一年发7篇SCI/EI论文的秘诀？

其他 2024-08-20 10:21 北京

点击上方蓝字关注我们

今日文末有送书活动，一定要看到最后奥~

LOVE LIFE AND HEALTH

AUGUST WEATHER

“2023-09~2024-08在研二一整年的时间里面，我发表了SCI/EI论文7篇，给大家分享下水论文秘诀以及时间安排~，看我是怎么在最轻松的情况下获得这些成果”。

首先分享下我的个人作息，我是一个坚定会睡饱的人，也不会熬夜，我一般是早上8:40点左右起来，然后到工位，差不多9:20才会开始干活，然后干到11:30吃午饭午休到14:00，到工位工作差不多14:30，工作到下午17:00然后吃完饭，晚饭吃到18:30，然后继续工作到21:00，每天锻炼一小时到22:00，就回去洗漱睡觉了，这是我个人感觉比较舒服的节奏，如果学到再晚我就会很累非常累，周末基本上会出去吃饭，也会出去玩，放松和学习时间各占一半。计算一下我个人的工作日有效工作时间大概有7个小时。

然后在我有效的学习时间内，我做科研的平均时间只能占到1/6，2/6的时间是给导师干各种活（哭唧唧）， 2/6的时间是开发和更新工具箱，1/6的时间是给同学们答疑，上课，付费咨询之类还有发写推文视频。

所以得到一个惊人的结论“每天科研一个小时就能一年内发七篇论文”，给大家看个各种论文的需要时间【方向是传统工科+AI方向，这个方向毫无疑问是最好发论文的方向】

EI会议：EI会议基本上是点击就送，我一般是先跑代码，跑出结果再中文写论文再翻译，一般学科的EI会议点击就送，不需要创新点，我个人一般是随便用工具箱跑个结果，工具箱水论文真是yyds，跑结果+绘图3个小时+写6个小时+翻译1小时+投稿1小时，基本上12小时内就能搞定一篇EI会议论文
中文核心论文/外文EI期刊/中科院4区SCI期刊：这个也分等级，如果是比较好一些的需要多一点时间，这个审稿周期可能会长一些，好的期刊需要有一个强创新点（就是自己设计的没有发表过的，自己设计了一些新的思路算法），一般的中文核心期刊2个弱创新点就行了（其他领域的新东西，比如一个新的机器学习算法+SHAP分析/特征分析）这个可能需要自己去学新领域的东西，学习时间24小时+实验代码12小时+论文写作投稿6小时+投稿返修6小时=48小时搞定
中科院3区SCI期刊论文：这个级别的期刊需要1个强创新点+2个弱创新点。这个我比较推荐这个强创新是结合自己自己领域的机器学习创新，这个背景下算法要怎么设计能够比较好得提升效果，可以自己设计一个优化问题，基于一个新的背景问题设计。弱创新点就是引用别的领域的新成果。学习时间48小时+实验代码24小时+论文写作投稿24小时+投稿返修24小时=120小时搞定
中科院2区以上SCI期刊论文：这个级别的期刊需要2个强创新点+1个弱创新点，同时讲故事也是比较重要的。配置基本上新问题应用+新方法+两个弱创新（数据特征处理，预测算法创新），这个级别的才能发布到一区以上的论文，这个花时间的不确定很强，被拒稿重投就可能是两倍的时间，我自己是一篇被拒重投录用，一篇审稿周期比较久

我总结我发论文快的重要原因：1 有比较多机器学习相关基础，因此学新算法会比较容易上手 2 绘图能力和写作能力有一定的基础，已经熟能生巧 3 借助机器学习工具箱，很容易实现弱创新，基本上每次只需要设计好强创新点，弱创新点直接套用即可，毫不夸张地说我发的每篇论文都用到了工具箱，发会议论文是百分百工具箱实验。

经过一个暑假（当然本工科牛马没有暑假）的完善，RCpredict_v6工具箱所有功能全部调试完毕了，正式发布新版本！更新了很多功能，工具箱发布一年时间来，已经上万用户，工具箱已经在上万用户的形形色色的数据中磨练通过了，使用手册包含350页之多，工具箱所有算法都有解释和出处，一起来看看它的功能把~

