发表的论文学科领域
1 、什么是核心期刊?简单地说，核心期刊是学术界通过一整套科学的方法，对于期刊质量进行跟踪评价，并以情报学理论为基础，将期刊进行分类定级，把最为重要的一级称之为核心期刊。2、什么是中文核心期刊?对中国(不含港、澳、台)出版的期刊中核心期刊的认定，目前国内比较权威的有两种版本。一是中国科技信息研究所(简称中信所)每年出一次的《中国科技期刊引证报告》(以下简称《引证报告》);另一种是北京大学图书馆与北京高校图书馆期刊工作研究会联合编辑出版的《中文核心期刊要目总览》(以下简称《要目总览》)。《要目总览》不定期出版，1996 年出版了第二版，2000 版，2004年版。2008年版暂未出版。《要目总览》收编包括社会科学和自然科学等各种学科类别的中文期刊。其中对核心期刊的认定通过五项指标综合评估。《引证报告》统计源期刊的选取原则和《要目总览》核心期刊的认定各依据了不同的方法体系，所以二者界定的核心期刊(指科技类)不完全一致。3、什么是国家级期刊?一般说来，“国家级” 期刊，即由党中央、国务院及所属各部门，或中国科学院、中国社会科学院、各民主党派和全国性人民团体主办的期刊及国家一级专业学会主办的会刊。另外，刊物上明确标有“全国性期刊”，“核心期刊”字样的刊物也可视为国家级刊物。4.什么是“省级”期刊?即由各省、自治区、直辖市及其所属部、委办、厅、局主办的期刊以及由各本、专科院校主办的学报(刊)。5、什么是学术期刊?学术期刊刊发的文献以学术论文为主，而非学术期刊刊发的文献则以文件、报道、讲话、体会、知识等只能作为学术研究的资料而不是论文的文章为主。由于《总览》选刊的依据是载文量多、收录量大和被引次数多，并不强调学术期刊与非学术期刊的界线，对此自然也就没有进行严格区分。具体说来，《总览》学术与非学术不分，主要表现在两个方面，一是期刊的定性，二是期刊的宗旨6、什么是CN类刊物?所谓CN 类刊物是指在我国境内注册、国内公开发行的刊物。该类刊物的刊号均标注有CN字母，人们习惯称之为CN类刊物。7、什么是ISSN类刊?现在许多杂志则同时具有CN和ISSN两种刊号。所谓ISSN 类刊物是指在我国境地外注册，国内、外公开发行的刊物。该类刊物的刊号前标注有ISSN字母。8.什么是CSCD期刊?中国科学引文数据库(Chinese Science Citation Database)来源期刊简称为CSCD期刊。中国科学引文数据库分为核心库和扩展库。核心库的来源期刊经过严格的评选,是各学科领域中具有权威性和代表性的核心期刊。扩展库的来源期刊也经过大范围的遴选，是我国各学科领域较优秀的期刊。核心库期刊:669种(以*号为标记); 扩展库期刊:378种(动态)。9.什么是科技论文统计源期刊科技论文统计源期刊又称为中国科技核心期刊，是由中国科学技术信息研究所经过严格的定量和定性分析选取的各个学科的重要科技期刊。2005年中国科技论文统计源期刊共1608种。10.什么是SCI期刊SCI(《科学引文索引》，英文全称是Science Citation ndex)是美国科学情报研究所出版的一部世界著名的期刊文献检索工具。它收录全世界出版的数、理、化、农、林、医、生命科学、天文、地理、环境、材料、工程技术等自然科学各学科的核心期刊3700多种。通过其严格的选刊标准和评估程序来挑选刊源，使得SCI收录的文献能够全面覆盖全世界最重要和最有影响力的研究成果。SCI从来源期刊数量划分为SCI和SCI-E。SCI指来源刊为3500多种的SCI印刷版和SCI光盘版(SCI Compact Disc Edition, 简称SCI CDE)，SCI-E(SCI Expanded)是SCI的扩展库，收录了5600多种来源期刊，可通过国际联机或因特网进行检索。SCI涵盖学科超过100个，主要涉及农业、生物及环境科学;工程技术及应用科学;医学与生命科学;物理及化学;行为科学
