发布时间：
要看你写的怎么样咯，现在神经网络方面大体上已经比较完善了，你要选择一个很细的点来做研究，审稿人觉得你这研究有理有据，之前没人细致研究过你这个点，就很容易发啦
相对好发，但是你要看你用来做什么，首先神经网络的目的要说清楚，再次，如果结合具体的对象就更好发了，因为如果你是专门做神经网络的话做深一点可以，如果是结合其他领域就用一下神经网络，还是能容易发文章的。
白行健（右）此前获COO金牌第一名
高中生开始研究图神经网络
白行健的论文为《基于自适应性图卷积神经网络的暴力用户检测》，目前已经成功入围总决赛。
文章提出了⼀种新的⾃适应图卷积神经⽹络模型（Adaptive Graph Convolutional Neural Networks，简称AdaGCN），在传统的GCN模型的基础上进⾏了改进和创新。为了解决参数增加带来的模型难以训练和过拟合情况，文章引入了标签平滑假设，对边权的训练施加了额外的监督，从⽽实现了和GCN模型的⾃然结合。
白行健的数据集包含了10万余名Twitter⽤户和200余万条社交关系，其中⼤约5千名⽤户被标记是否为暴⼒⽤户。实验结果表明，AdaGCN的AUC得分为0.80，F1得分为0.47，得分⾼于所有对⽐⽅法，包括传统的GCN模型， 图注意⼒⽹络 (GAT)，标签传播算法（LPA），⽀持向量机（SVM）等等。此外， AdaGCN模型的结果具有最低的标准差，这表明AdaGCN模型具有很强的稳定性。 在线社交平台可以利⽤本⽂提出的⽅法来更好地评估、检测暴⼒⽤户，防⽌暴⼒⽤户伤害他⼈ 并传播仇恨⾔论。 同时，⾃适应图卷积神经⽹络模型也可以⽤来评估不同类型的暴⼒⾔论造成的社会影响。
开挂的学霸少年
此次入围丘成桐奖之前，白行健从2018年开始多次参加相关竞赛获得好成绩：
白行健（右）
在生活方面，白行健也有很多其他尝试，他目前就读北京师范⼤学附属实验中学国际部⾼三，对数学和计算机科学非常感兴趣，担任学校计算机社社长和⼈⽂社社长。
图 | 微博
而今年的丘成桐中学科学奖中，白行健选择用图神经网络为切入点，对网络暴力用户进行检测。很大一部分原因也是身边有好友经历过网络暴力：
“2018年2⽉10⽇，⼀个名叫Ted Senior的22岁男孩在林地上吊⾃杀，原因是⼀些⼈在社交媒体上恶意地分享和评判他与⼀名⼥孩的聊天内容。在我身 边，我的同学好友在学校论坛发表观点，但是遭受匿名的辱骂和攻击，这种羞辱让他感到⾮常痛苦。我深深地被这些可恨的⾏为和可怕的后果所触动。计算机科学带来了信息时代，社交⽹络改变了我们的⽣活，我们期望技术会让世界更美好。但没有什么是尽善尽美的。⽹络暴⼒是信息技术⽆意中带来的⼀个问题，我渴望找到⼀种⽅法来发现和控制它们。”
而目前对于网络暴力， 目前已经有不少基于深度学习的网络欺凌模型。比如Instagram去年推出 「增强版的评论过滤器」 ，通过对照片、文字的检测分析，对其中的恶意行为采取过滤等措施。、
Facebook和Twitter也推出了类似的举措来限制其平台上的欺凌行为。Twitter在去年十月制定了一个时间表，以便从其平台中删除裸露和仇恨图像等内容。去年Facebook添加了一些工具，允许用户一次隐藏或删除多条评论，并允许用户代表朋友或家人报告欺凌或骚扰。
科技的发展真实的改变着我们的生活，我们享受其便利、承受其弊端。而像白行健这样的年轻人将越来越早的进入改变世界的行列，用技术影响着我们。
看来未来不仅仅是「同辈压力」了，「后辈压力」也追着我们跑来了。毕竟当你还在拼命打排位的时候，高中生已经论文已经发起来了......
要看你写的怎么样咯，现在神经网络方面大体上已经比较完善了，你要选择一个很细的点来做研究，审稿人觉得你这研究有理有据，之前没人细致研究过你这个点，就很容易发啦
图神经网络好发论文吗如下：
图神经网络将深度学习的预测能力应用于丰富的数据结构中，这些数据结构将物体及其对应关系描述为图中用线连成的点，图神经网络读博好。在图神经网络中，被称为“节点”的数据点通过被称为“边”的线连接，各种元素均以数学形式表达，这使机器学习算法可以在节点、边或整个图的层面做出有用的预测。
这个理科生应该都清楚，图有点(Vertex)和边(Edge)两部分组成，一个图就代表了各个实体节点（node）之间的关系（edge）：每个节点或者边都可以包含它的一些属性信息，比如如果一个节点表示一个人，那么就可以包含这个人的姓名、性别、身高、体重之类的..我们研究需要的信息。而这些信息，都可以用通用的向量的形式存入其中：
还有别忘了一点，边是可以有方向的，按此我们还能分为有向图或是无向图。边的方向代表了信息的传递方向，例如a是b的微信好友，那b也是a的微信好友，好友关系自然是没方向的，而比如a是b的爹，那显然b就不是a的爹，此时叫爹的关系就是有有方向的。图结构的构建是非常灵活的，可以根据个人的设计构建出各种不一样的图。而作为开发者显然要结合实际解决的问题来构建合适的图。
神经网络的是我的毕业论文的一部分4．人工神经网络人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理。这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。4.1人工神经网络学习的原理人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能做出正确的判断。 如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。4.2人工神经网络的优缺点人工神经网络由于模拟了大脑神经元的组织方式而具有了人脑功能的一些基本特征，为人工智能的研究开辟了新的途径，神经网络具有的优点在于:（1）并行分布性处理因为人工神经网络中的神经元排列并不是杂乱无章的，往往是分层或以一种有规律的序列排列，信号可以同时到达一批神经元的输入端，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个小的处理单元，则整个系统可以是一个分布式计算系统，这样就避免了以往的“匹配冲突”，“组合爆炸”和“无穷递归”等题，推理速度快。（2）可学习性一个相对很小的人工神经网络可存储大量的专家知识，并且能根据学习算法，或者利用样本指导系统来模拟现实环境(称为有教师学习)，或者对输入进行自适应学习(称为无教师学习)，不断地自动学习，完善知识的存储。（3）鲁棒性和容错性由于采用大量的神经元及其相互连接，具有联想记忆与联想映射能力，可以增强专家系统的容错能力，人工神经网络中少量的神经元发生失效或错误，不会对系统整体功能带来严重的影响。而且克服了传统专家系统中存在的“知识窄台阶”问题。（4）泛化能力人工神经网络是一类大规模的非线形系统，这就提供了系统自组织和协同的潜力。它能充分逼近复杂的非线形关系。当输入发生较小变化，其输出能够与原输入产生的输出保持相当小的差距。（5）具有统一的内部知识表示形式，任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，便于知识库的组织管理，通用性强。