如果是新粉可能还不了解公众号的工具箱，可以看下工具箱的用途。神器系列的工具箱，解放劳动力，不需要写一行代码，只需要几键就可以实现评价、降维、聚类、回归、分类、单元时间序列预测、不可知未来特征的多元时间序列预测，可知未来特征的多元时间序列，多输入多输出问题、回归概率区间预测、时序区间概率预测等，且支持一键导出代码，后期可以修改代码，进一步修改和改进，各种数据集都适用，小白超好上手，用户人数已经超过一万了，被小伙伴称为最好用，性价比最高的代码资料。已经有超多小伙伴应用工具箱发表论文、专利以及竞赛拿奖了！

part1

数据处理功能

支持文本、缺失、异常数据一键处理，保证多烂的数据集都能运行，这也是为啥能在一万多用户上运行的原因~，最重要的原因没有环境问题，在我电脑上运行是什么样，在用户电脑上运行也一定是什么样，小白非常有好！

支持一键离散、字符类型数据处理、独热编码功能、四种离群点检测方法分别是3sigma、Zscore、箱线图、孤立森林检测法

part2

样本增强功能

新增样本增强功能真是提点小能手，基本上小样本的回归和分类数据集都能提升效果，小样本+样本增强这妥妥是个强创新了，工具箱设置按钮一键式操作，保持测试集不变，样本增强前后效果立竿见影，而且回归、分类、概率区间预测都支持

可以有效解决分类数据样本不平衡、少样本等问题，自定义分类倍数，能够让回归、分类数据整体更加平衡

注：数据增强只增强到训练集和验证集中，测试集保持不变，因此可以放心对比数据增强效果

二分类疾病诊断数据测试，分类效果有了明显提升

增强前测试集效果

增强后测试集效果

part3

特征选择变换功能

支持12种特征选择方法分别是L1范数、L2范数、树模型、person相关性分析、spearman相关性分析、kendall相关性分析、REF特征选择、REFCV特征选择、MIC互信息特征选择、灰色关联分析特征选择、Relif特征选择、30种智能优化算法优化特征选择、七种特征变换方法分别是nnmf降维、PCA降维、MDS降维、SPE降维、t-SNE降维、KPCA降维、autoencoder降维。

在原来的基础上新增了3种效果绝的特征选择算法，这三种算法自适应得到最优的特征组合，不需要提前设定算法，其中多种智能优化算法特征选择支持工具箱内置的30种智能优化算法优化出最佳算法组合。

特别推荐多智能优化算法优化特征选择，可以采用一个新型的智能优化算法优化最优组合，这是我复现SCI一区论文的特征选择方法，能够自适应最佳特征组合，手册里面都有大概原理

part4

回归方法

能够组合出上万种方法，回归算法可以实现多元线性回归、多元LASSO回归、多元岭回归、LSBoost回归、XGBoost回归、高斯回归、高斯核回归、ELM回归、GRNN回归、GAM回归、决策树回归、随机森林回归、SVM回归、BP/MLP回归、LSTM回归、LSTM-attention回归、GRU回归、GRU-attention回归、CNN回归、BiLSTM回归、BiLSTM-attention回归、CNN-LSTM回归、CNN-LSTM-attention回归、CNN-GRU回归、CNN-GRU-attention回归、CNN-BiLSTM回归、CNN-BiLSTM-attention回归、CNN-LSTM-SE注意力机制回归、CNN-LSTM-GRU注意力机制回归、iTransformer-LSTM回归、iTransformer-GRU回归、iTransformer-BiLSTM回归、包括多种组合算法MLP-RF回归、MLP-DT回归、MLP-SVM回归、SVM-RF回归、优化MLP-RF回归、优化MLP-XGBoost回归、优化LSTM-XGBoost回归、优化BiLSTM-RF回归、优化BiLSTM-attention-RF回归、优化Transformer-LSTM-XGBoost回归、优化LSTM-attention-XGBoost回归、优化BiLSTM-RF回归、优化BiLSTM-attention-RF回归、优化CNNBiLSTM-XGBoost回归、优化CNNBiLSTM-attention-XGBoost回归、优化CNNGRU-XGBoost回归、优化CNNGRU-attention-XGBoost回归、优化Transformer-LSTM-RF回归、优化Transformer-BiLSTM-RF回归、优化Transformer-GRU-RF回归。

