选择好滑动窗口后，计算[t',t]区间内差值序列[dt',dt]的平均值μ和方差σ2，再用μ与σ2进行正态分布建模，得到F(x)=N～(μ，σ2)，再计算差值dt在该分布内的概率密度值F(dt),

以下是根据给定的差值序列 `[dt', dt]`，计算平均值 `μ` 和方差 `σ^2`，并使用这些值建立正态分布模型 `N~(μ, σ^2)`，最后计算差值 `dt` 在该分布内的概率密度值 `F(dt)` 的示例代码：

import numpy as np
import scipy.stats as stats

# 给定的差值序列
dt_sequence = [1.2, 0.8, 1.5, 1.0, 0.9]

# 计算平均值和方差
mean = np.mean(dt_sequence)
variance = np.var(dt_sequence)

# 建立正态分布模型
rv = stats.norm(loc=mean, scale=np.sqrt(variance))

# 要计算概率密度值的差值
dt = 1.3

# 计算差值在该分布内的概率密度值
pdf_value = rv.pdf(dt)

print(f"平均值 μ: {mean}")
print(f"方差 σ^2: {variance}")
print(f"差值 dt 在该分布内的概率密度值 F(dt): {pdf_value}")

在上面的示例中，我们首先给出了一个差值序列 `[dt', dt]`，然后使用 `np.mean()` 函数计算平均值 `μ` 和 `np.var()` 函数计算方差 `σ^2`。接下来，我们使用 `stats.norm()` 函数建立正态分布模型，并传入计算得到的平均值和方差。最后，我们选择要计算概率密度值的差值 `dt`，并使用 `rv.pdf()` 方法计算差值在该分布内的概率密度值。

请注意，我们使用了 SciPy 库中的 `stats` 模块来进行正态分布的建模和概率密度值的计算。你可以根据实际需求调整差值序列、要计算的差值以及其他参数。