据学术堂了解，论文发表的类别可以根据期刊权威度分为六大类：1、T类：T类特种刊物论文，指在《SCIENCE》和《NATURE》两本权威期刊上发表的论文。2、A类：权威核心刊物论文，指被国际通用的SCIE、EI、ISTP、SSCI以及A&HCI检索系统所收录的论文(以中国科技信息研究所检索为准)，或同一学科在国内具有权威影响的中文核心刊物上发表的论文，论文不含报道性综述、摘要、消息等。3、B类：重要核心刊物论文，指在国外核心期刊上刊登的论文或在国内同一学科的中文核心期刊中具有重要影响的刊物上发表的论文。4、C类：一般核心刊物论文，指《全国中文核心期刊要目总览?北大图书馆2004版》刊物上发表的论文。5、D类：一般公开刊物论文，指在国内公开发行的刊物上(有期刊号“CN”“ISSN” ，有邮发代号)发表的论文。6、E类：受限公开刊物论文，指在国内公开发行的但受发行限制的刊物上(仅有期刊号、无邮发代号)发表的论文。
很多人不知道期刊的分类，下面给大家搜集整理一些期刊公开发表的论文分为六个级别的介绍，欢迎大家参考阅读。第一级-T类：特种刊物论文，指在《SCIENCE》和《NATURE》两本期刊上发表的论文。第二级-A类：权威的核心期刊，指的是国际通用的SCIE、EI、ISTP、SSCI、A&HCI收录检索系统的论文(中国科学技术信息研究所检索为准)，或同一主题发表在国内中文核心期刊的权威，论文中不包含其他报告总结。第三级-B类：重要核心刊物论文，指在国外核心期刊上刊登的论文(见《国外科技核心期刊手册》)或在国内同一学科的中文核心期刊中具有重要影响的刊物上发表的论文。第四级-C类：一般核心刊物论文，指《全国中文核心期刊要目总览?北大图书馆2004版》刊物上发表的论文。第五级-D类：一般公开刊物论文，指在国内公开发行的刊物上(有期刊号“CN”“ISSN” ，有邮发代号)发表的论文。第六级-E类：受限公开刊物论文，指在国内公开发行的但受发行限制的刊物上(仅有期刊号、无邮发代号)发表的论文。
学科领域是相对独立的知识体系；从传递知识和教学的角度看，学科就是教学的科目；从大学里承担教学科研的人员来看，学科就是学术的组织，即从事科学与研究的机构。首先判定论文属于什么一级学科，二级学科？比如,一级学科：管理学，二级学科：会计学.论文所属学科专业类别我国高等学校本科教育专业设置按“学科门类”、“学科大类(一级学科)”、“专业”(二级学科)三个层次来设置。12个学科分别是:哲学、经济学、法学、教育学、文学、历史学、理学、工学、农学、医学、管理学、艺术学; 新增了艺术学学科门类,未设军事学学科门类,其代码11预留。
发表论文最多的科学领域
实际上，对于这个问题，我并不感到惊讶，因为如果它是我写的，自然地，我可能不会在世界上被找到。因此，我的发言并不奇怪。正是我们的中国在各个方面都发展非常迅速。因此，它也已在论文中显示。黄金无处不在。碰巧我们的中国是一块巨大的黄金。人们关注他，因此作为中国人，无需大惊小怪。
我觉得这是作为中国人值得自豪的，这说明我们的科技科学领域在进步，在向前看，至少不再落后，也说明经过努力，我们的科学走在了世界的前面。
1973-2007年间，哈佛大学每年发表的SCI论文由1973年的2284篇（其中第一作者论文1629篇，占71%）增长到2007年的8567篇（第一作者3428篇，占40%）,年均增长率为3.96%；在Nature、Science和Cell三大学术期刊上共发表论文4666篇（第一作者2440篇，占52%）,由1973年的49篇增长到2007年的196篇,年均增长率为4.16%。相比之下，在三大期刊上发表论文数量排名第2位的麻省理工学院共2461篇,仅为哈佛的53%；而2007年中国大陆科研单位仅在Science上发表26篇、Nature上发表19篇。2006年哈佛大学的总研究经费为4.5亿美元（全美排名第27位），尚不及约翰霍普金斯大学（第1位）的1/3。开展合作研究在提高哈佛大学论文数量和质量方面发挥着重要作用。通过合作研究发表的SCI论文由1973年的1436篇增长到2007年的7637篇,年均增长率达5.04%；合作研究发表的论文占论文总数的比例也保持增长态势，从1973年的63%增长到2007年的89%。合作研究发表论文的数量增长突出，从某种程度上得益于哈佛在前沿领域研究具有相当的科学领导力。