Category: 不学无术

Categories
不学无术

英文论文写作技巧——时态

其他技巧可以参考：http://www.letpub.com.cn/index.php?page=sci_writing

 

英语谓语动词时态共有16种，在英文科技论文中用得较为频繁的主要有三种：即一般现在时、一般过去时和将来时。正确地使用动词时态是科研写作的基本功，我们在撰写英文论文时，如不能正确选用时态，常常会改变文章所要表达的意思，从而影响评审专家与读者的理解。
一篇典型的科技论文有一个基本的框架结构：Abstract (综述科研背景，提出研究的问题和假设(hypothesis))，Materials and Methods (描述自己的研究方法)，Results (分析所得的研究结果)，Discussion (深入讨论研究结果的意义并简要指出将来的研究方向)。我们现根据这个论文框架，就一些规律性问题做些探讨，希望对大家有所帮助。

首先应该把握以下三个基本要点：
1、一般现在时：主要用于不受时间限制的客观存在事实的描述，或发生或存在于写论文之时的感觉、状态、关系等的描述或致谢的表述等。值得注意的是，出于尊重，凡是他人已经发表的研究成果作为”previously established knowledge”，在引述时普遍都用一般现在时。
2、一般过去时：用于写论文中作者自己所做工作的描述。例如描述自己的材料、方法和结果。
3、 一般将来时：用于撰写论文之后发生的动作或存在的状态。例如提出下一步的研究方向。

摘要（Abstract）：

摘要反映我们自己的研究结果，一般采用过去时。

概述（Introduction）：

（1）概述中的研究背景通常会引用相关学科中广为接受的原理或事实，以及你所做研究的重要性，这些通常采用现在时。

例如：Genomics provides crucial information for rational drug design.

（2）在概述中也可能引用与你从事项目相关的一些研究结果，为表达你对该研究结果仍坚信其正确性及相关性，即使已经是很久以前的研究结果，可使用现在时。

例如：Many of the lakes and wetlands in the region are located in craters or valleys blocked by early Pliocene lava flows (Ollier & Joyce, 1964).
Garcia (1993) suggested that under certain conditions, an individual’s deposit income is the same as the income from purchased national debt, thus changes in the amount of bank loans and deposits caused by changes in the amount of reserves will eventually affect the bond price.

  1. 需要注意的是如果引用的是一些已经过时或失效的科研结果，动词要使用过去时。

例如：Nineteenth-century physicians held that women got migraines because they were “the weaker sex,” but current research shows that the causes of migraine are unrelated to gender.
（注意这里从过去时态过渡到现在时态）

材料与方法（Materials and Methods）：

对写论文之前自己所做工作的描述，通常采用一般过去时。
例如：（例1） Total phosphorous (TP) and total nitrogen (TN) were measured in the laboratory using standard procedures.
（例2）The standard protocol was followed for the preparation of the media from stock solutions.

结果（Results）：

  1. 对自己得出的研究结果，采用过去时进行详细的阐述。

例如：（例1）Overall, more than 70% of the insects collected were non-phytophagous.
（例2） Following activation of NT oocytes with strontium, the cell cycle resumed in both groups.

  1. 描述图表内容通常采用现在时。

例如：（例1） Figure 1 displays the comparative variation in the morphology of donor chromatin in both age groups of oocytes.
（例2） Table 1 below shows the stream flows calculated for each stream using Equation 1.
图1和表1表达的论文写作时的状态，所以要用现在时。

讨论（Discussion）：

  1. 采用现在时表达研究结果的意义。

例如：Removal of vegetation for agricultural purposes appears to negatively affect the water quality of streams.

  1. 采用过去时总结研究结果，并采用现在时对研究结果进行讨论与解释。

例如：（例1）Weight increased as the nutritional value of feed increased. These results suggestthat feeds higher in nutritional value contribute to greater weight gain in livestock.
（注意这里用过去时描述了实验发现，但在讨论这个发现的意义时用的是现在时。）
（例2）Leaf carbon and phenolic content did not differ across sites, indicating that the response of
secondary plant chemicals such as phenolics to water is complex.
（这句的描述几乎没有假设的意思，表示作者坚信其研究结果和结论的正确性及相关性）

结论（Conclusion）：

可用多种时态，使用过去时强调过去的研究成果，并可采用现在时或将来时表达未来的研究方向或研究前景。
例如：Although the study found evidence of tillage and irrigation within the study area, from the data collected it was not possible to determine if the effects of agriculture upstream cause (or caused) higher levels of total nitrogen downstream. Further studies are therefore necessary to determine the effects of agriculture on the health of Stringybark Creek.

（转载请注明本文来自LetPub中文官方网站：http://www.letpub.com.cn/index.php?page=sci_writing_2）

Categories
不学无术

自然语言|机器学习 ::词向量

关于词向量工作原理的理解 http://blog.csdn.net/itplus/article/details/12782781
《机器学习实践》训练算法：从词向量计算概率 http://www.ituring.com.cn/article/32340

Categories
不学无术

机器学习资源

本文汇编了一些机器学习领域的框架、库以及软件（按编程语言排序）。
C++
计算机视觉

  • CCV —基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库
  • OpenCV—它提供C++， C, Python, Java 以及 MATLAB 接口，并支持 Windows, Linux， Android and Mac OS 操作系统。

通用机器学习

  • MLPack
  • DLib
  • ecogg
  • shark

Closure
通用机器学习

  • Closure Toolbox—Clojure 语言库与工具的分类目录

Go
自然语言处理

  • go-porterstemmer—一个 Porter 词干提取算法的原生 Go 语言净室实现
  • paicehusk—Paice/Husk 词干提取算法的 Go 语言实现
  • snowball—Go 语言版的 Snowball 词干提取器

通用机器学习

  • Go Learn— Go 语言机器学习库
  • go-pr —Go 语言机器学习包.
  • bayesian—Go 语言朴素贝叶斯分类库。
  • go-galib—Go 语言遗传算法库。

数据分析/数据可视化

  • go-graph—Go 语言图形库。
  • SVGo—Go 语言的 SVG 生成库。

Java
自然语言处理

  • CoreNLP—斯坦福大学的 CoreNLP 提供一系列的自然语言处理工具，输入原始英语文本，可以给出单词的基本形式（下面 Stanford 开头的几个工具都包含其中）。
  • Stanford Parser—一个自然语言解析器。
  • Stanford POS Tagger —一个词性分类器。
  • Stanford Name Entity Recognizer—Java 实现的名称识别器
  • Stanford Word Segmenter—分词器，很多 NLP 工作中都要用到的标准预处理步骤。
  • Tregex， Tsurgeon and Semgrex —用来在树状数据结构中进行模式匹配，基于树关系以及节点匹配的正则表达式（名字是“tree regular expressions”的缩写）。
  • Stanford Phrasal:最新的基于统计短语的机器翻译系统， java 编写
  • Stanford Tokens Regex—用以定义文本模式的框架。
  • Stanford Temporal Tagger—SUTime 是一个识别并标准化时间表达式的库。
  • Stanford SPIED—在种子集上使用模式，以迭代方式从无标签文本中学习字符实体
  • Stanford Topic Modeling Toolbox —为社会科学家及其他希望分析数据集的人员提供的主题建模工具。
  • Twitter Text Java—Java 实现的推特文本处理库
  • MALLET -—基于 Java 的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习文本应用包。
  • OpenNLP—处理自然语言文本的机器学习工具包。
  • LingPipe —使用计算机语言学处理文本的工具包。