虽然人工神经网络有很多优点，但基于其固有的内在机理，人工神经网络也不可避免的存在自己的弱点:（1）最严重的问题是没能力来解释自己的推理过程和推理依据。（2）神经网络不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。（3）神经网络把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。（4）神经网络的理论和学习算法还有待于进一步完善和提高。4.3神经网络的发展趋势及在柴油机故障诊断中的可行性神经网络为现代复杂大系统的状态监测和故障诊断提供了全新的理论方法和技术实现手段。神经网络专家系统是一类新的知识表达体系，与传统专家系统的高层逻辑模型不同，它是一种低层数值模型，信息处理是通过大量的简单处理元件(结点) 之间的相互作用而进行的。由于它的分布式信息保持方式，为专家系统知识的获取与表达以及推理提供了全新的方式。它将逻辑推理与数值运算相结合，利用神经网络的学习功能、联想记忆功能、分布式并行信息处理功能，解决诊断系统中的不确定性知识表示、获取和并行推理等问题。通过对经验样本的学习，将专家知识以权值和阈值的形式存储在网络中，并且利用网络的信息保持性来完成不精确诊断推理，较好地模拟了专家凭经验、直觉而不是复杂的计算的推理过程。但是，该技术是一个多学科知识交叉应用的领域，是一个不十分成熟的学科。一方面，装备的故障相当复杂;另一方面，人工神经网络本身尚有诸多不足之处:（1）受限于脑科学的已有研究成果。由于生理实验的困难性，目前对于人脑思维与记忆机制的认识还很肤浅。（2）尚未建立起完整成熟的理论体系。目前已提出了众多的人工神经网络模型，归纳起来，这些模型一般都是一个由结点及其互连构成的有向拓扑网，结点间互连强度所构成的矩阵，可通过某种学习策略建立起来。但仅这一共性，不足以构成一个完整的体系。这些学习策略大多是各行其是而无法统一于一个完整的框架之中。（3）带有浓厚的策略色彩。这是在没有统一的基础理论支持下，为解决某些应用，而诱发出的自然结果。（4）与传统计算技术的接口不成熟。人工神经网络技术决不能全面替代传统计算技术，而只能在某些方面与之互补，从而需要进一步解决与传统计算技术的接口问题，才能获得自身的发展。虽然人工神经网络目前存在诸多不足，但是神经网络和传统专家系统相结合的智能故障诊断技术仍将是以后研究与应用的热点。它最大限度地发挥两者的优势。神经网络擅长数值计算，适合进行浅层次的经验推理;专家系统的特点是符号推理，适合进行深层次的逻辑推理。智能系统以并行工作方式运行，既扩大了状态监测和故障诊断的范围，又可满足状态监测和故障诊断的实时性要求。既强调符号推理，又注重数值计算，因此能适应当前故障诊断系统的基本特征和发展趋势。随着人工神经网络的不断发展与完善，它将在智能故障诊断中得到广泛的应用。根据神经网络上述的各类优缺点，目前有将神经网络与传统的专家系统结合起来的研究倾向，建造所谓的神经网络专家系统。理论分析与使用实践表明，神经网络专家系统较好地结合了两者的优点而得到更广泛的研究和应用。离心式制冷压缩机的构造和工作原理与离心式鼓风机极为相似。但它的工作原理与活塞式压缩机有根本的区别，它不是利用汽缸容积减小的方式来提高汽体的压力，而是依靠动能的变化来提高汽体压力。离心式压缩机具有带叶片的工作轮，当工作轮转动时，叶片就带动汽体运动或者使汽体得到动能，然后使部分动能转化为压力能从而提高汽体的压力。这种压缩机由于它工作时不断地将制冷剂蒸汽吸入，又不断地沿半径方向被甩出去，所以称这种型式的压缩机为离心式压缩机。其中根据压缩机中安装的工作轮数量的多少，分为单级式和多级式。如果只有一个工作轮，就称为单级离心式压缩机，如果是由几个工作轮串联而组成，就称为多级离心式压缩机。在空调中，由于压力增高较少，所以一般都是采用单级，其它方面所用的离心式制冷压缩机大都是多级的。单级离心式制冷压缩机的构造主要由工作轮、扩压器和蜗壳等所组成。 压缩机工作时制冷剂蒸汽由吸汽口轴向进入吸汽室，并在吸汽室的导流作用引导由蒸发器(或中间冷却器)来的制冷剂蒸汽均匀地进入高速旋转的工作轮3(工作轮也称叶轮，它是离心式制冷压缩机的重要部件，因为只有通过工作轮才能将能量传给汽体)。汽体在叶片作用下，一边跟着工作轮作高速旋转，一边由于受离心力的作用，在叶片槽道中作扩压流动，从而使汽体的压力和速度都得到提高。由工作轮出来的汽体再进入截面积逐渐扩大的扩压器4(因为汽体从工作轮流出时具有较高的流速，扩压器便把动能部分地转化为压力能，从而提高汽体的压力)。汽体流过扩压器时速度减小，而压力则进一步提高。经扩压器后汽体汇集到蜗壳中，再经排气口引导至中间冷却器或冷凝器中。 二、离心式制冷压缩机的特点与特性 离心式制冷压缩机与活塞式制冷压缩机相比较，具有下列优点： (1)单机制冷量大，在制冷量相同时它的体积小，占地面积少，重量较活塞式轻5～8倍。 (2)由于它没有汽阀活塞环等易损部件，又没有曲柄连杆机构，因而工作可靠、运转平稳、噪音小、操作简单、维护费用低。 (3)工作轮和机壳之间没有摩擦，无需润滑。故制冷剂蒸汽与润滑油不接触，从而提高了蒸发器和冷凝器的传热性能。 (4)能经济方便的调节制冷量且调节的范围较大。 (5)对制冷剂的适应性差，一台结构一定的离心式制冷压缩机只能适应一种制冷剂。 (6)由于适宜采用分子量比较大的制冷剂，故只适用于大制冷量，一般都在25～30万大卡／时以上。如制冷量太少，则要求流量小，流道窄，从而使流动阻力大，效率低。但近年来经过不断改进，用于空调的离心式制冷压缩机，单机制冷量可以小到10万大卡／时左右。 制冷与冷凝温度、蒸发温度的关系。 由物理学可知，回转体的动量矩的变化等于外力矩，则 T=m(C2UR2-C1UR1) 两边都乘以角速度ω，得 Tω=m(C2UωR2-C1UωR1) 也就是说主轴上的外加功率N为： N=m(U2C2U-U1C1U) 上式两边同除以m则得叶轮给予单位质量制冷剂蒸汽的功即叶轮的理论能量头。 U2 C2 ω2 C2U R1 R2 ω1 C1 U1 C2r β 离心式制冷压缩机的特性是指理论能量头与流量之间变化关系，也可以表示成制冷 W=U2C2U-U1C1U≈U2C2U （因为进口C1U≈0） 又C2U=U2-C2rctgβ C2r=Vυ1/(A2υ2) 故有 W= U22(1- Vυ1 ctgβ) A2υ2U2 式中：V—叶轮吸入蒸汽的容积流量（m3/s） υ1υ2 ——分别为叶轮入口和出口处的蒸汽比容（m3/kg） A2、U2—叶轮外缘出口面积(m2)与圆周速度(m/s) β—叶片安装角 由上式可见，理论能量头W与压缩机结构、转速、冷凝温度、蒸发温度及叶轮吸入蒸汽容积流量有关。对于结构一定、转速一定的压缩机来说，U2、A2、β皆为常量，则理论能量头W仅与流量V、蒸发温度、冷凝温度有关。 按照离心式制冷压缩机的特性，宜采用分子量比较大的制冷剂，目前离心式制冷机所用的制冷剂有F—11、F—12、F—22、F—113和F—114等。