多序列比对是生物信息学中最重要和挑战性的任务之一. 针对多序列比对是NP 完全组合优化问题, 引.入Tent 混沌初始化种群策略、不同蜂种的邻域搜索策略和锦标赛选择策略等, 提出了一种基于多策略人工蜂群.的多序列比对算法. 该算法应用Tent混沌初始化种群策略以使初始个体多样化和获取较好初始解; 其次针对不同.蜂种的特性设计不同的邻域搜索策略以平衡算法的全局探索与局部开发能力. 同时引入序列比对的蜜源编码方.法以适应多序列比对的离散性. 实验结果表明, 该算法鲁棒性较强, 能获取较好的比对性能和生物特性

针对用BaumWelch算法训练隐马尔可夫模型用于序列比对算法的搜索空间有限性容易陷入局部最优点的缺陷，提出一种用量子粒子群优化算法训练隐马尔可夫模型的生物多序列比对新方法。该方法克服了BaumWelch算法在收敛性能上的缺陷，在整个可行解空间中进行搜索。从BaliBASE数据库中选取测试例子进行数值实验，实验结果表明，所提算法优于BaumWelch算法，对标准例子进行的实验证明了算法的有效性。

要想用Petri网对系统进行有效的模拟和分析，就必须先建立起可靠准确的Petri网模型，目前很少有文献专门研究Petri网对系统的建模问题。对此，提出了基于系统行为序列的Petri网自动建模方法。该方法将系统所有行为序列组合为正规语言表达式，对于不同的系统，给出标注函数（即变迁和系统行为的映射关系），就可以建立起系统的Petri网模型。给出了电话呼叫业务建立用户Petri网模型的一个实例。该方法形式化强、通用性好，建立的模型标准规范，并且可实现机器自动建模，在目前的系统建模研究方面取得了进展。

m序列的生成及其相关性的matlab分析.doc

运用matlab工具 将多张（100）张yuv图片合成一个yuv视频序列

java 常用序列化和反序列化框架使用demo ，java 常用序列化和反序列化框架使用demo

详情请看http://blog.csdn.net/chenyu2202863/article/details/6879013

基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，CNN-LSTM-Attention多维时间序列预测，多列变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

1.输入多个特征，输出单个变量； 2.考虑历史特征的影响，多变量时间序列预测； 4.excel数据，方便替换； 5.运行环境Matlab2018b及以上； 6.输出R2、MAE、MBE等评价指标。

基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)多维时间序列预测，matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。