《长江科学院院报》影响力指数跃居水利工程类 - 自然科学史研究杂志社投稿

一、来稿必须是作者独立取得的原创性学术研究成果，来稿的文字复制比（相似度或重复率）必须低于用稿标准，引用部分文字的要在参考文献中注明；署名和作者单位无误，未曾以任何形式用任何文种在国内外公开发表过；未一稿多投。二、来稿除文中特别加以标注和致谢之外，不侵犯任何版权或损害第三方的任何其他权利。如果20天后未收到本刊的录用通知，可自行处理(双方另有约定的除外)。三、来稿经审阅通过，编辑部会将修改意见反馈给您，您应在收到通知7天内提交修改稿。作者享有引用和复制该文的权利及著作权法的其它权利。四、一般来说，4500字（电脑WORD统计，图表另计）以下的文章，不能说清问题，很难保证学术质量，本刊恕不受理。五、论文格式及要素：标题、作者、工作单位全称(院系处室)、摘要、关键词、正文、注释、参考文献(遵从国家标准：GB\T7714-2005，点击查看参考文献格式示例)、作者简介(100字内)、联系方式(通信地址、邮编、电话、电子信箱)。六、处理流程：（1）通过电子邮件将稿件发到我刊唯一投稿信箱（2）我刊初审周期为2－3个工作日，请在投稿3天后查看您的邮箱，收阅我们的审稿回复或用稿通知；若30天内没有收到我们的回复，稿件可自行处理。（3）按用稿通知上的要求办理相关手续后，稿件将进入出版程序。（4）杂志出刊后，我们会按照您提供的地址免费奉寄样刊。七、凡向文教资料杂志社投稿者均被视为接受如下声明：（1）稿件必须是作者本人独立完成的，属原创作品（包括翻译），杜绝抄袭行为，严禁学术腐败现象，严格学术不端检测，如发现系抄袭作品并由此引起的一切责任均由作者本人承担，本刊不承担任何民事连带责任。（2）本刊发表的所有文章，除另有说明外，只代表作者本人的观点，不代表本刊观点。由此引发的任何纠纷和争议本刊不受任何牵连。（3）本刊拥有自主编辑权，但仅限于不违背作者原意的技术性调整。如必须进行重大改动的，编辑部有义务告知作者，或由作者授权编辑修改，或提出意见由作者自己修改。（4）作品在《文教资料》发表后，作者同意其电子版同时发布在文教资料杂志社官方网上。（5）作者同意将其拥有的对其论文的汇编权、翻译权、印刷版和电子版的复制权、网络传播权、发行权等权利在世界范围内无限期转让给《文教资料》杂志社。本刊在与国内外文献数据库或检索系统进行交流合作时，不再征询作者意见，并且不再支付稿酬。九、特别欢迎用电子文档投稿，或邮寄编辑部,勿邮寄私人，以免延误稿件处理时间。

《长江科学院院报》影响力指数跃居水利工程类

作者:

关键词:

摘要：

据中国知网发布的《中国学术期刊影响因子年报(自然科学与工程技术)》，《长江科学院院报》(以下简称《院报》)在该年报的2015版、2016版、2017版、2018版复合影响因子分别为：0.637，0.687，0.766，0.906；期刊综合影响因子分别为：0.407，0.439，0.524，0.671；影响力指数(CI)学科(水利工程)排名分别为：第11名、第11名、第12名、第7名。2018版的影响因子及影响力指数较2017版的增长幅度明显增大，复合影响因子和综合影响因子分别提高了18%和28%、影响力指数排名提升了5名。在水利工程类70余种期刊影响力指数综合排序中进入前10名。

中国学术期刊影响因子年报是由清华大学中国学术期刊(光盘版)电子杂志社有限公司、中国科学文献计量评价研究中心编制出版。在国内权威的大型数据库指标统计中，《院报》的影响因子和排名均有明显提升。这表明《院报》在国内科技和学术期刊中的影响力和地位在不断地提高，反映出《院报》在提升论文质量、扩大期刊社会影响力及期刊新媒体融合等方面所做的工作取得了较好的成效。

