一、函数序列的一致收敛概念 1.讨论下列函数序列在所示区域的一致收敛性:

EViews提供序列的各种统计图、统计方法及过程。当用前 面描述的方法向工作文件中读入数据后,就可以对这些数据进 行统计分析和图表分析。 EViews可以计算一个序列的各种统计量并可用表单、表、 图等形式将其表现出来。视图包括最简单的曲线图一直到核密 度估计。通过过程可以用原有的序列创建新的序列。这些过程 包括季节调整、指数平滑和 Hodrick-Prescott-滤波 在第10章我们将讲述包括多个序列的组和组对象的统计方 法及过程

一、长期均衡与协整分析 二、协整检验 三、误差修正模型

5.1 非周期序列的傅里叶变换 5.2 非周期序列傅里叶变换的性质 5.3 非周期序列傅里叶变换与Z变换的关系 5.4 离散时间系统的频率特性 5.5 离散时间系统的频域分析 5.6 序列的希尔伯特变换 5.7 因果序列频谱的实部与虚部的约束关系 5.8 线性位不变全通系统和线性位不变因果稳定

不动点迭代法 不动点迭代的收敛性 迭代序列的收敛速度 序列收敛加速方法

第十二章函数项级数 一、函数序列的一致收敛概念 1.讨论下列函数序列在所示区域的一致收敛性:

通过将迟滞特性引入神经元激励函数的方式，构造了一种前向型迟滞神经网络模型.结合卡尔曼滤波方法，将其应用于风速时间序列的预测分析中.在原始风速时间序列的基础上，构造出风速变化率序列.采用迟滞神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到最优预测估计结果.仿真实验结果表明，迟滞神经网络具有更加灵活的网络结构，能够有效改善网络的泛化能力，预测性能优于传统神经网络.采用卡尔曼滤波方法对预测结果进行融合后能够进一步提高预测精度，降低预测误差

基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

这一章讨论的是解释DNA序列的方法,这些方法主要依赖于功能模式的检测,而不是与其它单 个序列的比较。这些方法中的绝大部分意在先寻找并遮蔽重复的和低复杂性的序列,再寻找 基因以及与其相关的调控区域。在针对单个序列的集中调查分析,以及为可能的基因、整个 基因组或相应较大区域建立初步清单的快速扫描过程中,这些方法都发挥了主要作用

本章我们讨论分析时间序列数据（检验序列相关性，估计ARMA模型，使用分布滞后，非平稳时间序列的单位根检验）的单方程回归方法