通用机器学习

  • MLlib in Apache Spark—Spark 中的分布式机器学习程序库
  • Mahout —分布式的机器学习库
  • Stanford Classifier —斯坦福大学的分类器
  • Weka—Weka 是数据挖掘方面的机器学习算法集。
  • ORYX—提供一个简单的大规模实时机器学习/预测分析基础架构。

数据分析/数据可视化

  • Hadoop—大数据分析平台
  • Spark—快速通用的大规模数据处理引擎。
  • Impala —为 Hadoop 实现实时查询

Javascript
自然语言处理

  • Twitter-text-js —JavaScript 实现的推特文本处理库
  • NLP.js —javascript 及 coffeescript 编写的 NLP 工具
  • natural—Node 下的通用 NLP 工具
  • Knwl.js—JS 编写的自然语言处理器

数据分析/数据可视化

  • D3.js
  • High Charts
  • NVD3.js
  • dc.js
  • chartjs
  • dimple
  • amCharts

通用机器学习

  • Convnet.js—训练深度学习模型的 JavaScript 库。
  • Clustering.js—用 JavaScript 实现的聚类算法，供 Node.js 及浏览器使用。
  • Decision Trees—Node.js 实现的决策树，使用 ID3 算法。
  • Node-fann —Node.js 下的快速人工神经网络库。
  • Kmeans.js—k-means 算法的简单 Javascript 实现，供 Node.js 及浏览器使用。
  • LDA.js —供 Node.js 用的 LDA 主题建模工具。
  • Learning.js—逻辑回归/c4.5 决策树的 JavaScript 实现
  • Machine Learning—Node.js 的机器学习库。
  • Node-SVM—Node.js 的支持向量机
  • Brain —JavaScript 实现的神经网络
  • Bayesian-Bandit —贝叶斯强盗算法的实现，供 Node.js 及浏览器使用。

Julia
通用机器学习

  • PGM—Julia 实现的概率图模型框架。
  • DA—Julia 实现的正则化判别分析包。
  • Regression—回归分析算法包（如线性回归和逻辑回归）。
  • Local Regression —局部回归，非常平滑！
  • Naive Bayes —朴素贝叶斯的简单 Julia 实现
  • Mixed Models —（统计）混合效应模型的 Julia 包
  • Simple MCMC —Julia 实现的基本 mcmc 采样器
  • Distance—Julia 实现的距离评估模块
  • Decision Tree —决策树分类器及回归分析器
  • Neural —Julia 实现的神经网络
  • MCMC —Julia 下的 MCMC 工具
  • GLM —Julia 写的广义线性模型包
  • Online Learning
  • GLMNet —GMLNet 的 Julia 包装版，适合套索/弹性网模型。
  • Clustering—数据聚类的基本函数：k-means, dp-means 等。
  • SVM—Julia 下的支持向量机。
  • Kernal Density—Julia 下的核密度估计器
  • Dimensionality Reduction—降维算法
  • NMF —Julia 下的非负矩阵分解包
  • ANN—Julia 实现的神经网络

自然语言处理

  • Topic Models —Julia 下的主题建模
  • Text Analysis—Julia 下的文本分析包

数据分析/数据可视化

  • Graph Layout —纯 Julia 实现的图布局算法。
  • Data Frames Meta —DataFrames 的元编程工具。
  • Julia Data—处理表格数据的 Julia 库
  • Data Read—从 Stata、SAS、SPSS 读取文件
  • Hypothesis Tests—Julia 中的假设检验包
  • Gladfly —Julia 编写的灵巧的统计绘图系统。
  • Stats—Julia 编写的统计测试函数包
  • RDataSets —读取R语言中众多可用的数据集的 Julia 函数包。
  • DataFrames —处理表格数据的 Julia 库。
  • Distributions—概率分布及相关函数的 Julia 包。
  • Data Arrays —元素值可以为空的数据结构。
  • Time Series—Julia 的时间序列数据工具包。
  • Sampling—Julia 的基本采样算法包

杂项/演示文稿

  • DSP —数字信号处理
  • JuliaCon Presentations—Julia 大会上的演示文稿
  • SignalProcessing—Julia 的信号处理工具
  • Images—Julia 的图片库

Lua
通用机器学习

  • Torch7
  • cephes —Cephes 数学函数库，包装成 Torch 可用形式。提供并包装了超过 180 个特殊的数学函数，由 Stephen L. Moshier 开发，是 SciPy 的核心，应用于很多场合。
  • graph —供 Torch 使用的图形包。
  • randomkit—从 Numpy 提取的随机数生成包，包装成 Torch 可用形式。
  • signal —Torch-7 可用的信号处理工具包，可进行 FFT, DCT, Hilbert, cepstrums, stft 等变换。
  • nn —Torch 可用的神经网络包。
  • nngraph —为 nn 库提供图形计算能力。
  • nnx—一个不稳定实验性的包，扩展 Torch 内置的 nn 库。
  • optim—Torch 可用的优化算法库，包括 SGD, Adagrad, 共轭梯度算法， LBFGS, RProp 等算法。
  • unsup—Torch 下的非监督学习包。提供的模块与 nn (LinearPsd, ConvPsd, AutoEncoder, …)及独立算法 (k-means, PCA)等兼容。
  • manifold—操作流形的包。
  • svm—Torch 的支持向量机库。
  • lbfgs—将 liblbfgs 包装为 FFI 接口。
  • vowpalwabbit —老版的 vowpalwabbit 对 torch 的接口。
  • OpenGM—OpenGM 是 C++ 编写的图形建模及推断库，该 binding 可以用 Lua 以简单的方式描述图形，然后用 OpenGM 优化。
  • sphagetti —MichaelMathieu 为 torch7 编写的稀疏线性模块。
  • LuaSHKit —将局部敏感哈希库 SHKit 包装成 lua 可用形式。
  • kernel smoothing —KNN、核权平均以及局部线性回归平滑器
  • cutorch—torch 的 CUDA 后端实现
  • cunn —torch 的 CUDA 神经网络实现。
  • imgraph—torch 的图像/图形库，提供从图像创建图形、分割、建立树、又转化回图像的例程
  • videograph—torch 的视频/图形库，提供从视频创建图形、分割、建立树、又转化回视频的例程
  • saliency —积分图像的代码和工具，用来从快速积分直方图中寻找兴趣点。
  • stitch —使用 hugin 拼合图像并将其生成视频序列。
  • sfm—运动场景束调整/结构包
  • fex —torch 的特征提取包，提供 SIFT 和 dSIFT 模块。
  • OverFeat—当前最高水准的通用密度特征提取器。
  • Numeric Lua
  • Lunatic Python
  • SciLua
  • Lua – Numerical Algorithms
  • Lunum