0 引言粗糙集理论(RS)是解决不完整性和不确定性问题的一种新型数学工具。神经网络是一种广泛用于数据挖掘和分类的有效方法，但其应用在很大程度上受到了“黑箱特性”的影响，因此如何减少神经网络的黑箱特性并从中提取语义规则便成为人们关心的问题[1]。粗糙神经网络结合了粗糙集和神经网络的优点，将粗糙集理论用于数据预处理，在分类结构不变的情况下进行约简，然后输入神经网络，成为当今国际上人工智能领域的前沿方向和研究热点[1]。将粗糙神经网络应用在农业施肥中，能够根本解决施肥过程中缺少大量的实验数据，不了解施肥模型中输入与输出参量之间变化规律或知识精度不高的现实难题。1 粗糙集相关知识在粗糙集理论中，认为知识具有对对象进行分类的能力，对象(称为论域U)用其属性集合表示，论域U上的划分可以用表征这些划分的等价关系集合R来形式化地分类。即使用等价关系R对论域U进行划分，划分的结果导出的规则就是知识，用U/R表示。定义 1.1 ：给定知识库K=(U,R),对于每个子集X?U和一个等价关系R∈ind(K),定义两个子集为:?分别称它们为X的R下的近似集和R上的近似集。定义 1.2 ：令R是一族等价关系,r∈R,如果ind(R)=ind(R-{r}),则称r为R中不必要的;否则称r为R中必要的。定义 1.3：如果每一个r∈R都为R中必要的,则称R为独立的;否则称R为依赖的。定义 1.4：令S=(U,C∪D,V,f)是一个知识表达系统, |U|=n.S的区分矩阵是一个n×n矩阵,其任一元素为：α(x,y)={α∈C|f(x,α)≠f(y,α)andf(x,D)≠f(y,D)}。α(x,y)是在决策属性不同的情况下,区别对象x和y的所有属性的集合。定义 1.5：设Q?P,如果Q是独立的,并且ind(Q)=ind(P),则称Q是P的一个约简,将P上的所有约简记为red(P)。P中所有必要关系(即所有约简的交)组成的集合称为P的核,记为core(P)= ∩red(P)。2 粗糙神经网络模型建模方法1) 连续型数据离散化处理。系统的输入输出数据可能是连续的或离散的，在进行粗糙集数据分析之前，首先应将连续的数据量化处理，数据离散过程可根据实际情况，选择等分法、频分法、聚类离散法等进行。将数据库中的初始数据信息量化转换为粗糙集的表示形式，明确条件属性和决策属性。2) 属性约简。约简的一般步骤为：①在决策表中将信息相同(即具有相同描述)的对象及信息删除，只保留其中一个，等到压缩后的信息表。②生成相应的区分矩阵后，利用属性约简算法生成约简属性集以及核属性。即从决策表中删除一些列，然后得出最小决策表，再删除重复的行，最后等到最小约简表。3) 把约简后的数据输入BP神经网络中训练。人工神经网络的训练采用4层BP(Back Propagation)算法进行。其输入输出关系为out=fnet(ink)k=1,2,…,m式中 ink—神经网络输入数据；out—输出数据。3 粗糙神经网络结构神经网络包括BP神经网络、RBF神经网络和ART网络等，这里采用具有两个隐层的BP神经网络。构建神经网络的具体步骤：首先将约简整理后的决策表作为神经网络的训练样本进行训练，获得各自的连接权值和阀值；然后存储相应的连接权值，形成知识库；最后用存储好的神经网络进行训练。本文采用4层网络结构的BP网络模型，该神经网络模型的学习算法采用带冲量项的BP网络算法[3]。本文采用4层粗糙神经网络结构[1]，其结构如图1所示。图1 粗糙神经网络体系结构该网络结构各层功能如下。