当强烈关注。之前大多数关于企业社会责任和企业经营绩效社会调查都基于国际性数据，本文采用从企业社会责任和上市公司业绩这个角度阐述了这层关系。对此已经有近个来自马来西亚上市公司做出了回应。这组结果来自于多组结构方程建模。此外，本文还发现个关于企业社会责任和企业效益重要关系。这些发现意味着上市公司，特别是大型上市公司和板块公司在面对企业社会责任和业绩之间关系时所起到平衡协调作用......”。

7、“.....公司经营绩效，上市公司，马来西亚引言企业社会责任已经成为个描述企业形象非常重要额外因素，它还可以用来描述企业核心竞争力和生存能力以及他取得最成功业绩。这揭示了企业社会责任对于企业在社会中关系和影响，当它与核心企业组织有更多关联性时，将会变得更明显，更加密切。表示企业社会责任已经成为企业全球性战略成长中个重要指标，因为企业市场表现力受到市场战略左右，此外企业社会责任使企业生存标准标变得更高同时也使企业维持了他盈利能力，。马来西亚企业社会责任虽然企业社会责任正迅速成为全世界普遍现象，但是根据马拉西亚些研究报告显示，许多当地上市公司在应对企业社会责任问题上行动力缓慢，比如维持和保护他们所运营社区或团体环境和社会福利。此外，根据新海峡时报显示，马来西亚很多公司都没有认真对待政府在宣传和推动企业我国上市公司社会责任信息披露与公司经营绩效实证分析社会责任发展上努力，只有少数国际公司和大集团参与到关于企业社会责任项目中来。另外，指出马来西亚公司在实施企业社会责任上已经远落后于国际标准水平，将近三分之二受访者徘徊在不佳与平均水平之间。公司或企业成功取决于许多不定因素，比如工作场所等......”。

8、“.....信息技术等，公司治理，人力资源管理，信任,员工等，所有权客户关系管理等，企业社会责任等。由于环境是不断变化，因此不断检验企业绩效是很重要，。绩效在企业管理规划和控制环节也是必不可少，。企业社会责任与公司绩效联系虽然社会责任活动对企业绩效影响好坏参半，但仍有很多研究报告指出企业社会责任活动与企业绩效有积极正面关联。和提出了企业声誉企业社会责任和公司绩效三种可能因果关系。第，好企业绩效能生产出个好企业社会责任标准，从而产生个良好声誉。好企业声誉能提高绩效和推动企业社会责任进步。和表明，在过步是根据真实计算过程来获得。然后通过式合并测量值来生成状态估计。式在这里是式完全重复。最后通过式来获得估计协方误差。每次和成对后，系统重复用以前估计过去计划或预测新估值。这递归本质是滤波器大特色它实际应用比设计每次操作直接数据滤波器应用更为有效„‟。在过去所有过去测量值基础上滤波器递归代替当前估计。下面提供了滤波器操作完整图片，从和组合成前面图表。滤波器参数和调整在滤波器实际应用中，测量噪声协方差通常先于滤波器操作之前测量。测量值协方误差般是实际可能因为我们能够测量过程......”。

9、“.....系统噪声协方误差测定般是很困难，因为我们不能直接得到观测估计过程。有时候相关简单系统模型能产生可能结果，如果通过选择它注入足够不确定进入过程。确，在这种情况下，我们希望系统测量值是可信。在另种情况，无论我们是否选择个有理数参数，时间前级滤波器参数统计说通过调整滤波器参数和便能得到。这个调整经常离线操作，通常在系统中，另种明显滤波器般参考系统鉴定。机常量在前两节中，我们描述了离散和扩展滤波器基本形式，为了更好了解滤波器运算和性能，我们在这里举个简单例子。系统模型在这个简单例子中，我们估计个随机常标量，例如，电压。假设，我们能够获得测量常数，但是测量值是被均方根为白噪声破坏例如，从模拟到数字转换是不准确。在这个例子中，系统为线性差分方程其中，测量值∈，并定义在种状态不随时刻而变化，因此。这里没有控制输入，因此。噪声测量值为直接状态，于是。注意，我们在许多地方没有考虑下标，这是因为在简单模型中，各参数均为常数滤波器等式和参数等式为和等式为假设个很小系统变化，我们使。我们能够确定，但是为了更好调整滤波器，假定个很小但又不为值，下面我们会给出证明......”。