回归的绘图结果展示也是丰富了许多~

part5

分类方法

分类方法能实现最近邻分类、贝叶斯分类、决策树分类、随机森林分类、SVM分类、XGBoost分类、BP/MLP分类、LSTM分类、LSTM-attention分类、GRU分类、GRU-attention分类、CNN分类、BiLSTM分类、BiLSTM-attention分类、CNN-LSTM分类、CNN-LSTM-attention分类、CNN-GRU分类、CNN-GRU-attention分类、CNN-BiLSTM分类、CNN-BiLSTM-attention分类、CNN-LSTM-SE注意力机制分类、CNN-LSTM-GRU注意力机制分类、MLP-RF分类、MLP-DT分类、MLP-SVM分类、SVM-RF分类、优化MLP-RF分类、优化MLP-XGBoost分类、优化LSTM-XGBoost分类、优化BiLSTM-RF分类、优化BiLSTM-attention-RF分类、优化Transformer-LSTM-XGBoost分类、优化LSTM-attention-XGBoost分类、优化BiLSTM-RF分类、优化BiLSTM-attention-RF分类、优化CNNBiLSTM-XGBoost分类、优化CNNBiLSTM-attention-XGBoost分类、优化CNNGRU-XGBoost分类、优化CNNGRU-attention-XGBoost分类、优化Transformer-LSTM-RF分类、优化Transformer-BiLSTM-RF分类、优化Transformer-GRU-RF分类。

工具箱内所有的单个分类算法和组合分类算法都支持绘制ROC曲线，并且可以对比多个算法的ROC曲线

在函数附件中，可以比较方便地进行多个算法的ROC曲线对比

part6

超参数优化方法

新的智能优化算法优化超参数可以算是最好上手的弱创新了

工具箱基于所有算法算法支持超参数优化，包括贝叶斯优化以及30种智能优化算法包括SSA麻雀搜索算法、BDO蜣螂优化算法、SCA正余弦优化算法、SA模拟退火优化算法、PSO粒子群优化算法、SO蛇优化算法、POA鹈鹕优化算法、GWO灰狼优化算法、IGWO改进灰狼优化算法、AVOA非洲秃鹰优化算法、CSA变色龙优化算法、GTO大猩猩优化算法、NGO北方苍鹰优化算法、WSO白鲨优化算法，还有近两年新发（CGO混沌博弈优化算法、INFO加权向量均值优化算法、COA浣熊优化算法、RIME冰霜优化算法、KOA开普勒优化算法、RUN龙格库塔优化算法、IVY常春藤优化算法、HOA徒步优化算法、BKA黑翅鸢优化算法、COA龙虾优化算法、BSLO吸水蛭优化算法、以及独特改进新型智能优化算法（GHOA映射和高斯游走改进HOA、GSSA映射和正余弦改进SSA、GBKA映射改进BKA、GRIME映射和反向学习改进RIME、GDPSO黄金正余弦改进PSO）

所有算法优化的超参数都会自行打印出来

"SSA麻雀搜索算法" "优化 Transformer-G…" "位置编码向量数:" "16" " 注意力机制头head:" "8" " 注意力机制键key:" "16"

" 隐藏层神经元gruLa…" "8" " dropoutLayer_r…" "0.34329" " learnrate: " "0.0024119"

所有智能优化算法的原文已经整理好，新型的改进智能优化算法方法也在手册有描述改进的地方

part7

一键K折验证

工具箱内所有的单个和组合回归以及分类算法都支持一键K折验证，可以验证优化前或者优化后的模型超参数在整个数据集循环的效果

part8

概率区间预测功能

除此之外V6版本能够实现一键概率区间预测，指标评价以及概率区间随机美化绘图，概率区间预测方法，回归赛道太卷了，形形色色就那样，没太大改进，如果能在回归的基础上实现概率区间预测，那是一个发论文，做课题的非常大的加分项，概率区间预测不仅能实现区间预测，还能得到概率区间范围，能够提供更多的预测信息

