马建清
- 作品数：11 被引量：7H指数：2
- 供职机构：武汉科技大学理学院更多>>
- 发文基金：冶金工业过程系统科学湖北省重点实验室开放基金国家自然科学基金更多>>
- 相关领域：理学文化科学自动化与计算机技术电气工程更多>>
- 基于VMD-SE-CEEMDAN-PSO-SVR短期风速预测
- 2024年
- 风能具有随机性和间歇性,准确可靠的风速预测对于风电场规划和电网运营规划至关重要｡本文提出VMD(variational mode decomposition,VMD)-SE(sample entropy,SE)-CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-PSO(particle swarm optimization,PSO)-SVR(support vector regression,SVR)的组合分解短期风速预测｡首先是对VMD分解的子序列(intrinsic mode function,IMF)用样本熵(SE)判别方法对复杂度较高的子序列用自适应噪声的完备经验模态分解(CEEMDAN)进行二次分解,然后将两者分解后得到的序列用支持向量机(SVR)进行预测｡此外,为了找到更优的SVR参数,文中引入粒子群优化算法进行改进,并基于粒子群算法对SVR参数寻优,进而对某风电场进行短期风速预测,实验结果证明,VMD-SE-CEEMDAN-PSO-SVR模型的预测精度相对于其他模型更高。
- 王永月马建清程念胜
- 关于SPS-图的一个充分条件
- 2007年
- 如果图中的一条路不是其他任何路的子路,则称这条路为该图的一条极大路。图G的路谱指的是G中所有极大路的长度构成的集合,记为ps(G)。对于一个阶为n的图G,如果存在一个正整数s(G)使得ps(G)={s(G),s(G)+1,…,n-1},则称G为一个SPS-图。本研究证明了对于任意的2-连通图G,如果G中任何导出子图都不与K1,3或P5同构,则G是一个SPS-图或者是一类路谱特殊的图。
- 马建清陈蒂朱忠
- 关键词：路谱
- 一类极点的留数计算
- 2016年
- 本文探讨了一类比较特殊的极点类型的留数计算并从理论上给出证明.
- 喻敏王文波王斌马建清胡佳
- 关键词：孤立奇点留数
- 一类分式的留数计算方法被引量：3
- 2012年
- 留数是复变函数的一个重要概念。利用留数定理可以计算复变函数的积分,还可以计算一些实积分和求拉普拉斯的逆变换。文中利用柯西积分公式和高阶导数公式,以及留数定理得到一个求一类分式的留数的简便方法。
- 马建清
- 关键词：留数留数定理
- 一类特殊复积分的探讨被引量：1
- 2024年
- 本文从教学中两个具体的例子出发,总结出一类积分值为零的复积分的特点,并给出理论证明.
- 马建清
- 关键词：复积分留数定理
- 研究性教学在复变函数课程教学中的应用被引量：2
- 2016年
- 研究性教学是我国高等教育教学改革的热点之一,利用研究性教学讨论了复变函数中的利用柯西积分公式,高阶导数公式与留数定理求积分的区别和联系,并且分析出这些方法之间的优缺点,使学生对求积分有一个清楚的认识.
- 马建清
- 关键词：研究性教学柯西积分公式留数定理
- 基于分形特征的集合经验模态分解的谐波检测
- 2025年
- 为解决互补集合经验模态分解在谐波检测中易受噪声影响而产生虚假分量与模态混叠的问题,提出一种基于分形特征的集合经验模态分解的谐波检测方法。首先,采用互补集合经验模态分解信号得到一系列固有模态函数;然后利用分形维数检测不同固有模态函数的随机性,通过选择适当的计盒维数阈值,提取出计盒维数过大的异常分量并对剩余信号进行自适应分解;最后,结合希尔伯特变换对分解出的谐波分量进行参数检测,获取各次谐波的瞬时幅值与频率。采用本文方法检测稳态和时变仿真信号及实际电弧炉信号,并与其他类经验模态分解算法、快速傅里叶变换法对比分析,结果表明,所提方法在保证检测精度的同时拥有较高的噪声鲁棒性,不容易产生虚假分量,可以有效实现对含间谐波信号的检测。
- 鲁亮马建清
- 关键词：谐波检测分形维数希尔伯特变换
- 关于求极限的几种方法
- 2006年
- 极限是高等数学中除函数之外另一个重要的概念,函数是高等数学研究的对象,极限则是高等数学中研究函数的方法,本文介绍了七种常用的求极限方法。
- 马建清向彩容喻敏
- 关键词：定积分
- 一类极点级数的判断被引量：1
- 2016年
- 探讨了一类比较特殊的极点级数的判断,并从理论上给出证明.
- 喻敏王文波马建清胡佳
- 关键词：孤立奇点
- 基于新的组合模型的短期风速预测
- 2024年
- 鉴于风速序列呈现高度随机和不稳定的特性,本文构建了一个新的组合模型用于短期风速预测,该模型由粒子群优化–时变滤波–经验模态分解(PSO-TVF-EMD)、排列熵(PE)、长短期记忆网络(LSTM)和自回归差分移动平均(ARIMA)组成。首先利用PSO-TVF-EMD算法将原始风速序列分解为若干模态分量,以简化风速序列的复杂性;其次,使用PE把风速子模态分为高频序列和低频序列,并对这两种序列分别构建LSTM和ARIMA预测模型;最终,将子序列预测结果叠加,得出最终的风速预测值。试验结果表明,新的组合预测模型一定程度上增加了预测的精度。
- 胡文博袁柳洋马建清
- 关键词：粒子群优化短期风速预测