我国目前在空调用离心式压缩机中应用得最广泛的是F—11和F—12，且通常是在蒸发温度不太低和大制冷量的情况下，选用离心式制冷压缩机。此外，在石油化学工业中离心式的制冷压缩机则采用丙烯、乙烯作为制冷剂，只有制冷量特别大的离心式压缩机才用氨作为制冷剂。 三、离心式制冷压缩机的调节 离心式制冷压缩机和其它制冷设备共同构成一个能量供给与消耗的统一系统。制冷机组在运行时，只有当通过压缩机的制冷剂的流量与通过设备的流量相等时，以及压缩机所产生的能量头与制冷设备的阻力相适应时，制冷系统的工况才能保持稳定。但是制冷机的负荷总是随外界条件与用户对冷量的使用情况而变化的，因此为了适应用户对冷负荷变化的需要和安全经济运行，就需要根据外界的变化对制冷机组进行调节，离心式制冷机组制冷量的调节有：1°改变压缩机的转速；2°采用可转动的进口导叶；3°改变冷凝器的进水量；4°进汽节流等几种方式，其中最常用的是转动进口导叶调节和进汽节流两种调节方法。所谓转动进口导叶调节，就是转动压缩机进口处的导流叶片以使进入到叶轮去的汽体产生旋绕，从而使工作轮加给汽体的动能发生变化来调节制冷量。所谓进汽节流调节，就是在压缩机前的进汽管道上安装一个调节阀，如要改变压缩机的工况时，就调节阀门的大小，通过节流使压缩机进口的压力降低，从而实现调节制冷量。离心式压缩机制冷量的调节最经济有效的方法就是改变进口导叶角度，以改变蒸汽进入叶轮的速度方向(C1U)和流量V。但流量V必须控制在稳定工作范围内，以免效率下降。
随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。以下是我整理分享的人工智能神经网络论文的相关资料，欢迎阅读!
人工神经网络的发展及应用
摘要随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。人工神经网络的发展经历了不同的阶段，是人工智能的重要组成部分，并且在发展过程中形成了自身独特的特点。文章对人工神经网络的发展历程进行回顾，并对其在各个领域的应用情况进行探讨。
关键词人工神经网络;发展;应用
随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。
1人工神经网络概述
关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。
2人工神经网络的发展历程
2.1 萌芽时期
在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。
2.2 低谷时期
在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。
2.3 复兴时期
美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。
2.4 稳步发展时期
随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。
随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。
3人工神经网络的应用
3.1 在信息领域中的应用
人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。
3.2 在医学领域的应用
人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。
3.3 在经济领域中的应用
经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。
3.4 在其他领域的应用
人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。
4总结
随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。
参考文献
[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993(5)：8-12，20.
[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009(10)：59-61.
[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009(5)：44-46.
[4]过效杰，祝彦知.人工神经网络的发展及其在岩土工程领域研究现状[J].河南水利，2004(1)：22-23.
[5]崔永华.基于人工神经网络的河流汇流预报模型及应用研究[D].郑州大学，2006.
下一页分享更优秀的<<<人工智能神经网络论文
相对好发，但是你要看你用来做什么，首先神经网络的目的要说清楚，再次，如果结合具体的对象就更好发了，因为如果你是专门做神经网络的话做深一点可以，如果是结合其他领域就用一下神经网络，还是能容易发文章的。
图神经网络好发论文吗如下：
图神经网络将深度学习的预测能力应用于丰富的数据结构中，这些数据结构将物体及其对应关系描述为图中用线连成的点，图神经网络读博好。在图神经网络中，被称为“节点”的数据点通过被称为“边”的线连接，各种元素均以数学形式表达，这使机器学习算法可以在节点、边或整个图的层面做出有用的预测。
这个理科生应该都清楚，图有点(Vertex)和边(Edge)两部分组成，一个图就代表了各个实体节点（node）之间的关系（edge）：每个节点或者边都可以包含它的一些属性信息，比如如果一个节点表示一个人，那么就可以包含这个人的姓名、性别、身高、体重之类的..我们研究需要的信息。而这些信息，都可以用通用的向量的形式存入其中：
还有别忘了一点，边是可以有方向的，按此我们还能分为有向图或是无向图。边的方向代表了信息的传递方向，例如a是b的微信好友，那b也是a的微信好友，好友关系自然是没方向的，而比如a是b的爹，那显然b就不是a的爹，此时叫爹的关系就是有有方向的。图结构的构建是非常灵活的，可以根据个人的设计构建出各种不一样的图。而作为开发者显然要结合实际解决的问题来构建合适的图。
你不翻译了？？？