演示及脚本

  • Core torch7 demos repository.核心 torch7 演示程序库
  • 线性回归、逻辑回归
  • 人脸检测（训练和检测是独立的演示）
  • 基于 mst 的断词器
  • train-a-digit-classifier
  • train-autoencoder
  • optical flow demo
  • train-on-housenumbers
  • train-on-cifar
  • tracking with deep nets
  • kinect demo
  • 滤波可视化
  • saliency-networks
  • Training a Convnet for the Galaxy-Zoo Kaggle challenge (CUDA demo)
  • Music Tagging—torch7 下的音乐标签脚本
  • torch-datasets 读取几个流行的数据集的脚本，包括：
  • BSR 500
  • CIFAR-10
  • COIL
  • Street View House Numbers
  • MNIST
  • NORB
  • Atari2600 —在 Arcade Learning Environment 模拟器中用静态帧生成数据集的脚本。

Matlab
计算机视觉

  • Contourlets —实现轮廓波变换及其使用函数的 MATLAB 源代码
  • Shearlets—剪切波变换的 MATLAB 源码
  • Curvelets—Curvelet 变换的 MATLAB 源码（Curvelet 变换是对小波变换向更高维的推广，用来在不同尺度角度表示图像。）
  • Bandlets—Bandlets 变换的 MATLAB 源码

自然语言处理

  • NLP —一个 Matlab 的 NLP 库

通用机器学习

  • Training a deep autoencoder or a classifier on MNIST digits—在 MNIST 字符数据集上训练一个深度的 autoencoder 或分类器[深度学习]。
  • t-Distributed Stochastic Neighbor Embedding —获奖的降维技术，特别适合于高维数据集的可视化
  • Spider—Matlab 机器学习的完整面向对象环境。
  • LibSVM —支持向量机程序库
  • LibLinear —大型线性分类程序库
  • Machine Learning Module —M. A .Girolami 教授的机器学习课程，包括 PDF，讲义及代码。
  • Caffe—考虑了代码清洁、可读性及速度的深度学习框架
  • Pattern Recognition Toolbox —Matlab 中的模式识别工具包，完全面向对象

数据分析/数据可视化

  • matlab_gbl—处理图像的 Matlab 包
  • gamic—图像算法纯 Matlab 高效实现，对 MatlabBGL 的 mex 函数是个补充。

.NET
计算机视觉

  • OpenCVDotNet —包装器，使 .NET 程序能使用 OpenCV 代码
  • Emgu CV—跨平台的包装器，能在 Windows, Linus, Mac OS X, iOS, 和 Android 上编译。

自然语言处理

  • Stanford.NLP for .NET —斯坦福大学 NLP 包在 .NET 上的完全移植，还可作为 NuGet 包进行预编译。

通用机器学习

  • Accord.MachineLearning —支持向量机、决策树、朴素贝叶斯模型、K-means、高斯混合模型和机器学习应用的通用算法，例如：随机抽样一致性算法、交叉验证、网格搜索。这个包是 Accord.NET 框架的一部分。
  • Vulpes—F#语言实现的 Deep belief 和深度学习包，它在 Alea.cuBase 下利用 CUDA GPU 来执行。
  • Encog —先进的神经网络和机器学习框架，包括用来创建多种网络的类，也支持神经网络需要的数据规则化及处理的类。它的训练采用多线程弹性传播。它也能使用 GPU 加快处理时间。提供了图形化界面来帮助建模和训练神经网络。
  • Neural Network Designer —这是一个数据库管理系统和神经网络设计器。设计器用 WPF 开发，也是一个 UI，你可以设计你的神经网络、查询网络、创建并配置聊天机器人，它能问问题，并从你的反馈中学习。这些机器人甚至可以从网络搜集信息用来输出，或是用来学习。

数据分析/数据可视化

  • numl —numl 这个机器学习库，目标就是简化预测和聚类的标准建模技术。
  • Math.NET Numerics—Math.NET 项目的数值计算基础，着眼提供科学、工程以及日常数值计算的方法和算法。支持 Windows, Linux 和 Mac 上的 .Net 4.0, .Net 3.5 和 Mono ，Silverlight 5, WindowsPhone/SL 8, WindowsPhone 8.1 以及装有 PCL Portable Profiles 47 及 344 的 Windows 8， 装有 Xamarin 的 Android/iOS 。
  • Sho —Sho 是数据分析和科学计算的交互式环境，可以让你将脚本（IronPython 语言）和编译的代码（.NET）无缝连接，以快速灵活的建立原型。这个环境包括强大高效的库，如线性代数、数据可视化，可供任何 .NET 语言使用，还为快速开发提供了功能丰富的交互式 shell。

Python
计算机视觉

  • SimpleCV—开源的计算机视觉框架，可以访问如 OpenCV 等高性能计算机视觉库。使用 Python 编写，可以在 Mac、Windows 以及 Ubuntu 上运行。

自然语言处理

  • NLTK —一个领先的平台，用来编写处理人类语言数据的 Python 程序
  • Pattern—Python 可用的 web 挖掘模块，包括自然语言处理、机器学习等工具。
  • TextBlob—为普通自然语言处理任务提供一致的 API，以 NLTK 和 Pattern 为基础，并和两者都能很好兼容。
  • jieba—中文断词工具。
  • SnowNLP —中文文本处理库。
  • loso—另一个中文断词库。
  • genius —基于条件随机域的中文断词库。
  • nut —自然语言理解工具包。

通用机器学习

  • Bayesian Methods for Hackers —Python 语言概率规划的电子书
  • MLlib in Apache Spark—Spark 下的分布式机器学习库。
  • scikit-learn—基于 SciPy 的机器学习模块
  • graphlab-create —包含多种机器学习模块的库（回归，聚类，推荐系统，图分析等），基于可以磁盘存储的 DataFrame。
  • BigML—连接外部服务器的库。
  • pattern—Python 的 web 挖掘模块
  • NuPIC—Numenta 公司的智能计算平台。
  • Pylearn2—基于 Theano 的机器学习库。
  • hebel —Python 编写的使用 GPU 加速的深度学习库。
  • gensim—主题建模工具。
  • PyBrain—另一个机器学习库。
  • Crab —可扩展的、快速推荐引擎。
  • python-recsys —Python 实现的推荐系统。
  • thinking bayes—关于贝叶斯分析的书籍
  • Restricted Boltzmann Machines —Python 实现的受限波尔兹曼机。[深度学习]。
  • Bolt —在线学习工具箱。
  • CoverTree —cover tree 的 Python 实现，scipy.spatial.kdtree 便捷的替代。
  • nilearn—Python 实现的神经影像学机器学习库。
  • Shogun—机器学习工具箱。
  • Pyevolve —遗传算法框架。
  • Caffe —考虑了代码清洁、可读性及速度的深度学习框架
  • breze—深度及递归神经网络的程序库，基于 Theano。

