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

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

§1 确定性时间序列分析方法概述 §2 移动平均法 §3 指数平滑法 §4 差分指数平滑法 §5 自适应滤波法 §6 趋势外推预测方法 §7 平稳时间序列模型 §8 ARMA 模型的特性 §9 时间序列建模的基本步骤

11.1 时间序列定义 11.2 时间序列模型的分类 11.3 Wold 分解定理 11.4 自相关函数（不讲理论，只分析特征） 11.5 偏自相关函数（不讲理论，只分析特征） 11.6 时间序列模型的建立与预测 11.7 案例分析（中国人口、粮食产量 ARIMA 模型） 11.8 回归与 ARMA 组合模型

研究了判断时间序列是否具有分形特征的几个参数:庞加莱映射、李雅普诺夫指数、关联维数、功率谱及赫斯特指数,分析了它们各自的优缺点,认为:在已知动力学系统时,使用庞加莱映射和李雅普诺夫指数就能准确地判断该时间序列是否分形;在不知道动力学系统时,使用功率谱及赫斯特指数更好些,最后给出了分形在时间序列分析中适用的场合

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定一预测算法

本问题是一个“有人管理分类问题”． 首先分别列举出 20 个学习样本序列中 1 字 符串、2 字符串、3 字符串出现的频率，构成含 41 个变量的基本特征集，接着用主成分分析 法从中提取出 4 个特征．然后用 Fisher 线性判别法进行分类，得出了所求 20 个人工制造序列 及 182 个自然序列的分类结果如下：

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用AR(n)模型对分解后的时间序列进行预测,进而得到最终的预测结果.将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于BP网络的预测方法相比较表明:该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中

第一节 时间序列基本概念 伪回归问题 随机过程的概念 时间序列的平稳性 第二节 时间序列平稳性的单位根检验 单位根检验 Dickey－Fuller检验 Augmented Dickey－Fuller检验 第三节 协整 协整的概念 协整检验 误差修正模型 第四节 案例分析