哈佛大学独立在三大期刊上发表论文的平均被引次数（Nature为144次、Science为172次、Cell为236次）均低于其合作发表论文的平均被引次数（Nature为220次、Science为213次、Cell为300次）,这在一定程度上表明通过合作研究发表的论文具有更高的影响力。哈佛大学在科学主流方向—生物医药领域成果突出。生物化学和分子生物学、细胞生物学、神经科学、免疫学、肿瘤学和交叉科学等是哈佛大学产出SCI论文最多的学科。哈佛医学院是发表高水平论文的主要学院，1973-2007年间作为第一完成单位在三大期刊上共发表论文1547篇，占哈佛作为第一完成单位在三大期刊上发表论文总数的63%。这在一定程度上说明生物医药领域是哈佛的优势学科领域。哈佛大学发表论文的定量分析数据表明,开展跨机构的合作研究是提高研究水平的有效途径之一。生物医药领域作为当前科学发展的主流方向,我国高校和科研院所在该领域还有很大的发展空间，在该主流方向上不断汇聚力量、取得突破性进展,将有力带动和提升我国科技发展的整体水平。
中国计算机科学发论文最多高校揭晓，清华、浙大、上交大前三
最近，《2017中国高校国际学术影响力评价报告》发布，清华大学计算机科学的论文发表数量、创新人才数量双双排名全国第一，华中科技大学高被引数量第一。
国际成果规模（论文发文数量）：浙江大学、中国科学院大学、上海交通大学排前三。十年来高被引论文数量：清华大学、北京大学、浙江大学排前三。创新人才（主导科学家数量）：清华大学、浙江大学、北京大学排前三。优势学科（进入ESI前1%学科数量）：北京大学、浙江大学、中山大学排前三。
具体到计算机科学：
国际成果规模（论文发文数量）：清华大学、浙江大学、上海交通大学排前三。十年来高被引论文数量：华中科技大学、东南大学、清华大学排前三。创新人才（主导科学家数量）：清华大学、上海交通大学、浙江大学排前三。
这份报告是由中国教育发展战略学会人才发展专业委员会、中国教育网、中国教育在线、学术桥联合发布。
数据来源与评价指标
本报告的数据主要来源于ESI（Essential Science Indicators）数据库，数据时间段为2007.01.01-2017.2.28（十年）。
为了更好地识别高被引论文的第一作者和通讯作者，报告在 Web of Science 数据库中下载了高被引论文的题录数据。
第一作者的依据是 Web of Science 数据库论文题录数据中 AF 字段中的第一位。第一作者机构是 C1 字段中第一作者姓名对应的机构。
通讯作者的依据是 Web of Science 数据库题录数据中RP字段的作者。通讯作者机构是RP字段中作 者姓名对应的机构。
第一作者或通讯作者的机构可能有多个，数据处理中，报告按照顺序只采用第一机构。第一作者和通讯作者因在一项研究中的主导作用而被视为主导科学家。对于主导科学家的重名问题的处理依赖于一项发明专利技术“一种面向英文文献中中国作者的姓名消歧方法”。
截至 2017年2月28日，中国大陆共有209 所高校至少有一个学科入选 ESI 前1%高被引学科。本报告对于中国高校的国际学术影响力分析仅限于这 209 所高校。
报告内容分为“中国大学国际学术影响力评价”和“中国学科国际学术影响力评价”两部分。中国大学国际学术影响力评价”主要使用表1中的评价指标。
“中国学科国际学术影响力评价”主要使用表2中的评价指标。
中国高校国际学术影响力总体情况
需要注意的是，中国科学院大学成立于 2012 年，2012 年之前中国科学院研究生院的高被引论文数量未计入其中。另外，因大量署名中国科学院大学的高被引论文的第一作者与通讯作者的第一机构并非中国科学院大学，因此，主导论文数量较少。
2、十年来高被引论文数量：排名前三的高校是清华大学、北京大学、浙江大学。
上海交通大学、中国科学技术大学、复旦大学、南京大学、中山大学、哈尔滨工业大学、华中科技大学进入前十。
3、创新人才（主导科学家数量）：排名前三的高校是清华大学、浙江大学、北京大学。
上海交通大学、复旦大学、南京大学、中国科学技术大学、华南理工大学、南开大学、中山大学进入高校前十。
