一、单位根过程 1、平稳过程与非平稳过程的差异 平稳时间序列具有如下特性： 具有常定均值，序列围绕在长期均值周围波动；

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好

前面两 节已为 检验单 位根做了理论准备。 下面我们讨论 Dickey— Fuller 建 立的单位根检验法。 任何一个序列 都有其 自身的真实生成过程。 Dickey—Fuller 假设 数据序列是由 下列两 种模型 之一产生：

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

由于虚假回归问题的存在，在回归模型中应避免直接使用不存在协积关系的非平稳变 量。因此检验变量的平稳性是一个必须解决的问题。在第二章中介绍用相关图判断时间序列 的平稳性。这一章则给出序列平稳性的严格的统计检验方法，即单位根检验。 在介绍单位根检验之前，先认识四种典型的非平稳随机过程

A 题 DNA 序列分类 2000 年 6 月，人类基因组计划中 DNA 全序列草图完成，预计 2001 年可以完成精确的全序列图，此后 人类将拥有一本记录着自身生老病死及遗传进化的全部信息的“天书”。这本大自然写成的“天书”是由 4

1 序列弱收敛的定义和基本性质。 2 序列弱 * 收敛的定义和基本性质。 3 强弱序列有界性，闭性，完备性，紧性的比较

一、构成性转录因子SP1对持家基因的调控作用 1、Housekeeping （constitutive）genes （持家 基因） : 细胞内的蛋白质编码基因，维持细胞的基 本过程。 2、 SP1结合于保守性序列GGGCGG的GC丰富 序列，该序列位于许多持家基因的启动子中。 3、 SP1含有: 3 zinc finger motifs which bind to GC-rich sequance , 2个 glutamine-rich domains interact with TAFII110 of TFII D

第一节 时间序列及其平稳性 第二节 时间序列平稳性检验 第三节 时间序列的单积和协积

• 典型信号及信号的基本运算； • 线性时不变系统的因果性和稳定性; • 系统的输入输出描述法； • 线性常系数差分方程及求解； • 模拟信号数字处理方法。 2.1 时域离散信号：序列，周期序列，序列运算 2.2 采样与量化：信号的采样，采样定理，重建 2.3 时域离散系统：线性时不变因果稳定 2.4 常系数线性差分方程