深度神经网络（DNNs）是 AI 领域的重要成果，但它的 “存在感” 已经不仅仅限于该领域。 一些前沿生物医学研究，也正被这一特别的概念所吸引。特别是计算神经科学家。 在以前所未有的任务性能彻底改变计算机视觉之后，相应的 DNNs 网络很快就被用以试着解释大脑信息处理的能力，并日益被用作灵长类动物大脑神经计算的建模框架。经过任务优化的深度神经网络，已经成为预测灵长类动物视觉皮层多个区域活动的最佳模型类型之一。 用神经网络模拟大脑或者试图让神经网络更像大脑正成为主流方向的当下，有研究小组却选择用神经生物学的方法重新审视计算机学界发明的DNNs。 而他们发现，诸如改变初始权重等情况就能改变网络的最终训练结果。这对使用单个网络来窥得生物神经信息处理机制的普遍做法提出了新的要求：如果没有将具有相同功能的深度神经网络具有的差异性纳入考虑的话，借助这类网络进行生物大脑运行机制建模将有可能出现一些随机的影响。要想尽量避免这种现象，从事 DNNs 研究的计算神经科学家，可能需要将他们的推论建立在多个网络实例组的基础上，即尝试去研究多个相同功能的神经网络的质心，以此克服随机影响。 而对于 AI 领域的研究者，团队也希望这种表征一致性的概念能帮助机器学习研究人员了解在不同任务性能水平下运行的深度神经网络之间的差异。 人工神经网络由被称为 “感知器”、相互连接的单元所建立，感知器则是生物神经元的简化数字模型。人工神经网络至少有两层感知器，一层用于输入层，另一层用于输出层。在输入和输出之间夹上一个或多个 “隐藏” 层，就得到了一个 “深层” 神经网络，这些层越多，网络越深。 深度神经网络可以通过训练来识别数据中的特征，就比如代表猫或狗图像的特征。训练包括使用一种算法来迭代地调整感知器之间的连接强度（权重系数），以便网络学会将给定的输入（图像的像素）与正确的标签（猫或狗）相关联。理想状况是，一旦经过训练，深度神经网络应该能够对它以前没有见过的同类型输入进行分类。 但在总体结构和功能上，深度神经网络还不能说是严格地模仿人类大脑，其中对神经元之间连接强度的调整反映了学习过程中的关联。 一些神经科学家常常指出深度神经网络与人脑相比存在的局限性：单个神经元处理信息的范围可能比 “失效” 的感知器更广，例如，深度神经网络经常依赖感知器之间被称为反向传播的通信方式，而这种通信方式似乎并不存在于人脑神经系统。 然而，计算神经科学家会持不同想法。有的时候，深度神经网络似乎是建模大脑的最佳选择。 例如，现有的计算机视觉系统已经受到我们所知的灵长类视觉系统的影响，尤其是在负责识别人、位置和事物的路径上，借鉴了一种被称为腹侧视觉流的机制。 对人类来说，腹侧神经通路从眼睛开始，然后进入丘脑的外侧膝状体，这是一种感觉信息的中继站。外侧膝状体连接到初级视觉皮层中称为 V1 的区域，在 V1 和 V4 的下游是区域 V2 和 V4，它们最终通向下颞叶皮层。非人类灵长类动物的大脑也有类似的结构（与之相应的背部视觉流是一条很大程度上独立的通道，用于处理看到运动和物体位置的信息）。 这里所体现的神经科学见解是，视觉信息处理的分层、分阶段推进的：早期阶段先处理视野中的低级特征（如边缘、轮廓、颜色和形状），而复杂的表征，如整个对象和面孔，将在之后由颞叶皮层接管。 如同人的大脑，每个 DNN 都有独特的连通性和表征特征，既然人的大脑会因为内部构造上的差异而导致有的人可能记忆力或者数学能力更强，那训练前初始设定不同的神经网络是否也会在训练过程中展现出性能上的不同呢？ 换句话说，功能相同，但起始条件不同的神经网络间究竟有没有差异呢？ 这个问题之所以关键，是因为它决定着科学家们应该在研究中怎样使用深度神经网络。 在之前 Nature 通讯发布的一篇论文中，由英国剑桥大学 MRC 认知及脑科学研究组、美国哥伦比亚大学 Zuckerman Institute 和荷兰拉德堡大学的 Donders 脑科学及认知与行为学研究中心的科学家组成的一支科研团队，正试图回答这个问题。论文题目为《Individual differences among deep neural network models》。 根据这篇论文，初始条件不同的深度神经网络，确实会随着训练进行而在表征上表现出越来越大的个体差异。 此前的研究主要是采用线性典范相关性分析（CCA，linear canonical correlation analysis）和 centered-kernel alignment（CKA）来比较神经网络间的内部网络表征差异。 这一次，该团队的研究采用的也是领域内常见的分析手法 —— 表征相似性分析（RSA，representational similarity analysis）。 该分析法源于神经科学的多变量分析方法，常被用于将计算模型生产的数据与真实的大脑数据进行比较，在原理上基于通过用 “双（或‘对’）” 反馈差异表示系统的内部刺激表征（Inner stimulus representation）的表征差异矩阵（RDMs，representational dissimilarity matrices），而所有双反馈组所组成的几何则能被用于表示高维刺激空间的几何排布。 两个系统如果在刺激表征上的特点相同（即表征差异矩阵的相似度高达一定数值），就被认为是拥有相似的系统表征。 表征差异矩阵的相似度计算在有不同维度和来源的源空间（source spaces）中进行，以避开定义 “系统间的映射网络”。本研究的在这方面上的一个特色就是，使用神经科学研究中常用的网络实例比较分析方法对网络间的表征相似度进行比较，这使得研究结果可被直接用于神经科学研究常用的模型。 最终，对比的结果显示，仅在起始随机种子上存在不同的神经网络间存在明显个体差异。 该结果在采用不同网络架构，不同训练集和距离测量的情况下都成立。团队分析认为，这种差异的程度与 “用不同输入训练神经网络” 所产生的差异相当。 如上图所示，研究团队通过计算对应 RDM 之间的所有成对距离，比较 all-CNN-C 在所有网络实例和层、上的表示几何。 再通过 MDS 将 a 中的数据点（每个点对应一个层和实例）投影到二维。各个网络实例的层通过灰色线连接。虽然早期的代表性几何图形高度相似，但随着网络深度的增加，个体差异逐渐显现。 在证明了深度神经网络存在的显著个体差异之后，团队继续探索了这些差异存在的解释。 随后，研究者再通过在训练和测试阶段使用 Bernoulli dropout 方法调查了网络正则化（network regularization）对结果能造成的影响，但发现正则化虽然能在一定程度上提升 “采用不同起始随机种子的网络之表征” 的一致性，但并不能修正这些网络间的个体差异。 最后，通过分析网络的训练轨迹与个体差异出现的过程并将这一过程可视化，团队在论文中表示，神经网络的性能与表征一致性间存在强负相关性，即网络间的个体差异会在训练过程中被加剧。 总而言之，这项研究主要调查了多个神经网络在最少的实验干预条件下是否存在个体差异，即在训练开始前为网络设置不同权重的随机种子，但保持其他条件一致，并以此拓展了此前与 “神经网络间相关性” 有关的研究。 除了这篇 这篇 研究以外，“深度学习三巨头” 之一、著名 AI 学者 Hinton 也有过与之相关的研究，论文名为《Similarity of Neural Network Representations Revisited》，文章探讨了测量深度神经网络表示相似性的问题，感兴趣的读者可以一并进行阅读。 Refrence： [1] [2]
应用智能（Applied Intelligence）的proof一般指的是把技术应用到实际的场景中，以验证其可行性和有效性。一般来说，这个proof的时间取决于项目的复杂程度，以及所需要的数据量和计算量。
知网什么的吧
appliedintelligence的proof需要具体看应用的类型，一般来说，appliedintelligence的proof需要花费一些时间来完成，可能需要几天或者几周。