数据分析/数据可视化

  • SciPy —基于 Python 的数学、科学、工程开源软件生态系统。
  • NumPy—Python 科学计算基础包。
  • Numba —Python 的低级虚拟机 JIT 编译器，Cython and NumPy 的开发者编写，供科学计算使用
  • NetworkX —为复杂网络使用的高效软件。
  • Pandas—这个库提供了高性能、易用的数据结构及数据分析工具。
  • Open Mining—Python 中的商业智能工具（Pandas web 接口）。
  • PyMC —MCMC 采样工具包。
  • zipline—Python 的算法交易库。
  • PyDy—全名 Python Dynamics，协助基于 NumPy， SciPy， IPython 以及 matplotlib 的动态建模工作流。
  • SymPy —符号数学 Python 库。
  • statsmodels—Python 的统计建模及计量经济学库。
  • astropy —Python 天文学程序库，社区协作编写
  • matplotlib —Python 的 2D 绘图库。
  • bokeh—Python 的交互式 Web 绘图库。
  • plotly —Python and matplotlib 的协作 web 绘图库。
  • vincent—将 Python 数据结构转换为 Vega 可视化语法。
  • d3py—Python 的绘图库，基于 D3.js。
  • ggplot —和R语言里的 ggplot2 提供同样的 API。
  • Kartograph.py—Python 中渲染 SVG 图的库，效果漂亮。
  • pygal—Python 下的 SVG 图表生成器。
  • pycascading

杂项脚本/iPython 笔记/代码库

  • pattern_classification
  • thinking stats 2
  • hyperopt
  • numpic
  • 2012-paper-diginorm
  • ipython-notebooks
  • decision-weights
  • Sarah Palin LDA —Sarah Palin 关于主题建模的电邮。
  • Diffusion Segmentation —基于扩散方法的图像分割算法集合。
  • Scipy Tutorials —SciPy 教程，已过时，请查看 scipy-lecture-notes
  • Crab—Python 的推荐引擎库。
  • BayesPy—Python 中的贝叶斯推断工具。
  • scikit-learn tutorials—scikit-learn 学习笔记系列
  • sentiment-analyzer —推特情绪分析器
  • group-lasso—坐标下降算法实验，应用于（稀疏）群套索模型。
  • mne-python-notebooks—使用 mne-python 进行 EEG/MEG 数据处理的 IPython 笔记
  • pandas cookbook—使用 Python pandas 库的方法书。
  • climin—机器学习的优化程序库，用 Python 实现了梯度下降、LBFGS、rmsprop、adadelta 等算法。

Kaggle 竞赛源代码

  • wiki challange —Kaggle 上一个维基预测挑战赛 Dell Zhang 解法的实现。
  • kaggle insults—Kaggle 上”从社交媒体评论中检测辱骂“竞赛提交的代码
  • kaggle_acquire-valued-shoppers-challenge—Kaggle 预测回头客挑战赛的代码
  • kaggle-cifar —Kaggle 上 CIFAR-10 竞赛的代码，使用 cuda-convnet
  • kaggle-blackbox —Kaggle 上 blackbox 赛代码，关于深度学习。
  • kaggle-accelerometer —Kaggle 上加速度计数据识别用户竞赛的代码
  • kaggle-advertised-salaries —Kaggle 上用广告预测工资竞赛的代码
  • kaggle amazon —Kaggle 上给定员工角色预测其访问需求竞赛的代码
  • kaggle-bestbuy_big—Kaggle 上根据 bestbuy 用户查询预测点击商品竞赛的代码（大数据版）
  • kaggle-bestbuy_small—Kaggle 上根据 bestbuy 用户查询预测点击商品竞赛的代码（小数据版）
  • Kaggle Dogs vs. Cats —Kaggle 上从图片中识别猫和狗竞赛的代码
  • Kaggle Galaxy Challenge —Kaggle 上遥远星系形态分类竞赛的优胜代码
  • Kaggle Gender —Kaggle 竞赛：从笔迹区分性别
  • Kaggle Merck—Kaggle 上预测药物分子活性竞赛的代码（默克制药赞助）
  • Kaggle Stackoverflow—Kaggle 上 预测 Stack Overflow 网站问题是否会被关闭竞赛的代码
  • wine-quality —预测红酒质量。

Ruby
自然语言处理

  • Treat—文本检索与注释工具包，Ruby 上我见过的最全面的工具包。
  • Ruby Linguistics—这个框架可以用任何语言为 Ruby 对象构建语言学工具。包括一个语言无关的通用前端，一个将语言代码映射到语言名的模块，和一个含有很有英文语言工具的模块。
  • Stemmer—使得 Ruby 可用 libstemmer_c中的接口。
  • Ruby Wordnet —WordNet 的 Ruby 接口库。
  • Raspel —aspell 绑定到 Ruby 的接口
  • UEA Stemmer—UEALite Stemmer 的 Ruby 移植版，供搜索和检索用的保守的词干分析器
  • Twitter-text-rb—该程序库可以将推特中的用户名、列表和话题标签自动连接并提取出来。

通用机器学习

  • Ruby Machine Learning —Ruby 实现的一些机器学习算法。
  • Machine Learning Ruby
  • jRuby Mahout —精华！在 JRuby 世界中释放了 Apache Mahout 的威力。
  • CardMagic-Classifier—可用贝叶斯及其他分类法的通用分类器模块。
  • Neural Networks and Deep Learning—《神经网络和深度学习》一书的示例代码。

数据分析/数据可视化

  • rsruby – Ruby – R bridge
  • data-visualization-ruby—关于数据可视化的 Ruby Manor 演示的源代码和支持内容
  • ruby-plot —将 gnuplot 包装为 Ruby 形式，特别适合将 ROC 曲线转化为 svg 文件。
  • plot-rb—基于 Vega 和 D3 的 ruby 绘图库
  • scruffy —Ruby 下出色的图形工具包
  • SciRuby
  • Glean—数据管理工具
  • Bioruby
  • Arel

Misc
杂项

  • Big Data For Chimps—大数据处理严肃而有趣的指南书

R
通用机器学习

  • Clever Algorithms For Machine Learning
  • Machine Learning For Hackers
  • Machine Learning Task View on CRAN—R语言机器学习包列表，按算法类型分组。
  • caret—R语言 150 个机器学习算法的统一接口
  • SuperLearner and subsemble—该包集合了多种机器学习算法
  • Introduction to Statistical Learning

数据分析/数据可视化

  • Learning Statistics Using R
  • ggplot2—基于图形语法的数据可视化包。

Scala
自然语言处理

  • ScalaNLP—机器学习和数值计算库的套装
  • Breeze —Scala 用的数值处理库
  • Chalk—自然语言处理库。
  • FACTORIE—可部署的概率建模工具包，用 Scala 实现的软件库。为用户提供简洁的语言来创建关系因素图，评估参数并进行推断。

数据分析/数据可视化

  • MLlib in Apache Spark—Spark 下的分布式机器学习库
  • Scalding —CAscading 的 Scala 接口
  • Summing Bird—用 Scalding 和 Storm 进行 Streaming MapReduce
  • Algebird —Scala 的抽象代数工具
  • xerial —Scala 的数据管理工具
  • simmer —化简你的数据，进行代数聚合的 unix 过滤器
  • PredictionIO —供软件开发者和数据工程师用的机器学习服务器。
  • BIDMat—支持大规模探索性数据分析的 CPU 和 GPU 加速矩阵库。

