§2.1 回归分析概述 (Regression Analysis) 一、变量间的关系及回归分析的基本概念 二、总体回归函数 三、随机扰动项 四、样本回归函数 §2.2 一元线性回归模型的基本假设 (Assumptions of Simple Linear Regression Model) 一、关于模型设定的假设 二、关于解释变量的假设 三、关于随机项的假设 §2.3 一元线性回归模型的参数估计 (Estimation of Simple Linear 一、参数的普通最小二乘估计（OLS） 二、参数估计的最大或然法(ML) 三、最小二乘估计量的性质 四、参数估计量的概率分布及随机干扰项方差的估计 §2.4 一元线性回归模型的统计检验 Statistical Test of Simple Linear Regression Model 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 §2.5 一元线性回归分析的应用——预测问题 一、预测值条件均值或个值的一个无偏估计 二、总体条件均值与个值预测值的置信区间 §2.6 实例及时间序列问题

《数学分析》课程教学大纲. 1 《高等代数》课程教学大纲. 23 《空间解析几何》课程课程教学大纲.48 《概率论与数理统计》课程教学大纲.54 《常微分方程》课程教学大纲. 69 《运筹学》课程教学大纲. 77 《数学建模》课程教学大纲. 85 《复变函数》课程教学大纲. 93 《随机过程》课程教学大纲.107 《数值分析》课程教学大纲. 115 《回归分析》课程教学大纲.125 《多元统计分析》课程教学大纲.133 《组合数学》课程教学大纲.146 《Python 程序设计》课程教学大纲.157 《模糊数学》课程教学大纲.172 《最优化方法》课程教学大纲.181 《金融数学》课程教学大纲.190 《计量经济学》课程教学大纲.197 《货币金融学》课程教学大纲.209 《时间序列分析》课程教学大纲.225 《期货及其衍生品基础》课程教学大纲.235 《投资学》课程教学大纲. 248 《数学分析选讲》课程教学大纲.255 《高等数学选讲》课程教学大纲.262 《统计机器学习》课程教学大纲.272 《预测与决算》课程教学大纲.279 《精算学基础》课程教学大纲.291 《风险管理》课程教学大纲.300 《保险精算（寿险）》课程教学大纲.309

为较好地表征当前北京整个区域大气颗粒物质量浓度随时间尺度的变化及区域分布污染特征，根据北京市35个监测站点获得的2013年3—5月颗粒物质量浓度1 h均值，分析和研究PM2.5和PM10质量浓度的季节性变化并提高其空间分辨率，在此基础上探讨颗粒物可能的影响因素及污染来源.结果表明，3—5月颗粒物质量浓度具有周期性变化规律和显著相关性，应用MATLAB空间插值算法实现的颗粒物质量浓度区域分布图具有一定精度，可外推并揭示颗粒物区域污染特征.分析表明当前北京颗粒物污染的影响因素有冬末的冷锋和降雪、春季的沙尘和大风、夏初的降雨和湿热等；污染区域则呈现南高北低的特征，污染来源除了本地人为源以外，周边区域传输也有较大影响.通过颗粒物污染的时间序列和空间插值的结合分析，可为进一步研究颗粒物时空关系及掌握区域污染特征提供方法

傅立叶分析定义了信号时域和频域之间的 一种变换,这里时间和频率变量可以取连续值, 也可以取离散值,因而形成了几种形式的傅立 叶变换对. 离散傅立叶变换是数字信号处理中最基本 也是最重要的运算.特别是有了快速傅立叶算 法，离散傅立叶变换得到了广泛应用

以GB3480-83为基础,通过理论分析,建立了齿轮点蚀面积率与运转时间的函数关系,提出了应用随机时间序列预测技术对有损伤的中低速重载齿轮点蚀疲劳寿命进行预测的计算方法

问题的提出 通信威胁 1.泄露:把消息内容发布给任何人或没有合法密钥的进程; 2.流量分析:发现团体之间信息流的结构模式。在一个面向连接的应用中,可以用来确定连接的频率和持续时间长度。 3.伪造:从一个假冒信息源向网络中插入消息。 4.内容修改:消息内容被插入、删除、变换、修改。 5.顺序修改:插入、删除或重组消息序列。 6.时间修改:消息延迟或重放。 7.否认:接受者否认收到消息;发送者否认发送过消息

DFT在实际应用中很重要:可以计算信号的频 谱、功率谱和线性卷积等。 直接按DFT变换进行计算,当序列长度N很 大时,计算量非常大,所需时间会很长。 FFT并不是一种与DFT不同的变换,而是 DFT的一种快速计算的算法

周期序列的DFS及性质 离散傅里叶变换（DFT）及性质 DFT的快速算法（FFT） DFT/FFT的应用

为实现结晶器过程可视化和辅助漏钢预报技术，提出一种等值线区域填充法快速高效绘制直观的结晶器在线热像图的方法.该方法通过离散数据网格化、等值线生成和等值多边形填充绘制云图.其中，等值线生成采用网格序列法和单元剖分法结合，避免了已往的等值线追踪和二义性问题，高效准确，实现简单.将该方法与扫描母元法相比，前者绘制云图速度快，保证了精度和质量，优于后者，且算法复杂度的分析也证明了前者时间效率较高.实际应用结果表明，该方法绘制的结晶器在线热像图能很好地反映正常和非正常情况下结晶器内部温度场的特征，可满足实际生产要求

随着无人工厂、智能安监等技术在制造业领域的深入应用，以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中，操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点，在动态图像中的实时分割较为困难。针对此问题，提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合，根据目标时空关系的在线学习，预测新的目标位置并对SiamMask模型进行算法校正，实现视频序列中的目标快速识别。实验结果表明，所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响，将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧，比改进前的SiamMask模型帧率每秒提高3.2帧，算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求，对移动目标识别算法模型的复杂环境应用具有借鉴意义