当我们谈论起论文发表这个话题时，很难绕开的问题通常是“某某领域/方向有哪些好发的期刊”，或者更加具体一些，“某某期刊是不是好发”。那么，如何去识别“好发的期刊”或者定义“期刊的好发程度”呢？这当然是一个见仁见智的问题。面对中文CSSCI期刊版面缩减、机构垄断等形势，我们一直倡导面临考核压力的人文社科研究生和“青椒”们树立国际视野，采取混合发表策略，尝试向SSCI期刊投稿并争取发表。根据我们得到的反馈，面对3000余种SSCI期刊，广大用户最为困惑的还是选刊问题，很难有持续的耐心和充足的精力去从头熟悉本学科的期刊。特别是由于SSCI对于期刊的分类标准与国内学者熟悉的分类并不一致，导致如果仅关注“自身所属学科”的期刊，可能会遗漏部分应当关注的期刊。鉴于此，我们拟尝试甄选“好发”的SSCI期刊，供各位用户参考。遴选标准在进入正题之前，我们想谈谈对“好发”的SSCI期刊的理解。首先，这些期刊的年刊文量不能太少，一种每年只发几篇论文的期刊，想必我们中的大部分人都没必要花时间去碰运气了；其次，这些期刊应当是已经有发表过中国学者的论文，在发表SSCI期刊论文已经不再是新闻的今天，如果一种期刊近年来根本没有刊登过中国学者的论文，那我们中的大部分人也没必要去尝试当“先行者”了。基于这两个标准，考虑到科睿唯安公布了每种SSCI期刊近三年由中国大陆（包含中国内地和港澳地区，不含中国台湾地区）机构署名的论文数量，我们认为，可以初步将以下三类期刊视为“好发”的SSCI期刊，加以深入分析和研判。第一类：中国大陆地区作为发文首要来源地的期刊。这些期刊多由大陆地区相关机构主办，或者关注的议题与中国高度相关。第二类：中国大陆地区在发文来源地中排名靠前（通常为前三）且发文数量没有特别少的期刊。第二个限制条件主要是为了排除发文高度集中于首要来源地且中国大陆机构发文数量仅为个位数的期刊。第三类：中国大陆地区虽然在发文来源地中的排名不够靠前，但发文数量较多的期刊。这些期刊的发文量往往较大，每年动辄大几百甚至上千篇。本期推介本期要介绍的15本期刊分别为：1. Annals of Economics and Finance（经济学四区）2. Asia Pacific Journal of Management（管理学二区）3. Asia Pacific Journal of Marketing and Logistics（商学二区）4. Asian Business & Management（商学三区，管理学三区）5. Asian Economic Papers（经济学四区）6. Asia-Pacific Journal of Accounting & Economics（金融学四区，经济学四区）7. Australian Economic Papers（经济学四区）8. Business Strategy and the Environment（环境研究一区，商学一区，管理学一区）9. China & World Economy（经济学二区）10. China Agricultural Economic Review（经济学二区，农业经济与政策三区）11. China Economic Review（经济学一区）12. Chinese Management Studies（管理学四区）13. Computational Economics（经济学三区；管理学四区）14. Finance Research Letters（金融学一区）15. Emerging Markets Review（经济学一区，金融学一区）01Annals of Economics and FinanceAnnals of Economics and Finance发表经济学、金融学和管理学各领域的理论和应用论文，也鼓励将经济学方法应用于政治学、社会学、心理学、伦理学和历史学的研究。现任主编为中央财经大学邹恒甫教授。2019年，Annals of Economics and Finance的影响因子为0.396，在经济学371种期刊中排名第349，属于四区期刊。从近年情况看，Annals of Economics and Finance的年发文量呈逐年递增趋势，2019年共刊发论文34篇。中国大陆地区是Annals of Economics and Finance发文的首要来源地，中央财经大学、北京大学、中国人民大学、浙江大学、中国社会科学院、复旦大学、武汉大学等高校和科研机构在该刊上的发表记录排在前列。02Asia Pacific Journal of ManagementAsia Pacific Journal of Management发表有关亚太地区管理和组织研究的稿件，关注的是一个最基本的问题：什么决定了组织的成功？涵盖的主要研究领域包括：企业家精神，人力资源管理，国际商务，组织行为，战略管理。会计、经济、金融、市场营销和运营管理等不属于该刊的选稿范围。该刊致力于成为泛亚太地区内或对该地区感兴趣的管理学者交流思想和研究的主要平台，现任主编为香港中文大学Chi-Sum Wong教授。2019年，Asia Pacific Journal of Management的影响因子为3.064，在管理学226种期刊中排名第84，属于二区期刊。从近年情况看，Asia Pacific Journal of Management的年发文量在40篇左右，2019年发表了45篇文章，较往年略有增长。中国大陆地区是Asia Pacific Journal of Management发文的首要来源地，香港城市大学、香港中文大学、香港浸会大学、浙江大学、中欧国际商学院、西安交通大学、华中科技大学、南京大学、澳门大学、宁波诺丁汉大学等机构在该刊上的发表记录排在前列。根据相关新闻报道，近年来，信阳师范学院商学院、浙江财经大学工商管理学院、湖南师范大学商学院教师，以及厦门大学管理学院博士生均曾在Asia Pacific Journal of Management发表论文。03Asia Pacific Journal of Marketing and LogisticsAsia Pacific Journal of Marketing and Logistics发表对亚太地区市场营销和物流知识有重大贡献的实证研究、概念性论文、深入的文献综述以及对其他方法和理论的检验。该期刊致力于缩小学术和实践之间的差距，因此也发表业内观点、案例研究和关于新兴趋势的研究随笔。关注的具体议题包括但不限于：营销策略，关系营销，跨文化问题，消费者市场和购买行为，营销渠道管理，物流，亚太市场的品牌问题，市场细分，营销理论，新产品开发，市场调查，集成营销，法律和公共政策，跨国和跨文化研究，数字营销。现任主编为澳大利亚科廷大学Ian Phau教授。2019年，Asia Pacific Journal of Marketing and Logistics的影响因子为2.511，在商学152种期刊中排名第76，属于二区期刊。从近年情况看，Asia Pacific Journal of Marketing and Logistics的年发文量有较快增长，2019年发表了103篇文章。