通用机器学习

  • Conjecture—Scalding 下可扩展的机器学习框架
  • brushfire—scalding 下的决策树工具。
  • ganitha —基于 scalding 的机器学习程序库
  • adam—使用 Apache Avro, Apache Spark 和 Parquet 的基因组处理引擎，有专用的文件格式，Apache 2 软件许可。
  • bioscala —Scala 语言可用的生物信息学程序库
  • BIDMach—机器学习 CPU 和 GPU 加速库.

http://www.08kan.com/gwk/MzA4NjA4MTkzMw/203089745/1/ca764aacc4c3601a8a608e219929ac1b.html

Categories
不学无术

1074. Reversing Linked List (25) 链表反转~最后一个测试点，小心特殊情况！

原题：

Given a constant K and a singly linked list L, you are supposed to reverse the links of every K elements on L. For example, given L being 1→2→3→4→5→6, if K = 3, then you must output 3→2→1→6→5→4; if K = 4, you must output 4→3→2→1→5→6.
Input Specification:
Each input file contains one test case. For each case, the first line contains the address of the first node, a positive N (<= 105) which is the total number of nodes, and a positive K (<=N) which is the length of the sublist to be reversed. The address of a node is a 5-digit nonnegative integer, and NULL is represented by -1.
Then N lines follow, each describes a node in the format:
Address Data Next
where Address is the position of the node, Data is an integer, and Next is the position of the next node.
Output Specification:
For each case, output the resulting ordered linked list. Each node occupies a line, and is printed in the same format as in the input.
Sample Input:

00100 6 4
00000 4 99999
00100 1 12309
68237 6 -1
33218 3 00000
99999 5 68237
12309 2 33218

Sample Output:

00000 4 33218
33218 3 12309
12309 2 00100
00100 1 99999
99999 5 68237
68237 6 -1

 

分析：

初看是一道很简单的题目，对链表进行有规律的反转。我采取的方案如下：
1.读取输入，然后链表按其地址存放到map中（当然有猥琐的人可以存放到数组里用空间换时间）；
2.按照链表的头指针顺着下去读取链表。建一个栈，当没有达到K个时，每个读取到的值压入栈里，然后集齐K个的时候输出。技巧是一行输出的东西可以分拆分成两块，即除第一行与最后一行特殊外，其他每两行都是:
[上一地址 ] [上个值 ] [当前地址]
[当前地址] [当前值] [下一地址]
也就是说得到当前节点后，只需要补齐上一行的”当前地址”和当前行前两项即可，等到下一个节点读入时再补上这一行的最后一个“下一地址”。
3.最后，末尾别忘了NULL指针“-1”
上面的算法复杂度是O(N)
 
但是请务必考虑下面几个特殊情况：
1. K=1, K=N
2. 给的头指针不是整条链的头指针，而是中间某个节点的。这个问题是最后一个测试点测试的东西。我一开始也试了好多无果，还好搜到了这篇文章末尾的评论部分才得到启发！另外测试点6不会考虑给的测试例有多个next指针式NULL指针（-1）的情况，有些博客中这种说法是错误的。
例如：

00000 6 4
00000 4 99999
00100 1 12309
68237 6 -1
33218 3 00000
99999 5 68237
12309 2 33218

这时候的正确输出是：

00000 4 99999
99999 5 68237
68237 6 -1

 

 

代码

#include <iostream>
#include <map>
#include <stack>
#include <string.h>
using namespace std;
struct Node
{
	char fake_addr[6];
	char fake_next[6];
	int data;
};
int main()
{
	char pStart[6];
	int N, K;
	cin >> pStart >> N >> K;
	map<int, Node> mapNodes;
	int multiEnd = 0;
	for (int i = 0; i < N; i++)
	{
		//Read from input
		char addr[6], next[6];
		int data;
		cin >> addr >> data >> next;
		if (strcmp(next, "-1") == 0)
			multiEnd++;
		Node node;
		node.data = data;
		strcpy(node.fake_addr, addr);
		strcpy(node.fake_next, next);
		int key = atoi(addr);
		mapNodes[key] = node;
	}
	if (true)
	{
		//奇怪的的情况，需要扫链了
		int count = 0;
		int nextPtr = atoi(pStart);
		while (nextPtr != -1)
		{
			nextPtr = atoi(mapNodes[nextPtr].fake_next);
			count++;
		}
		N = count;
	}
	stack<Node> workingStack;
	const int LIMIT = N - N % K;
	int currentFakePtr = atoi(pStart);
	bool firstLine = true;
	//能整除的范围
	for (int i = 0; i < LIMIT; i++)
	{
		if (true)
		{
			//将node压入栈准备输出
			if (currentFakePtr == -1)
			{
				break;
			}
			Node currentNode = mapNodes[currentFakePtr];
			workingStack.push(currentNode);
			currentFakePtr = atoi(currentNode.fake_next);
		}
		if (i%K == K-1)
		{
			//逐条弹栈并输出 (除最后一个节点的next地址)
			while (!workingStack.empty())
			{
				Node currentNode = workingStack.top();
				if (!firstLine)
					cout << currentNode.fake_addr << endl; //上一行的末尾
				cout << currentNode.fake_addr << " " << currentNode.data << " "; //本行的前两个元素
				workingStack.pop();
				firstLine = false;
			}
		}
	}
	//不能整除的范围，按顺序输出
	//需要考虑一开始就不能整除的情况 (LIMIT = 0)
	for (int i = LIMIT; i < N; i++)
	{
		if (currentFakePtr == -1)
		{
			break;
		}
		Node currentNode = mapNodes[currentFakePtr];
		if (!firstLine)
			cout << currentNode.fake_addr << endl; //上一行的末尾
		cout << currentNode.fake_addr << " " << currentNode.data << " "; //本行的前两个元素
		currentFakePtr = atoi(currentNode.fake_next);
		firstLine = false;
	}
	cout << "-1";
	return 0;
}

 

测试点

（这个结果还有优化的空间，不过既然已经<400ms了我就不管啦~）

测试点 结果 用时(ms) 内存(kB) 得分/满分
0 答案正确 1 360 12/12
1 答案正确 1 232 3/3
2 答案正确 1 360 2/2
3 答案正确 1 232 2/2
4 答案正确 1 232 2/2
5 答案正确 326 8424 3/3
6 答案正确 1 360 1/1
Categories
不学无术

1078. Hashing (25) ：：哈希表二次探测法|质数判定

原题http://www.patest.cn/contests/pat-a-practise/1078：
The task of this problem is simple: insert a sequence of distinct positive integers into a hash table, and output the positions of the input numbers. The hash function is defined to be “H(key) = key % TSize” where TSize is the maximum size of the hash table. Quadratic probing (with positive increments only) is used to solve the collisions.
Note that the table size is better to be prime. If the maximum size given by the user is not prime, you must re-define the table size to be the smallest prime number which is larger than the size given by the user.
Input Specification:
Each input file contains one test case. For each case, the first line contains two positive numbers: MSize (<=104) and N (<=MSize) which are the user-defined table size and the number of input numbers, respectively. Then N distinct positive integers are given in the next line. All the numbers in a line are separated by a space.
Output Specification:
For each test case, print the corresponding positions (index starts from 0) of the input numbers in one line. All the numbers in a line are separated by a space, and there must be no extra space at the end of the line. In case it is impossible to insert the number, print “-” instead.
Sample Input:

