2019-2020年催化类专业期刊的影响因子

《eScience》期刊投稿指南与影响因子解析 学术期刊作为科研成果传播的重要载体,其影响力与影响因子密切相关。影响因子计算基于特定时间内论文被引次数与发文量的比值,是衡量期刊学术水平的关键指标。在能源材料与电化学领域,《eScience》通过严苛的稿件筛选(录用率不足15%)和精准的学科布局(聚焦固态电池、电催化等热点),实现了影响因子飙升(2024年达36.6)。该期刊特别青睐连接基础与应用的'桥梁型'研究,对图表质量和英语写作要求严格。投稿者需注重研究创新性和跨学科价值,把握当前能源-环境交叉领域的发展机遇。 阅读详情

 

如何选择合适的期刊投稿-转载 当然,最科学的选择期刊发表你的文章的方法是根据你的文章的学术水平而定,我不想在此方面赘述,因为学科各不相同,期刊浩如烟海,实在无法总结出有用的东西。 其实,实验工作结束,写文章之前,你就应该规划你的文章的去向,当然有许多牛人在计划实验之前就定下了文章的去向,也就是说这些文章是为特定的期刊“量身定做”的,当然录用几率非常之高!然而,对于新人们,比如我自己,多数情况下是先做了一个自己觉得有意思的 阅读详情

相关推荐

2019年北大中文核心期刊精选指南

北大中文核心期刊,是依据北京大学图书馆《中文核心期刊要目总览》进行评定的期刊,其评定标准主要是基于期刊的影响因子、被引用次数、学术质量和编辑质量等因素。这一概念对学术界的研究者和学生来说,是一个衡量学术研究成果的重要标准。在学术界,学科分类是一门重要的基础工作,它有助于学者们理解和识别研究领域,促进学术交流,明确学术方向。不同学科间的研究范式、研究方法和研究重点都存在差异,良好的分类可以为研究者提供清晰的学术定位和方向,同时也便于学术期刊和数据库的组织、管理和检索。

weixin_36235398的博客 916

IF 22.1,中科院1区TOP,顶级期刊更名!

Applied Catalysis B是国际催化科技领域的代表性期刊之一,最新影响因子达22.1。

WangUnionpub的博客 5625

科技期刊影响因子(专业期刊)

这个表格里面有关于国内各个方面的专业性期刊,并且附有因子大小,可以为研究生、博士生投稿提供可靠信息。

【研知有术】材料科学二区TOP期刊SCI水刊推荐,审稿快

《CARBON》1963年由Elsevier创刊,不少诺贝尔奖得主和领域内顶尖学者都在这本期刊上发表过重要论文。目前位于JCRQ1,材料科学二区中,是材料科学的TOP期刊。2024-2025影响因子为11.6,2024-2025自引率为6.9%。

PaperAccept的博客 1962

LEfSe分析避坑指南:如何解决R语言中的常见错误与优化结果可视化

本文提供了R语言中进行LEfSe(线性判别分析)微生物组差异分析的全流程避坑指南。详细解析了从数据格式准备、参数调优(如显著性水平与LDA阈值)、结果可靠性验证到使用ggplot2进行高级可视化的实战技巧,帮助用户规避常见错误,获得更稳健、美观的分析结果。

weixin_29098391的博客 366

微机原理-基于8086电压报警2.5V仿真系统设计

*单片机设计介绍,微机原理-基于8086电压报警2.5V仿真系统设计。

2201_75940997的博客 1083

【期刊分享】这本WOS分区Q1期刊,审稿仅5周!​​

【期刊分享】这本WOS分区Q1期刊,审稿仅5周!​​

leisigoyle的博客 2598

【iceberg数据一致性】iceberg如何保证高并发数据一致性

那么在高并发的时候,同时操作某张表时是如何运作的呢?其实这里iceberg引用了乐观锁的方法。其实在写入数据的时候是有一个验证的操作的,即在准备写入时会检查原文件和带写入文件的差异,如果存在本次写入数据以外的数据,则代表有其他操作已经更新了原文件,那么本次写入会取消,并重试写入的步骤,知道验证完成,写入完成,如此就保证了数据的一致性,并且也解决了HMS锁的问题。在使用iceberg写数据时,一直弄不清楚为什么iceberg写入快,并且能够保证数据的一致性。今天决定搞清楚这个问题,经过查询和理解,写下来。

你的博客 1046

【神之陨落】不升反降?老牌TOP期刊也遭惨淡,国人友好,还能再投吗?