中国大陆地区力压澳大利亚，是Asia Pacific Journal of Marketing and Logistics刊文的首要来源地，香港理工大学、澳门大学、北京邮电大学、中国科学院、重庆大学等机构在该刊上的发表记录排在前列。根据相关新闻报道，近年来，信阳师范学院商学院教师等曾在Asia Pacific Journal of Marketing and Logistics发表论文。04Asian Business & ManagementAsian Business & Management是针对亚洲管理和商业的学术期刊，关注的主题涵盖公司治理、人力资源管理、市场营销、组织行为、组织理论、战略、技术管理等。区别于一般的商业和管理期刊，该刊聚焦亚洲，这也是其最重要的最具吸引力的特点之一。无论所使用的研究方法是定量、还是定性、或是混合方法，抑或是概念性工作，只要有助于加深对亚洲商业和管理问题的理解的稿件，均有望在该刊发表。现任主编为德国哥廷根大学Fabian Jintae Froese教授。2019年，Asian Business & Management的影响因子为2.192，在商学152种期刊中排名第91，属于三区期刊；在管理学226种期刊中排名第129，亦属于三区期刊。从近年情况看，Asian Business & Management的年发文量逐年提高，2019年发表了16篇文章。中国大陆地区是Asian Business & Management发文的首要来源地。浙江大学、中国科学院、同济大学、上海交通大学、上海财经大学、清华大学等高校和研究机构在该刊上的发表记录排在前列。通过查阅Asian Business & Management网站，该刊新近录用的稿件中，第一作者所属高校包括浙江财经大学、西南大学、河北经贸大学、河北工业大学、深圳大学、江西财经大学等。05Asian Economics PapersAsian Economic Papers受到美国哥伦比亚大学可持续发展中心、韩国国际经济政策研究所、马来西亚双威大学Jeffrey Cheah东南亚研究所、印度尼西亚东盟与东亚经济研究所、中国上海交通大学安泰经济与管理学院的联合支持。该刊的文章聚焦对亚洲某特定经济体或泛亚洲地区重要经济问题的严谨分析，并为这些亚洲经济问题提供创造性的解决方案。现任主编为加州大学戴维斯分校Wing Thye Woo教授。2019年，Asian Economic Papers的影响因子为0.596，在经济学371种期刊中排名第324，属于四区期刊。从近年情况看，Asian Economic Papers的年发文量在2017年达到峰值（31篇），其后逐年降低，2019年发表了24篇文章。中国大陆地区和韩国并列为Asian Economic Papers刊文的首要来源地，但位列前十大来源机构的大陆高校仅有北京大学一所，说明在该刊上发文的中国大陆学者所在高校的分布较为分散。06Asia-Pacific Journal of Accounting & EconomicsAsia-Pacific Journal of Accounting & Economics发表经济学和会计学领域的理论和实证研究成果，关注的主题包括但不限于：审计、财务报告、盈余管理、财务分析师、会计信息的作用、国际贸易与金融、产业组织、战略行为、市场结构、财务契约、公司治理、资本市场和金融机构。现任联合主编有：台湾大学Hong Hwang、香港城市大学Jeong-Bon Kim、台湾大学Shu-Hsing Li、香港城市大学Yue Ma、美国德州大学达拉斯分校Suresh Radhakrishnan。2019年，Asia-Pacific Journal of Accounting & Economics的影响因子为0.705，在金融学108种期刊中排名第96，属于四区期刊，在经济学371种期刊中排名第305，亦属于四区期刊。从近年情况看，Asia-Pacific Journal of Accounting & Economics的年发文量逐年递增，2019年发表了39篇文章。中国大陆地区是Asia-Pacific Journal of Accounting & Economics刊文的首要来源地，西安交通大学、厦门大学、香港城市大学、复旦大学、香港浸会大学在该刊上的发表记录排在前列。07Australian Economics PapersAustralian Economic Papers发表来自理论、实证和政策经济学领域国际顶尖经济学家的高质量论文，覆盖的议题非常广泛，除了经济学的主要领域外，还包括产业组织、劳动经济学、宏观与微观政策分析等。现任总编辑为越南胡志明市经济大学Sarath Delpachitra教授，主编为西澳大学Jakob Madsen教授和世界银行Richard Damania博士。2019年，Australian Economic Papers的影响因子为0.783，在经济学371种期刊中排名第288，属于四区期刊。从近年情况看，Australian Economic Papers的年发文量在2018年达到峰值（28篇）后有所降低，2019年发表了18篇文章。中国大陆地区超过澳大利亚，为Australian Economic Papers刊文的首要来源地，对外经济贸易大学、中央财经大学、吉林大学、暨南大学、南开大学等高校在该刊上的发表记录排在前列。08Business Strategy and the EnvironmentBusiness Strategy and the Environment力求加深对改善环境绩效的商业反应的理解，寻求检验竞争战略与环境管理之间的联系，关注系统和标准、合作环境管理工具、组织和管理、特定行业及企业对当代环境问题的反应等议题，尤其是法规和政策在商业领域中的作用，并鼓励开展跨国分析。该期刊致力于引起广泛的跨学科读者的兴趣，包括学者、从业人员、业务经理和顾问等。现任主编为泰国朱拉隆功大学萨辛管理学院Richard Welford教授。2019年，Business Strategy and the Environment的影响因子为5.483，在环境研究123种期刊中排名第10，在商学152种期刊中排名第19，在管理学226种期刊中排名第21，均属于一区期刊。从近年情况看，Business Strategy and the Environment的年发文量在2018年突破100篇，2019年发表了117篇文章。中国大陆地区为Business Strategy and the Environment刊文的首要来源地，上海交通大学、中国科学院、香港理工大学、浙江理工大学等机构在该刊上的发表记录排在前列。根据公开的新闻报道，安徽师范大学经济管理学院、湖北经济学院会计学院等院校近来均有教师在该刊发表论文。根据期刊公开披露的信息，Business Strategy and the Environment从论文提交到作出第一次决定仅需6天时间。