4 4
10 6 4 15

Sample Output:

0 1 4 -

 

 
这个题目主要是两个问题：

  1. 质数的查找。质数查找采用比较取巧的笨办法，1000以下用质数表，1000以上的用土办法（除以 2~根号X一个个试）；
  2. 哈希表冲突的解决，题目中明确写了使用Quadratic probing(positive increments only)，即序号递增的那种二次探测法。具体细节就不多说了，可以参考这里、这里和这里。数据结构荒废多年，自己竟然还要查资料，也是挺不好意思的。

 
我的代码（c++）：

#include <iostream>
#include <cmath>
using namespace std;
int prime_1000[] = { 2, 3, 5, 7, 11, 13, 17, 19, 23, 29,
31, 37, 41, 43, 47, 53, 59, 61, 67, 71,
73, 79, 83, 89, 97, 101, 103, 107, 109, 113,
127, 131, 137, 139, 149, 151, 157, 163, 167, 173,
179, 181, 191, 193, 197, 199, 211, 223, 227, 229,
233, 239, 241, 251, 257, 263, 269, 271, 277, 281,
283, 293, 307, 311, 313, 317, 331, 337, 347, 349,
353, 359, 367, 373, 379, 383, 389, 397, 401, 409,
419, 421, 431, 433, 439, 443, 449, 457, 461, 463,
467, 479, 487, 491, 499, 503, 509, 521, 523, 541,
547, 557, 563, 569, 571, 577, 587, 593, 599, 601,
607, 613, 617, 619, 631, 641, 643, 647, 653, 659,
661, 673, 677, 683, 691, 701, 709, 719, 727, 733,
739, 743, 751, 757, 761, 769, 773, 787, 797, 809,
811, 821, 823, 827, 829, 839, 853, 857, 859, 863,
877, 881, 883, 887, 907, 911, 919, 929, 937, 941,
947, 953, 967, 971, 977, 983, 991, 997, 1009 };
int findSmallestPrime_(int biggerThan)
{
	//比1000大的在这边处理
	int currNum = biggerThan;
	while (true)
	{
		bool primeFlag = true;
		for (int n = 2; n <= (int)sqrt(currNum); n++)
		{
			if (currNum%n == 0)
			{
				primeFlag = false;
				break;
			}
		}
		if (primeFlag)
			return currNum;
		currNum++;
	}
}
int findSmallestPrime(int biggerThan)
{
	if (biggerThan < 1000)
	{
		// <1000的直接查表
		for (int i = 0; i < 169; i++)
		{
			if (prime_1000[i] < biggerThan)
				continue;
			else
				return prime_1000[i];
		}
	}
	else
		findSmallestPrime_(biggerThan);
}
int getHashPos(int* hashTable, int Tsize, int val)
{
	//如果塞不进去则返回-1，否则返回位置
	//使用Quadratic probing
	int probIndex = val % Tsize;
	int H = probIndex;
	int trialCount = 1;
	while (hashTable[probIndex] != -1
		&& trialCount < Tsize)
	{
		probIndex = (val + trialCount * trialCount) % Tsize;
		trialCount++;
	}
	if (trialCount >= Tsize)
		return -1;
	hashTable[probIndex] = val;
	return probIndex;
}
int main()
{
	int M, N;
	cin >> M >> N;
	int Tsize = findSmallestPrime(M);
	int* hashTable = new int[Tsize];
	for (int i = 0; i < Tsize; i++)
		hashTable[i] = -1;
	for (int i = 0; i < N; i++)
	{
		int currVal;
		cin >> currVal;
		int pos = getHashPos(hashTable, Tsize, currVal);
		if (pos == -1)
			cout << "-";
		else
			cout << pos;
		if (i < N - 1)
			cout << " ";
	}
	return 0;
}

 
 

测试点 结果 用时(ms) 内存(kB) 得分/满分
0 答案正确 1 360 12/12
1 答案正确 1 360 3/3
2 答案正确 1 232 5/5
3 答案正确 20 360 5/5

最后一个测试点应该是比较大的数

Categories
不学无术 木有技术

1065. A+B and C (64bit) (20)

http://www.patest.cn/contests/pat-a-practise/1065

 

原题如下

Given three integers A, B and C in [-263, 263], you are supposed to tell whether A+B > C.
Input Specification:
The first line of the input gives the positive number of test cases, T (<=10). Then T test cases follow, each consists of a single line containing three integers A, B and C, separated by single spaces.
Output Specification:
For each test case, output in one line “Case #X: true” if A+B>C, or “Case #X: false” otherwise, where X is the case number (starting from 1).
Sample Input:

3
1 2 3
2 3 4
9223372036854775807 -9223372036854775808 0

Sample Output:

Case #1: false
Case #2: true
Case #3: false

 
分析，其实就是自己做加减法进位的问题，需要考虑正负号的细节。
正负数加减法的规则可以参考百度文库，一大堆小学生教材，哈哈~
大概是这样，比较两个数a和b：

  • 最终结果符号的判定：如果|a|>=|b|那么结果的符号与a相同，反之符号与b相同；
  • 数值计算，不管正负号，用绝对值大的那个做操作数1，绝对值小的做操作数2，如果a，b同号做操作数1+操作数2，异号做操作数1–操作数2；

 
我的代码（好久没写c++，各种复杂，见谅）
其中isBiggerAbs是判断a与b的绝对值大小的，isBigger是判断实际值大小的，swapss是交换元素。
另外0x30是字符’0’的ASCII码来着~输入的时候是按照字符流看待的，计算的时候转换成了数字，然后比较的时候为了和c比方便又转换回去了。
另外给的Sample Input里面那个一长串的就是上限和下限了，加上符号20位足够放。