分析化学、催化、化学生物学和药物化学、计算化学和机器学习、能源和可持续化学、环境化学、绿色化学、无机化学、材料化学、纳米科学、有机化学、物理化学、聚合物化学、超分子化学等。,行内认可度和声誉都很高,审稿速度快,效率高,且编辑专业负责,虽然近年来部分指数略有下降,但是其实力毋庸置疑,值得相关领域的学者投稿一试!,是化学领域内具有高影响力的学术期刊之一,专注于发表化学领域内具有重大意义和创新性的研究成果,旨在快速传播最新的研究进展。,审稿周期短,速度快,效率高,且行内认可度高。

zkyf2022的博客 1226

在 Kubernetes 上部署 Label Studio

Label Studio 是一款开源的数据标注工具,支持多种标注任务,如文本标注、图像标注、音频标注等。

啥都会一点 671

【Unity的HDRP渲染管线下实现好用的GUI模糊和外描边流光效果_Blur_OutLine_案例分享(内附源码)】

因为没有用到纹理,但介于是UI层,没有MainTeX的时候,会提示报错,所以这里加上了MainTex,最后不在片段着色渲染出来既可。这样UI层级显示正常了,但旋转后的模糊效果,跟背景拼接不上,有很大的偏移。猜测是屏幕UV采样错误导致,只要找到屏幕UV数值,更正过来就可以了,RenderTexture设置一下Size既可,其他的先不管。没有贴图,用Shader实现外描边流光效果。将主相机拖入Render Camera。新建一个RenderTexture。

暴走约伯的博客 1150

10分钟搞懂!化学人的6大核心期刊

在化学与材料的科研世界里,期刊是串联理论突破与技术落地的关键纽带!

AI_Conf的博客 1232

从VLM到VLA概论

智驾视觉大模型

xiaomu_347的博客 1719

影响因子已超40! 这本年发文量不足100的国产中科院一区Top期刊怎么做到的?

eScience》是由南开大学主办、定位能源与电化学等交叉领域的国产旗舰期刊。

2501_91148738的博客 1050

Z-Image Turbo随机性增强插件的下载教程及使用方法 z-image生成图像太相似怎么办 Z-Image Turbo 整合包下载

Z-Image Turbo 是出了名的“seed 不敏感”,非常难做多样化图像创作。ComfyUi-ConditioningNoiseInjection 插件通过在conditioning(提示词编码)阶段加入可控噪声,成功解决了 Turbo 随机性不足的问题。它不仅能让 Turbo 产生更丰富的构图差异,还能保持主题稳定,是目前我测试过最有效的 Turbo 随机性增强工具。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1994

大模型量化方法总结

本文主要对大模型量化方法进行了总结,希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. 模型精度 3. 量化方法 3.1 方法一 3.2 方法二 3.3 方法三

herosunly的博客 1万+

国产期刊被EI收录!首个影响因子12分,录用率67%,国人友好~

该刊2022年创刊,每年出版6期,由温州大学与Wiley联合出版,集高影响因子、高录用率、对国人友好、出版速度快等优势于一身,具有高起点、高包容性和高亲和度的特点,是一本开放获取(Open Access)的国际性跨学科期刊。官宣初审周期23天,从投稿到录用需要70天,录用到出版33天,审稿周期非常迅速,录用率达67%,可以说录用率非常的高。以中国学者为主,中国发文量排名第一,国人发文占比93%,同时吸引了英国、马来西亚等多国学者投稿,初步形成国际化影响力。自引率:5.0%,非常安全。

Accept_Published的博客 310

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

【研知有术】超级易投的SCI期刊,发文量大的生物学水刊推荐,录用很容易!

《Biochemical Engineering Journal》1998年由Elsevier出版,聚焦生物过程开发中的化学工程创新,覆盖医疗、工业及环境生物技术等领域,是非OA期刊。目前位于生物学三区大类,JCR Q2中。2024-2025年影响因子为3.8。

PaperAccept的博客 467

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

选刊 | 工程技术方向SCI期刊|顶刊中的无敌水刊,IF=15.1,退稿率<8%!