09China & World EconomyChina & World Economy是中国国内创办的最早的经济类英文学术刊物，致力于推动国际国内学术界开展与中国经济相关的研究及其与世界经济的互动，关注的议题包括但不限于：国际金融、贸易、投资、宏观经济学、发展经济学、能源等。现任主编是中国社会科学院张宇燕研究员。2019年，China & World Economy的影响因子为1.865，在经济学371种期刊中排名第119，属于二区期刊。从近年情况看，China & World Economy的年发文量在30余篇且呈下降趋势，2019年发表了34篇文章。中国大陆地区是China & World Economy发文的首要来源地。中国社会科学院、北京大学、中国人民大学、北京师范大学、对外经济贸易大学、浙江大学等机构在该刊上的发表记录排在前列，上海财经大学、清华大学、重庆大学、复旦大学等高校在该刊也有不错的发表记录。10China Agricultural Economic ReviewChina Agricultural Economic Review倡导针对中国农业改革和实践的深度分析，关注的议题包括：农业、农村发展、自然资源和环境经济学。现任主编是中国农业大学辛贤教授。作为SSCI和SCI双检索期刊，2019年，China Agricultural Economic Review的影响因子为1.753，在经济学（SSCI）371种期刊中排名第132，属于二区期刊；在农业经济与政策（SCI）21种期刊中排名第11，属于三区期刊。从近年情况看，China Agricultural Economic Review的年发文量呈增加趋势，2019年发表了52篇文章。中国大陆地区为China Agricultural Economic Review刊文的首要来源地，中国农业大学、北京大学、南京农业大学、浙江大学、中国人民大学等高校在该刊上的发表记录排在前列，中国科学院、中国农业科学院、华南农业大学等机构在该刊也有不错的发表记录。11China Economic ReviewChina Economic Review关注的议题涉及中国经济的各个方面及其与世界经济的关系，尤其欢迎有关中国经济体制改革、政策和绩效的量化分析，并鼓励对中国与其他国家的发展进程进行比较。现任主编为北京大学张晓波教授。2019年，China Economic Review的影响因子为2.736，在经济学371种期刊中排名第71，属于一区期刊。从近年情况看，China Economic Review的年发文量呈逐年递增趋势，2019年发表了115篇文章。中国大陆地区是China Economic Review刊文的首要来源地，期刊发文的前十大来源机构基本上被中国大陆地区高校包揽，包括北京大学、中国人民大学、中央财经大学、复旦大学、北京师范大学、清华大学、上海财经大学、浙江大学、暨南大学等。12Chinese Management StudiesChinese Management Studies提供中国CEO、高管团队、学者等对管理的最新思考，发表对中国管理思想、哲学和过程的深入分析、关于中国的实证论文、以及采访和对话等，致力于展示中国学者的管理研究能力以及全球对中国管理的兴趣。现任主编是莫纳什大学Cherrie Jiuhua Zhu教授。2019年，Chinese Management Studies的影响因子为1.036，在管理学226种期刊中排名第195，属于四区期刊。从近年情况看，Chinese Management Studies的年发文量逐年增加，2019年发表了51篇文章。用户点评：这个期刊是四区的SSCI期刊，影响因子接近1，主要刊登有关中国管理学领域相关的论文。我于2019年6月份投稿，2016年11月份收到审稿意见，三个审稿人都认为论文很有意义，但是都认为需要修改，修改意见2页多。因为接近寒假，比较忙，所以一个月的修改时间很紧，我又申请延长了10天左右的修改期，我于2020年1月份返回修改稿。2020年2月份受到二审意见，这次是两个审稿人的意见，其中一个审稿人建议发表，另一个审稿人是上次三个审稿人中的一个，认为我修改的不够，建议继续修改，尤其是政策建议要突出创新点和对实务界的启示。约一个月后修回，之后就是等待。2020年4月中旬我收到主编邮件说论文已经录用。感觉这个期刊审稿速度不算快，但审稿人提的意见很好，很中肯，也确实有助于论文质量的提升。虽然是四区期刊，也没有很简单，之前师兄投过两次中过一次，师姐好像也投过，但没中。所以现在发论文并不容易，能发一个SSCI期刊还不错。匿名用户：师门偶有在该刊发文 作为本人独立写的第一篇英文论文 夜尝试投了该刊 5月18号提交论文 半个月后进入外审 再一个半月后7月20号收到退稿邮件 第一次外审速度还OK 后面就不太清楚了 一共三个外审专家 一个给大修 两个给退稿 确实是文章水平的问题 给的意见也都很中肯 当然也不乏有一些批评的语言 总的来说对未来的研究完善有挺大的益处 之后还会继续尝试该刊中国大陆地区是Chinese Management Studies发文的首要来源地。期刊发文的前十大来源机构基本上被中国大陆地区高校和科研院所包揽，包括中国科学院、西安交通大学、南京大学、浙江大学、北京交通大学、杭州电子科技大学、湖南大学、暨南大学、对外经济贸易大学、哈尔滨工业大学、华中科技大学、西北工业大学、中国人民大学、上海大学、华南理工大学等。13Computational EconomicsComputational Economics介绍讲计算科学与经济学所有分支相结合的新研究，涵盖滤波、贝叶斯和非参数方法、马尔可夫过程、蒙特卡罗模拟等计量经济学的计算方法，仿真模型方法，机器学习，进化算法，神经网络建模，动态系统计算，优化，最优控制，博弈，均衡建模，硬件和软件开发，建模语言，接口，符号处理，分布式和并行处理等。现任主编是荷兰阿姆斯特丹大学Hans M. Amman教授。2019年，Computational Economics的影响因子为1.317，在经济学371种期刊中排名第200，属于三区期刊；在管理学226种期刊中排名第185，属于四区期刊；作为SSCI/SCIE双检索期刊，Computational Economics在数学跨学科应用106种期刊中排名第65，属于三区期刊。从近年情况看，Computational Economics的年发文量自2018年以来持续增加，2019年发表了131篇文章。中国大陆地区是Computational Economics发文的首要来源地。期刊发文的前十大来源机构中，来自中国大陆地区的高校院所最多，包括中国科学院、南方科技大学、香港大学、中国人民大学、北京师范大学、湖南大学、西南财经大学和厦门大学等。14Finance Research LettersFinance Research Letters欢迎来自泛金融学各个领域的稿件，字数一般不能超过2500个。