4、优势学科（进入ESI前1%学科数量）：排名前三的高校是北京大学、浙江大学、中山大学。
上海交通大学、复旦大学、清华大学、南京大学、武汉大学、山东大学、中国科学院大学进入高校前十。
计算机科学国际学术影响力：清华发论文最多，华中科大高被引最多
中国学科国际学术影响力中，计算机科学在国际成果规模、高被引论文、创新人才数量三个维度进行的评价。
1、国际成果规模（论文发文数量）：排名前三的高校是清华大学、浙江大学、上海交通大学。
2、十年来高被引论文数量：排名前三的高校是华中科技大学、东南大学、清华大学。
3、创新人才（主导科学家数量）：排名前三的高校是清华大学、上海交通大学、浙江大学。
报告的课题组负责人李江教授介绍，此次《报告》的发布除了作为国家有关部门、各高校、社会组织参考的同时，也能够激励高校从高水平成果、人才培养、学科建设三个维度考虑发展方向和策略。
自然科学领域论文发表
现在，《Nature》杂志要求作者在递交一篇论文时要写两份摘要：一份是写给科学家和编辑的，另一份是作者向大众提练出他们研究结果的重要性。《Nature》杂志将借此展现和推销它所发表的论文。 研究人员们日益认识到他们对更广泛读者的责任，不仅仅只是媒体，而是更多有科学兴趣的大众。当科学被曲解或受到抑止时，研究人员们不应该坐视等待，让媒体来为他们做所有的工作。《Nature》杂志的作用是发表科学家们所能做的最有创新性和最有影响力的论文，并将这些结果展示给公众。但是，研究人员也有责任积极主要地交流他们的知识和不确实性，避免被误会，有时甚至会通过通过努力抗争来将科学信息传达出去。
Nature 是科学领域内具有重要影响力的期刊之一，以其高水平、严谨的科学论文而著名。发表 Nature 论文的难度较大，以下几点具体阐述：
1、楼主是在职研究生同等学力申硕的吧，你看一下学校对发表期刊讠仑文有无具体要求：一般对文章字数、刊物的级别以及刊发的时间有具体要求的。 2、硕士毕业论文可以写成小文章刊发在杂志上面的，但是得注意的是：文章的重复率不能超过30%的，杂志社一般会用万方数据库或中国知网检测的，有疑问白杜输入壹品优再输入刊 了解
我觉得这是作为中国人值得自豪的，这说明我们的科技科学领域在进步，在向前看，至少不再落后，也说明经过努力，我们的科学走在了世界的前面。
发表科技论文最多的领域
目前我们是排在第2位的，我们的一些论文是非常不错的，影响力是比较大的，研究的东西是比较好的。
社会科学论文和自然科学论文。论文研究类型用研究领域来划分，可分为社会科学论文和自然科学论文。社会科学论文，主要是描述社会复杂现象，阐述社会发展变化规律，分析和解决社会问题而积极开展的科学研究而撰写的论文。自然科学论文，主要是描述自然现象，阐述自然发展变化，分析和解决自然科学发展存在问题而进行积极研究，而发表自己的观点和主张的文章。
符合要求的刊物极多,选个最便宜的吧,几百大洋搞定.
创新驱动发展是重要的核心发展战略，对研发的投入越来越大，这也直接带动了近年来我们在科技方面的巨大进步。但是，随着研发经费总量的不断增大，研发强度逐渐逼近国际上限。如何用好研发经费，提高研发经费的使用效率，将是未来中国科技创新的关键。 优化研发经费的使用结构，提高研发经费中用于基础研究与应用研究的比例；改进科研经费管理机制，提高科研经费的使用效率；增加对科研人员的经费投入，尤其加大对高端人才引进力度；促进科技成果转化，保护知识产权，提高科研成果的经济效益；通过资本市场的发展如科创板的建设，使科技创新的成果与资本市场对接，获取发展资金，迅速转化为生产力。 科学技术是第一生产力，科技的竞争是人才的竞争，也是经济实力的竞争。近年来中国科研投入巨大，统计局发布的数据显示，2018年我国研发经费支出为19657亿元，比上年增长11.6%，研发经费规模仅次于美国。研发强度即研发经费占GDP比重为2.18%，较上年提升0.05个百分点，超过欧盟15国平均水平。中国当前的研发投入无论在规模上，还是研发强度上都已位于世界前列，并且未来还将继续较快增长。 科研经费是科技发展的基础支撑，能否用好科研经费在一定程度上决定了一国的科研实力与潜力。