不属于预警期刊,大家可以放心投稿。作为工程领域的SCI一区期刊,其影响力不断攀升,为化学工程领域的学者提供了一个优质的交流平台。通过图表可以看出,近几年这本期刊发文量可以说是暴涨,2022-2023年是6508篇,整体状态属于扩刊,想要冲一冲SCI一区的宝子们可以区试试,• 功能性聚合物复合材料(具有形状记忆或自修复功能的材料)示范应用、阻燃材料、粘合剂、可持续材料、热管理材料、电磁屏蔽材料)• 传感器材料(气体传感器、应变传感器、电化学传感器、生物传感器、光学传感器或生物医学传感器,前提是新材料开发)

Accept_Published的博客 2294

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

环境&微生物期刊—Bioresource Technology

期刊快览影响因子:IF=6.669,JCR 1区官方主页:journals.elsevier.com/bioresource-technology/杂志主编:Ashok Pandey综合...

刘永鑫的博客——宏基因组公众号 2万+

分区更新,投稿热情暴涨!3月投稿量破1.4万,1区TOP中的0版面费“捡漏神刊”!

此次分区表更新后,虽然众多老牌SCI都惨遭降区,但是《Chemical Engineering Journal》却表现出色,无论大类还是小类,仍保持在1区TOP,不得不承认的确还是有实力的。影响因子搭上材料的快车,因此一路猛涨,居高不下,最巅峰的时候达到了16.7分左右,虽然最近两年均略有回落,最新影响因子达。CEJ在化工领域的部分文章质量还是不错的,不过现在生物、材料、能源等领域纷纷涌入,导致引用量暴增,灌水较严重,使。整体来说,这篇论文抱着试试的心态投的,审稿速度超快,感觉对研究性材料论文有偏爱。

2301_76900678的博客 2445

lpop 原子_高负载量的Pd单原子催化剂用于选择性催化加氢反应

“负载量高达5wt%”题目:High-Density and Thermally Stable Palladium Single-atom Catalysts for Chemoselective Hydrogenations期刊:Angewandte Chemie International Edition影响因子:12.959发表时间:2020年第一作者:Ying Ma通讯作者:Ta...

weixin_39553156的博客 1796

【研知有术】毕业神刊!环境科学保底SCI期刊推荐,一投即中,Accept容易

《POLISH JOURNAL OF ENVIRONMENTAL STUDIES》由波兰的HARD出版社出版,创刊于1992年,双月刊,OA期刊。目前位于环境科学与生态学大类四区,环境科学小类四区中。2024-2025年影响因子为1.3。

PaperAccept的博客 484

【研知有术】又快又好投的材料科学SCI期刊推荐,收稿范围广,审稿迅速

《Microporous and Mesoporous Materials》1998年由Elsevier出版(荷兰),是微孔与介孔材料领域的国际期刊,聚焦多孔材料的结构设计、合成与应用转化。目前位于材料科学三区大类,应用化学、物理化学二区小类中。2024-2025年影响因子为4.7,2024-2025年的自引率为2.1%。

PaperAccept的博客 654

顶刊中的“水刊”!新晋2区综合类SCI,自带CNS子刊光环,随便写写都能中!

CELL PRESS出版社近年推出多本全OA期刊,例如已经On Hold的《Heliyon》、以及比较知名的《iScience》等,不过这两本对标的都是低分段期刊如《Scientific Reports》之流~说起这本期刊大家可能并不熟悉,但是说起他的姊妹刊《Cell Reports》,大家是不是就再熟悉不过了。影响因子自创刊以来,基本呈现上升趋势,最高达8.9,但是最近两年均略有回落,最新影响因子达。Cell加持,正好填补Cell系列子刊物理领域的空白区域,影响力还是有的。2020年被WOS数据库收录。

2301_76900678的博客 1496

【研知有术论文发表】毕业保底快投!材料科学三区纳米科技SCI期刊,录用容易审稿快

《Nanoscale》是纳米科学与技术领域一国际期刊,由英国皇家化学会与中国国家纳米科学中心合办。创刊于2009年,非OA期刊,近五年中科院无预警。

PaperAccept的博客 180
上一篇: 科学的社会关系
下一篇: Inverse Fourier transform
Chem-To-Math
博客等级 码龄8年 140粉丝 44原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值