该刊关注的议题包括：精算研究；另类投资；资产定价；破产清算；银行和其他存托机构；行为和实验金融；金融的文献计量和科学计量研究；资本预算和其他投资；资本市场与会计；资本结构和支付政策；大宗商品；传染，危机和相互依存；公司治理；信贷和固定收益市场与工具；衍生品；新兴市场；能源金融与能源市场；金融计量经济学；金融历史；金融中介和货币市场；金融市场；金融数学与经济物理学；金融监管与法律；预测；前沿市场研究；国际金融；市场效率与实践研究；合并与收购；微型金融机构；微观机构；非银行金融机构；个人财务；投资组合选择与投资；房地产金融与投资；风险；中小企业、家庭和创业金融。现任联合总编为主编为马来西亚北部大学Jonathan A. Batten教授、阿联酋沙迦美国大学Narjess Boubakri教授、爱尔兰都柏林大学Samuel Vigne教授。2019年，Finance Research Letters的影响因子为3.527，在金融学109种期刊中排名第9，属于一区期刊。从近年情况看，Finance Research Letters的年发文量有显著增加，2019年发表了240篇文章。用户点评：最近12个月内，周围四个中国人投此刊全部被拒，均来自985高校。此刊金融经济相关都可以投，发文量这几年很稳定，今年升入1区估计投稿量更多，难度更大。从我们四个人的经验来看，编辑直接拒会在半个月左右决定。第一轮审稿意见回来估计1到3个月，一般只有一到两个审稿人，所以审稿人的意见很重要。letter期刊很少，其中frl和el偏难，ael相对容易。这三个期刊相对长文来说审稿和出刊都比较快。另外这三个期刊都有投稿费，没有版面费。匿名用户：8月份投了这个期刊的special issue,由于时间比较赶，文章写的质量一般，当然快速得被拒了。。150美元的审稿费 被拒的理由说文章的理论基础比较薄弱，150美元买了比较中肯的审稿意见，哈哈 文章字数要求2000字 个人觉得，letter的文章，不求长，但是idea一定要新！理论基础要扎实。从投稿到给出被拒，两周，速度比较快。中国大陆地区是Finance Research Letters发文的首要来源地。对外经济贸易大学、中央财经大学、中国科学院、浙江大学等中国大陆地区高校和研究机构在该刊上的发表记录排在前列。15Emerging Markets ReviewEmerging Markets Review旨在成为发表新兴市场金融领域重大经验和理论研究成果的主要平台，该刊优先考虑的论文包括：全球和区域视野下的比较研究，解决特定国家的关键政策问题并具有重要全球和区域影响的研究，以及应对国家和国际金融架构相互作用的研究；尤其欢迎制度和金融视角下的论文。现任主编为马来西亚北部大学J.A. Batten教授。2019年，Emerging Markets Review的影响因子为3.092，在金融学109种期刊中排名第12，在经济学373种期刊中排名第58，均属于一区期刊。从近年情况看，Emerging Markets Review的年发文量呈逐年增加趋势，2019年发表了60篇文章。中国大陆地区是Emerging Markets Review刊文的首要来源地。西南财经大学是入围该刊发文前十大来源机构的唯一一所中国大陆地区高校。
Expert systems with Applications是一份具有参考价值的国际期刊，专注于交流与世界各地工业、政府和大学应用的专家和智能系统相关的信息。该期刊的主要目的是发表有关专家和智能系统的设计、开发、测试、实施和/或管理的论文，并为这些系统的开发和管理提供实践指导。本刊将发表专家和智能系统技术及应用方面的论文，包括但不限于：财务、会计、工程、市场、审计、法律、采购与合同、项目管理、风险评估、信息管理、信息检索、危机管理、股票交易、战略管理、网络管理、电信、航天教育、智能前端智能数据库管理系统、医学、化学、人力资源管理、人力资本、商业、生产管理、考古、经济、能源和国防。有关多智能体系统、知识管理、神经网络、知识发现、数据和文本挖掘、多媒体挖掘和遗传算法的论文也将发表在该杂志上。拓展资料：1、普通期刊投稿有以下三种方式：为官网投稿。目前，大多数期刊都可以在线投稿。需要找到相应期刊的官网，有“在线投稿”窗口。准备好PDF或latex格式的稿件，按要求操作，非常方便。如果提交成功，它将立即通过电子邮件发送回执。几天后，编辑部将通过电子邮件发送正式收据，给出稿件的正式编号。您还可以在互联网上查看您稿件的当前处理状态。在线提交时，记得找正确的官网。有很多假的官方网站。如需登录，只需按要求登录即可。无非是提供一些个人信息。这很简单。记住您的登录号码和密码下次可以直接登录。2、可以通过电子邮件提交的期刊很多。一般在这个期刊上都能找到邮箱地址。发送时应注意需要通过电子邮件发送的“PDF”文件或“PS”文件。不要发送“DVI”文件，因为这个文件会显示不正确。另外，学习保护您的知识产权。除非收到您的手稿，否则不要轻易将“tex”文件发送给个人。3、邮寄投稿一些期刊要求将稿件的“硬拷贝”直接发送到编辑部，从 3 到 5 份不等。一般在“作者须知”中有相关说明。邮寄稿件时，您应该清楚地看到邮寄地址。寄往国外的稿件一般不需要注册。国内部分杂志要求在邮寄稿件的同时寄送稿件听证费，否则不予受理。如果是通过电子邮件或邮寄方式提交的，通常会在一个月内给您一个收据和您的稿件编号。如果您没有收到收据，您应该去电子邮件或信件查询。如今，电子邮件丢失是很常见的。即使通过电子邮件作为附件发送，也可能作为垃圾邮件被删除。4、不管你怎么投稿，我都建议你写一封求职信。这是很多同学会忽略的一个细节。简洁的投稿信会给编辑对你文章的第一印象加分不少。它还可以节省您的文章审阅周期，提高论文接受的概率。首先，我们可以通过百度、谷歌、360、搜狗等搜索引擎搜索目标期刊杂志。最常见的方式是使用“期刊名称”+“投稿方式”或“联系电话”查找相关期刊的联系方式。这种方法最大的好处是我们可以查询大量的目标期刊信息。通过筛选和不断的确认，我们最终可以定位到我们的目标期刊。但这种方法的缺点是费时费力。5、其次，中国知网、万方、VIP三大数据库平台不仅收集了大量的期刊杂志全文，还对收录的期刊进行了分类整理。一些期刊的联系方式可以在这些平台上找到。如果某些期刊找不到自己的联系方式，可以在检索此类数据库时使用组合查询。比如以“中国远程教育”+“投稿”的形式，获取期刊发表的投稿通知。（操作环境：QQ邮箱6.0.0，google版本 92.0.4515.131，CNKI手机知网appV8.0.3，万方数据手机版 v1.10.5 ）
知网什么的吧
appliedintelligence的proof需要具体看应用的类型，一般来说，appliedintelligence的proof需要花费一些时间来完成，可能需要几天或者几周。
appliedintelligence多久proof sci文章proof一般7天完成合适，因为sci论文接受后是需要审核的，外审、终审之后才能到校稿环节也就是proof的一个状态，通常来说论文审核的比较顺利，论文接受后没有一个月时间就校稿了。如果审核过程中比较繁琐，尤其是会收到修改的通知，反复修改这样就会耗费不少时间，可能三个月甚至更久才能到校稿环节。