#include <iostream>
#include <string.h>
using namespace std;
void swapss(char*a, char* b)
{
	char t[20];
	strcpy(t, a);
	strcpy(a, b);
	strcpy(b, t);
}
bool isBiggerAbs(char* a, char* b)
{
	int len_a, len_b;
	len_a = strlen(a);
	len_b = strlen(b);
	if (len_a > len_b)
		return true;
	else if (len_a < len_b)
		return false;
	//只需比较位数一样的
	for (int i = 0; i < len_a; i++)
	{
		if (a[i] > b[i])
			return true;
		else if (a[i] < b[i])
			return false;
	}
	//完全相等
	return false;
}
bool isBigger(char* a, char* b)
{
	//Judge if a > b
	bool neg_a = (a[0] == '-');
	bool neg_b = (b[0] == '-');
	if (neg_a && !neg_b)
		return false;
	else if (!neg_a && neg_b)
		return true;
	if (!neg_a)
		return isBiggerAbs(a, b);
	else
	{
		a = strtok(a, "-");
		b = strtok(b, "-");
		return !isBiggerAbs(a, b);
	}
}
void bigPlus(char* a, char* b, char* r)
{
	// c = a + b
	int len_a, len_b;
	bool isNeg_a = false;
	bool isNeg_b = false;
	bool isNeg_r = false;
	if (a[0] == '-')
	{
		char* pch = strtok(a, "-");
		a = pch;
		isNeg_a = true;
	}
	if (b[0] == '-')
	{
		char* pch = strtok(b, "-");
		b = pch;
		isNeg_b = true;
	}
	if (!isBiggerAbs(a, b))
	{
		//Swap a and b
		swapss(a, b);
		isNeg_r = isNeg_b;
	}
	else
		isNeg_r = isNeg_a;
	if (isNeg_a)
	{
		bool t = isNeg_a;
		isNeg_a = isNeg_b;
		isNeg_b = t;
	}
	len_a = strlen(a);
	len_b = strlen(b);
	int index_a = len_a - 1;
	int index_b = len_b - 1;
	int remainder = 0;
	int count = 0;
	while (index_a >= 0 || index_b >= 0)
	{
		int op0 = 0;
		if (index_a >=0 )
			op0 = (int)a[index_a] - 0x30;
		if (isNeg_a)
			op0 = -op0;
		int op1 = 0;
		if (index_b >= 0)
			op1 = (int)b[index_b] - 0x30;
		if (isNeg_b)
			op1 = -op1;
		int result = op0 + op1 + remainder;
		if (result < 0)
		{
			remainder = -1; //negative raminder (<'0')
			result += 10;
		}
		else if (result > 9)
		{
			remainder = 1; //positive remainder (>'9')
			result -= 10;
		}
		else
			remainder = 0;
		r[count++] = (char)(result + 0x30);
		index_a--;
		index_b--;
	}
	//Deal with the last remainder
	if (remainder > 0)
	{
		r[count++] = (char)(remainder+0x30);
	}
	else if (remainder < 0)
	{
		r[count++] = (char)(remainder + 0x30);
	}
	if (isNeg_r)
		r[count++] = '-';
	char temp[21];
	int t = 0;
	while ((--count) >= 0)
	{
		temp[t++] = r[count];
	}
	temp[t] = '\0';
	strcpy(r, temp);
}
int main()
{
	//Read huge integer as charset
	int T; //Nubmer of test cases
	cin >> T;
	char a[20];
	char b[20];
	char c[20];
	char result[21];
	for (int i = 0; i < T; i++)
	{
		//Deal with test cases
		cin >> a >> b >> c;
		bigPlus(a, b, result);
		bool is_bigger = isBigger(result, c);
		cout << "Case #" << i + 1 << ": ";
		if (is_bigger)
			cout << "true";
		else
			cout << "false";
		if (i < T - 1)
			cout << endl;
	}
	return 0;
}

 

结果

评测结果

时间 结果 得分 题目 语言 用时(ms) 内存(kB) 用户
2月22日 20:46 答案正确 20 1065 C++ (g++ 4.7.2) 1 360

测试点

测试点 结果 用时(ms) 内存(kB) 得分/满分
0 答案正确 1 360 12/12
1 答案正确 1 360 4/4
2 答案正确 1 360 4/4

 

Categories
不学无术

组合 递归

荒废计算机太久了，以至于这么简单一个问题想了我大半天，其实就是数组求组合输出的方法，写下此日志提醒自己不能忘了老本!
题目的话大概可以这样表述

给出一个数据A={a_0,a_1,a_2…a_n}(其中n可变)，打印出该数值元素的所有组合

需要使用递归的方法解决比较好，分而治之

给一大团数据{a0,a1, a2, …, an}：
1. 如果就剩一个元素的话，我就输出它，结束；
2.不输出a0，把除了我之外的余下一团交由递归处理；
3.要输出a0自己，然后余下一团交由递归处理；

其中case 3里面需要注意下一个递归要记住a0是要输出的，所以实践起来就是带了个前缀一样的东西记住。感觉这种排列组合的问题应该也可以用栈来解决，但归根结底还是分治。
用Python随意写了一个：

# coding:utf-8
def foo(inary, appendix=''):
    if len(inary) == 0:
        return
    #Case 0
    print appendix + str(inary[0])
    if len(inary) < 2:
        return
    #Case 1
    foo(inary[1:], appendix)
    #Case 2
    #print str(inary[0]),
    foo(inary[1:], appendix+str(inary[0]))

测试输出：

>>> foo([1, 2, 3, 4])
1
2
3
4
34
23
24
234
12
13
14
134
123
124
1234

 

Categories
不学无术

淘宝开放平台基本概念

1.应用权限

公开：应用接入时默认就开放；增值：需要额外申请的权限；

2.应用环境

沙箱环境APP调用量无限制，用于仿真DEBUG，使用另外一个API入口与给定的淘宝ID

真实环境APP调用量、权限有一定限制，使用证实淘宝ID与API入口

3.用户授权

OAuth2授权（令牌token），接入时默认采用；

TOP协议：应用程序可通过API获取到淘宝上的用户、交易情况等数据，因为涉及隐私，在使用前必须通过淘宝获得淘宝用户的授权方可调用API(公开数据除外)；

安全等级问题（貌似不大会涉及）：用户普通信息的写；敏感信息的读、写；

4.API调用流程

淘宝开放平台流程

5.开发环境、SDK

JAVA 1.5+（Android不行）
.net 2+
php 5+
python 2.7+ (起步阶段)
Categories
不学无术

UFLDL教程的中文翻译——深层网络4篇

从自我学习到深层网络 From Self-Taught Learning to Deep Networks
深层网络概览 Deep Networks: Overview
栈式自编码算法  Stacked Autoencoders
微调多层自编码算法 Fine-tuning Stacked AEs 
 
摘录其中的一句话，觉得挺有道理（嗯嗯嗯一定要搞得我已经通读所有文章的样子！）：

为什么我们要使用深度网络呢？使用深度网络最主要的优势在于，它能以更加紧凑简洁的方式来表达比浅层网络大得多的函数集合。正式点说，我们可以找到一些函数，这些函数可以用 \textstyle k 层网络简洁地表达出来（这里的简洁是指隐层单元的数目只需与输入单元数目呈多项式关系）。但是对于一个只有 \textstyle k-1 层的网络而言，除非它使用与输入单元数目呈指数关系的隐层单元数目，否则不能简洁表达这些函数。

 

