《数字信号处理》是电子信息工程、电子信息科学与技术专业的一门重要的必修课。本课程的目的是通过学习使学生掌握应用数字计算机分析、处理用数字或符号的序列表示的信号的基础理论和基本方法，提取其中有用的信号，如变换、滤波等，了解数字信号处理的现状、应用领域及发展方向，为今后解决具体技术问题和进一步深造打下良好的基础。要求学生先期修过积分变换，信号与系统、线性代数等

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题，导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件，为进一步提高模型对106能级微震事件预测的准确率，对模型进行改进并使用混合采样方法训练改进后的模型；利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正确率达到98.4%，其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100%

《工程科学学报》：自注意力指导的多序列融合肝细胞癌分化判别模型

５.１ 电容元件和电感元件 ５.２ 换路定则及初始值计算 ５.３ 一阶电路的零输入响应 ５.４ 一阶电路的零状态响应 ５.５ 一阶电路的全响应 ５.６ 一阶电路的三要素法 ５.７ 一阶电路的特殊情况分析 ５.８ 阶跃信号和阶跃响应 ５.９ 脉冲序列作用下的一阶电路分析

一 点态收敛 二 函数项级数（或函数序列）的基本问题 三 函数项级数（或函数列）的一致收敛性 四 一致收敛性判别 五 小结

包括①凝胶电泳②细菌的转化和转染③核酸分子杂交④定点突变⑤PCR⑥RFLP⑦RAPD⑧DNA序列分析⑨目的基因的分离和转基因植物、转基因动物等技术

6.1变换的定义 6.2常用序列的变换 6.3变换的性质 64逆变换 6.5离系统的域分析 6.6数字滤波器 6.7用 MATLAB进行域分析

复旦大学：《改变生活的生物技术》教学实践报告_CRISPR技术（成簇的、规律间隔 的、短回文、重复序列）

非平稳序列 ARMA的平稳性 VAR的平稳性 单位根所带来的问题 单位根检验 单位根检验的Stata实例 协整的思想与初步检验 协整的最大似然估计