在之前的基础上增加了多种深度学习分位数回归的概率区间区域方法

工具箱的前3个区间预测模块都是根据验证集误差建模的，也就是说，这三种方法可以和任意回归方法组合，因此可以实现五万多种回归组合*3种概率区间方法的任意组合=15万种概率区间预测方法，而且设计了分层概率方式，后几种方法的概率区间预测也可以和均值预测组合。概率区间置信度值均可以自己设定。同时提供了matlab和python多种神经网络分位数回归示例，随机森林分位数示例以及python lightgbm、catboost分位数回归示例可以自由设置任意的概率区间，任何数据都适用，并且有丰富的5个评价指标，PICP、PINAW、CWC、MPICD、AIS

光伏数据集：

风电数据集：

房价数据集：

鲍鱼数据集：

多种概率区间预测的对比，那必须得有，在example_Qregrees.m的对比函数里面

part9

一键SHAP分析功能

MATLAB的SHAP分析也安排上了，目前只有特定模型能实现（bp神经网络、SVM、数模型、高斯回归模型等），如果模型实现不了会有提示语

可以实现智能优化算法优化模型后再进行SHAP分析

part10

更多细节更新

随机种子支持固定和随机两个选项，固定随机种子每次运行结果就会一样，完全可以复现出来，当然如果使用优化算法可能就不一样了

模型特征重要性绘图可以随机优化，当然要在随机种子不固定的时候

回归结果分析图的样式也会更加多，除了真实-预测曲线对比图，还增加可以随机美化的散点密度图样式，等等，为了满足更多小伙伴绘图需要，内置了10种固定样式以及支持自定义绘图样式

【视频讲解】B站录制了使用详细的视频，可以扫码观看或者点击链接 https://www.bilibili.com/video/BV1a94y147Qf/

可以观看视频的1、10~19节

【获取方式】扫码获取或者点击链接

https://mbd.pub/o/bread/mbd-ZJWUkphq

四个工具箱打包更划算！

四个工具打包获取，实惠很多，并且一码通用只需要激活一次

【视频讲解】B站录制了使用详细的视频，可以扫码观看或者点击链接 https://www.bilibili.com/video/BV1a94y147Qf/

可以观看视频的1~26节

【获取方式】扫码获取或者点击链接

https://mbd.pub/o/bread/mbd-ZJabmJ9q

part

送书活动

BETTER LIFE

今天带来的书籍超级优秀，一共送6本，参与方式【点赞再看，留言点赞前三+随机三位观众包邮送书】，这本书因前沿的技术和易懂的代码闻名，让读者能快速理解Python的精髓和相关的数学知识，然后就能动手实践，用Python解决各种问题了。书中包含15个创意项目，绘制繁花曲线图案、进行三维渲染、让激光图案随音乐起舞，以及使用机器学习识别语音等，由浅入深，既适合新手学习，也适合资深程序员提升技能。不管你是刚学Python的新手，还是想提升技能的老手，都能在《Python极客项目编程 (第2版)》里找到适合自己的内容。

本书必读的四大理由

畅销经典，高分佳作

作为“Python编程三剑客”之一，本书是数十万Python开发者的案头好书，成为他们深入了解Python的跳板。直到今天，它依旧没被时间淘汰，也没让读者失望，美亚评分4.5，豆瓣评分8.4，畅销全球数十万册，便是最好的认证。

正因如此，我们才会在世界的不同角落发现这本好书：

（《Python极客项目编程》在剑桥的书店中热卖）

（《Python极客项目编程》陈列在新加坡国家图书馆中）

正因如此，它才会备受业内专家以及主流网站和杂志的称赞：

如果你想熟练地运用Python做些聪明的事情，很难找到比此书中的项目更好或更有用的资料来帮助你理解这门语言的工作方式。

——Network World News Magazine

每个Python程序员的书架上都应有这本书。

——Full Circle Magazine

此书中充满有趣的项目。

——iProgrammer 网站

本书适合想进一步提升编程水平和扩展 Python 语言知识的程序员阅读。本书很好地诠释了 Python 的相关细节，并确保读者能够清楚地了解 Python 程序中正在发生的事情。

——InfoQ网站

本书为具有科学思维的程序员和对编程感兴趣的科学爱好者提供了优秀的项目，适合各种人群阅读。

——《Python 编程快速上手：让繁琐工作自动化》作者 Al Sweigart

时隔9年重磅升级，项目为导向

新版是在第1版的基础上精心打磨出来的，沿袭了项目导向的风格，并且更新了很多Python代码实例。这本书给初学者设计了一条清晰的学习路径，保姆式的讲解特别到位，能帮助读者快速学会用Python做出酷炫的应用。