第1层(输入层)：该层用于系统的数据输入。设系统输入为多维数据U=(u1,u2,…,un)T,且第i维数据可划分为ki个区间，则该层节点数目为对于每一维输入数据，按其所在区间对其进行二进制编码，并将该编码作为该维节点的输入。第2层(隐层1):该层节点对应于近似空间中属性A。在粗糙集理论中，所有数据都是基于属性集合来进行分类的，因此有必要在网络中将输入数据与用来划分类别的属性集合联系起来。第3层(隐层2)：该层节点对应于论域中分类子集Xk正域和边界域。当选定某一属性集合时，对于论域U的任一子集X，其正域POSR(X)中的个体一定属于该子集X，而其边界域BNBR(X)中的个体可能属于该子集，因此正域和边界域的并集POSR(X)∪BNBR(X)包含了所有可能属于该类的个体。第4层(输出层)：该层由m个节点构成，其中m为论域U的子集个数，输出层中各节点的输出值为某样本属于相应类别的概率，通过比较它们的大小来对该样本进行分类。4 应用实例基于粗糙神经网络的施肥决策系统，将施肥知识获取出来，实现离散化处理，形成决策表；进行知识约简，形成最小简化表；输入BP神经网络，利用神经网络的记忆、学习和并行处理能力，从大量的施肥实验数据中获取施肥的内在规律，得到新的施肥方案。本实验所用农田的土壤自然肥力因素[2]为：全氮、全磷、有机质、水解氮、速效磷、速效钾和pH,分别用C1～C7表示，芸豆的单位产量用D表示。使用聚类离散法对样本进行离散化，形成决策表(如表1所示)。然后利用区分矩阵进行属性约简，得到最小简化表作为训练样本。根据所建模型定义输入层单元数为9，输出单元数为3。本项目运用Matlab语言建立网络，对45组训练样本进行训练，根据隐层不同单元数进行训练15次，每次训练迭代次数取1 000次，当网络达到误差精度要求时，结束训练过程。结果表明，隐层1单元数为12，隐层2单元数为8训练波动最小，趋于稳定。表1 决策表UC1C2C3C4C5C6C7D………………………1，2，3分别表示含量或产量低、中、高。对约简前和约简后指标体系输入BP神经网络模型进行训练后，分别对指标体系约简后的15个不重复学习样本进行了拟合评估，评估结果与原标准评价是一致的，说明建立的BP神经网络模型的拟合精度为100%。约简后的指标体系与原有复杂的全指标体系对于施肥决策系统评估分类有同样甚至更佳效果。5 结束语本文提出了一种基于粗糙集和神经网络相结合的施肥决策系统方法，使用粗糙集理论的知识约简算法，简化了样本输入量和指标体系，把原来的样本输入量减少了20%,大大减少了数据输入量，提高了神经网络的学习速度，提高了体系的可操作性和抗干扰能力。将粗糙神经网络引入施肥决策系统，解决实际生产中优化施肥量的问题，为精准农业在实施过程中科学地决策提供技术支持，该研究在农业生产中具有广阔的应用前景。参考文献：[1] 张赢，李琛.基于粗糙集理论的神经网络研究及应用[J].控制与决策，2007，22(4)：462-464.[2] 杨宇姝，冯江，曹然.模糊神经网络在施肥决策系统的应用[J].农机化研究，2009，31(3)：175-179.[3] 何勇，冯雷，吴春霞.基于粗糙集与神经网络的农机化发展水平评价方法[J].农业机械学报，2004，35(2)：100-103.[4] 张文修，吴伟志，梁吉业，等.粗糙集理论与方法[M].北京: 科学出版社,2001.[5] 孟海波，赵立欣.用粗糙集理论评价生物质固体成型燃料技术的研究[J].农业工程学报，2008，24(3)：198-202.