Categories
不学无术

2013年EI收录国内期刊一览表

应该是最新的了吧~

2013年EI收录期刊一览表
ISSN 刊名
0567-7718 Acta Mechanica Sinica
1006-7191 Acta Metallurgica Sinica (English Letters)
0253-4827 Applied Mathematics and Mechanics (English Edition)
0890-5487 China Ocean Engineering
1004-5341 China Welding
1004-9541 Chinese Journal of Chemical Engineering
1022-4653 Chinese Journal of Electronics
1000-9345 Chinese Journal of Mechanical Engineering (English Edition)
1671-7694 Chinese Optics Letters
1673-7350 Frontiers of Computer Science in China
1006-6748 High Technology Letters
1674-4799 International Journal of Minerals, Metallurgy and Materials
1004-0579 Journal of Beijing Institute of Technology (English Edition)
1005-9784 Journal of Central South University of Technology
1672-5220 Journal of Donghua University (English Edition)
1005-9113 Journal of Harbin Institute of Technology (New Series)
1001-6058 Journal of Hydrodynamics
1005-0302 Journal of Materials Science and Technology
1002-0721 Journal of Rare Earths
1674-4926 Journal of Semiconductors
1007-1172 Journal of Shanghai Jiaotong University (Science)
1003-7985 Journal of Southeast University (English Edition)
1004-4132 Journal of Systems Engineering and Electronics
1009-6124 Journal of Systems Science and Complexity
1003-2169 Journal of Thermal Science
1000-2413 Journal of Wuhan University of Technology -Materials Science Edition
1673-565X Journal of Zhejiang University SCIENCE A
1674-5264 Mining Science and Technology
1001-0521 Rare Metals
1006-9291 Science in China, Series B: Chemistry
1672-1799 Science in China, Series G: Physics, Astronomy
1005-8885 The Journal of China Universities of Posts and Telecommunications
1005-1120 Transactions of Nanjing University of Aeronautics and Astronautics
1003-6326 Transactions of Nonferrous Metals Society of China
1006-4982 Transactions of Tianjin University
1007-0214 Tsinghua Science and Technology
1674-2370 Water Science and Engineering
1001-1455 爆炸与冲击
1001-5965 北京航空航天大学学报
1001-053X 北京科技大学学报
1001-0645 北京理工大学学报
1007-5321 北京邮电大学学报
1000-1093 兵工学报
1001-4381 材料工程
1009-6264 材料热处理学报
1005-3093 材料研究学报
1673-3363 采矿与安全工程学报
1671-8879 长安大学学报自然科学版
1001-1595 测绘学报
1007-7294 船舶力学
1001-1552 大地构造与成矿学
1000-2383 地球科学：中国地质大学学报
0001-5733 地球物理学报
1006-3021 地球学报
1005-2321 地学前缘
0253-4967 地震地质
1005-0388 电波科学学报
1000-6753 电工技术学报
1007-449X 电机与控制学报
1000-1026 电力系统自动化
1006-6047 电力自动化设备
1000-3673 电网技术
1001-0548 电子科技大学学报
0372-2112 电子学报
1009-5896 电子与信息学报
1005-3026 东北大学学报
1001-0505 东南大学学报 （自然科学版）
1000-7032 发光学报
1673-0224 粉末冶金材料科学与工程
1001-3555 分子催化
1000-3851 复合材料学报
1672-3813 复杂系统与复杂性科学
1003-6520 高电压技术
1000-7555 高分子材料科学与工程
0251-0790 高等学校化学学报
1003-9015 高校化学工程学报
1000-4750 工程力学
0253-231X 工程热物理学报
1001-9731 功能材料
1006-2793 固体火箭技术
1005-0086 光电子. 激光
1000-0593 光谱学与光谱分析
1004-924X 光学精密工程
0253-2239 光学学报
1004-4213 光子学报
0454-5648 硅酸盐学报
1001-2486 国防科技大学学报
1006-7043 哈尔滨工程大学学报
0367-6234 哈尔滨工业大学学报
0253-360X 焊接学报
1006-9941 含能材料
1000-8055 航空动力学报
1000-6893 航空学报
0258-0926 核动力工程
1001-9014 红外与毫米波学报
1007-2276 红外与激光工程
1674-2974 湖南大学学报
1000-565X 华南理工大学学报 自然科学版
1671-4512 华中科技大学学报 自然科学版
0438-1157 化工学报
1001-6929 环境科学研究
1002-0446 机器人
0577-6686 机械工程学报
1671-5497 吉林大学学报（工学版）
1003-9775 计算机辅助设计与图形学学报
1006-5911 计算机集成制造系统
0254-4164 计算机学报
1000-1239 计算机研究与发展
1007-9629 建筑材料学报
1000-6869 建筑结构学报
1671-1637 交通运输工程学报
1009-6744 交通运输系统工程与信息
0412-1961 金属学报
1000-8152 控制理论与应用
1001-0920 控制与决策
1000-0992 力学进展
0459-1879 力学学报
0253-2417 林产化学与工业
0459-1879 煤炭学报
1004-0595 摩擦学学报
1000-0925 内燃机工程
1000-0909 内燃机学报
1002-6819 农业工程学报
1000-1298 农业机械学报
1000-680X 汽车工程
1001-4322 强激光与粒子束
1000-0054 清华大学学报
0253-2409 燃料化学学报
1000-985X 人工晶体学报
1000-9825 软件学报
1006-2467 上海交通大学学报
0371-0025 声学学报
1000-7210 石油地球物理勘探
1000-0747 石油勘探与开发
1000-1441 石油物探
0253-2697 石油学报
1001-8719 石油学报: 石油加工
0253-9985 石油与天然气地质
1001-6791 水科学进展
0559-9350 水利学报
1009-3087 四川大学学报 （工程科学版）
0254-0096 太阳能学报
0493-2137 天津大学学报
1672-1926 天然气地球科学
1000-0976 天然气工业
1006-2106 铁道工程学报
1003-4722 桥梁建设
1001-8360 铁道学报
1000-436X 通信学报
0253-374X 同济大学学报
1000-131X 土木工程学报
1001-4055 推进技术
1000-3290 物理学报
1000-324X 无机材料学报
1671-8860 武汉大学学报 (信息科学版）
1001-2400 西安电子科技大学学报
0253-987X 西安交通大学学报
1000-2758 西北工业大学学报
0258-2724 西南交通大学学报
1004-0277 稀土
0258-7076 稀有金属
1002-185X 稀有金属材料与工程
1000-6788 系统工程理论与实践
1001-506X 系统工程与电子技术
1673-9078 现代食品科技
1009-6582 现代隧道技术
1007-8827 新型碳材料
1002-0861 烟草科技
1000-6915 岩石力学与工程学报
1000-4548 岩土工程学报
1000-7598 岩土力学
0254-3087 仪器仪表学报
1005-0930 应用基础与工程科学学报
1000-1328 宇航学报
1000-6931 原子能科学技术
1008-973X 浙江大学学报 (工学版）
1672-7126 真空科学与技术学报
1004-6801 振动测试与诊断
1004-4523 振动工程学报
1000-3835 振动与冲击
1004-2997 质谱学报
0258-8013 中国电机工程学报
1001-7372 中国公路学报
1005-6734 中国惯性技术学报
1000-6923 中国环境科学
0258-7025 中国激光
1000-1964 中国矿业大学学报
1003-0174 中国粮油学报
1009-7848 中国食品学报
1673-5005 中国石油大学学报
1001-4632 中国铁道科学
1004-5708 中国烟草学报
1004-0609 中国有色金属学报
1000-4882 中国造船
1672-7207 中南大学学报
0254-4156 自动化学报