新版包含了5个新项目，比如第1章“科赫雪花”和第10章“圆环面上的康威生命游戏”。

（书中绘制的科赫雪花）

同时，此次更新重点关注第五部分（玩转硬件），专注于基于树莓派的系统，不再涉及Arduino。因此，第五部分的每个项目要么是全新的（第12章、第14章和第15章），要么做了全面修订（第13章）。用树莓派的好处是，组装硬件简单多了，而且只管Python编程，不用在Python和Arduino（一种C++的变种）之间换来换去，这种改变让读者更加容易上手。在第五部分中，读者还能学到MicroPython和CircuitPython，它们都是为那些资源不多的小设备优化过的Python版本。

第2版还有更贴心的细节修改：

· 第4章播放WAV文件时，使用PyAudio替代Pygame。

· 第7章为照片马赛克查找最佳图像匹配时，对线性查找算法和k-d树数据结构的性能做了比较。

· 第8章新增介绍如何创建用于生成裸眼立体画的自定义深度贴图。

· 附录A新增介绍如何使用Anaconda简化Python安装。

随书还附赠本书源代码、项目素材，以及Python排障手册电子书、程序员面试手册电子书。

作者不仅仅是作家，更是一位从业20多年的资深程序员

本书作者马赫什·文基塔查拉姆（Mahesh Venkitachalam）是一名计算机图形学和嵌入式系统顾问，拥有20余年从业经验。他是 Electronut Labs的创始人，该公司以开发充满创意的开源硬件著称。

他从八年级就开始培养对技术的热情，经常撰写有关编程和电子技术的博客，他的个人网站electronut.in上的技术博客十分受欢迎。这也是这本书的语言能够如此通俗易懂，但是技术含金量又如此之高的原因之一。

（作者的个人网站）

超越其他产品，为想通过编程来理解和探索创意的人编写

本书作者信奉“从做中学”的原则，直接用项目来教你怎么用Python搞定实际问题。不过别担心，书里会把每个项目中的知识点讲清楚。

（书中第1章讲解的关于科赫雪花的数学公式）

跟着这些项目做下来，读者能深入Python编程的精髓，还能学会用一些特别火的Python工具包。最关键的是，读者会学会怎么把大问题拆成小问题，设计出解决问题的步骤，然后用Python一步步实现。

这种教学方法很对程序员的口味，所以这本书也得到了很多好评。

本书如何读？

这本书完全是保姆式实战教学，新手也能轻松入门，读者可以跟着书的目录一步步来，也可以挑自己感兴趣的项目学，但最关键的是动手实践！

作者明白，学编程，理论只是基础，真正难的是把理论用到实际中。所以，书里的每个项目都是实战，通过做项目，读者的编程技巧和解决问题的能力都会慢慢提高。

· 第一部分，读者先学习科赫雪花和繁花曲线这两个热身项目。

· 第二部分，读者会探索多个使用数学模型模拟真实现象的项目。

· 第三部分，读者将学会使用Python读取和操作二维图像。

· 读完第四部分，读者会掌握如何使用着色器和OpenGL库，基于图形处理单元（Graphics Processing Unit，GPU）快速而高效地渲染三维图形。

· 第五部分则是本书升级的重点，读者将利用树莓派和其他电子元件来学习如何在嵌入式系统中使用Python进行编程。

可以看出，这本书的内容是循序渐进的，从易到难，读者可以轻松开始，先做简单的项目，然后逐步挑战更复杂的项目。在作者的手把手教学下，读者能一步步学会用Python来解决实际问题。

就拿第1章来说，在该章的项目中，读者将学会使用Python模块turtle来绘制科赫雪花。而这本书丝毫不拖泥带水，在简单介绍什么是科赫雪花、补充了有关递归算法和函数的基本知识，以及使用模块turtle绘制图形的方法后，就开始带着读者创建第一个Python项目。

▼点击下方，即可购书

送书活动参与方式【点赞再看，留言点赞前三+随机三位观众包邮送书】

扫码关注我们

SCAN THE QR CODE TO

点个在看你最好看

往期精彩回顾

推荐 | 上万人使用的机器学习工具箱是什么样子的？最新版工具箱功能定版！