中国万亿科研经费是谁在投？谁在用？经费使用效果如何？相关政策和制度建设应如何保障科研经费高效合理使用？我们将针对以上问题逐一进行分析。 我国研发经费的来源与使用 企业与政府是中国科研经费来源的主体。根据大连理工大学的研究数据，1995年至2016年中国研发经费来源结构中，企业研发经费占比从约30%增长到70%，政府来源经费比例从25%下降到20%左右，说明企业已成为研发经费最主要的来源。企业研发经费中，境内上市企业占比约40%，其中国有企业贡献超过一半，且境内上市企业研发投入规模前10名均为央企。尽管如此，私营部门也在扮演越来越重要的角色。2018年，阿里巴巴、中兴的研发投入已超过中石油、中国建筑。 中国使用的执行机构主要是企业、科研机构和大学。1995年至2016年，企业执行研发经费比例从40%增长到77%，科研机构比例从42%下降到约15%，大学占比从超过10%降至约9%。企业已成为科研经费使用最主要的执行机构。科研机构和大学的科研经费主要来自政府资助。 科研经费的用途一般分为三类，即基础研究、应用研究和试验开发。其中，基础研究指探究科学知识，无特定或直接应用；应用研究指发明技术解决人类的实际问题；试验开发指开发产品并优化流程。目前，中国用于基础研究与应用研究的科研经费明显不足。2016年中国基础研究与应用研究研发经费占全部研发经费比例分别为5%和10%，二者合计仅占15%；而美国、日本基础研究和应用研究的研发经费占比均超30%，英国、法国更高达60%。从1995年到2016年，中国研发经费中用于基础研究的比例基本没变，用于应用研究的比例下降超过一半，大量研发经费被用于试验开发。诚然，试验开发是科技发展的重要一环，中国在试验开发的高额投入也带来了“工程导向”的产出增长，但在基础研究，尤其是应用研究方面的投入严重不足，已经并将会在长期阻碍和制约我国科技进步的发展和潜力。 研发经费的使用效果 基于对论文、专利、知识产权进出口情况、诺贝尔获奖情况的全球比较，我们发现中国科技实力近年来取得了巨大进步，多项指标已居全球前列，但相较发达仍然差距明显。 中国学者和研究人员在科学与工程(S&E)领域发表论文数量已居全球首位，这与国内研究人员以数量和论文为主的科研考评机制有较大关系。但是，在高质量论文引用率和发表于全球顶尖期刊的论文数量等方面仍有较大差距。 中国专利申请量已居全球第二，并且保持较快增长。根据世界知识产权组织的统计，2018年美国的申请人提交了56142件PCT(专利合作条约)申请，其次是中国53345件和日本49702件。与2017年相比，中国PCT专利申请量增长9.1%，远高于美国增速的—0.9%。按照目前的趋势，中国有望在今后两年内赶超美国。在专利授权率上，中国与美国、日本仍然差距明显。 从知识产权进出口费用看，中国知识产权进出口逆差巨大。根据知识产权局数据，2018年，中国对外知识产权付费达358亿美元，已成为全球第四大专利进口国，而知识产权出口总额仅仅约为56亿美元。中国知识产权费用有近四分之一付给了美国，高通、IBM、苹果等企业都是全球专利出口的“大户”。中国知识产权进出口巨大逆差说明，虽然我们近年来专利申请量已居世界前列，但在利用专利创造价值方面与发达仍有较大差距。 从诺贝尔奖获奖情况看。自1901年首次颁发以来，截至2018年诺贝尔奖共授予904位个人和24个团体，在物理、化学、医学三个自然科学领域，美国分别获奖89位、69位、100位，均占据半壁江山。日本卧薪尝胆，通过几十年的努力，已有26人获得了诺贝尔奖。而直到2015年屠呦呦获得诺贝尔医学奖，中国本土科学家方才在诺贝尔科学奖项上实现零的突破。 好钱仍需花在刀刃上 创新驱动发展是重要的核心发展战略，对研发的投入越来越大，这也直接带动了近年来我们在科技方面的巨大进步。但是，随着研发经费总量的不断增大，研发强度逐渐逼近国际上限，未来研发经费增速下滑是可以预见的。如何用好研发经费，提高研发经费的使用效率，将是未来中国科技创新的关键。 第一，优化研发经费的使用结构，提高研发经费中用于基础研究与应用研究的比例。当前中国基础研究与应用研究研发经费占比过低。一方面是因为“工程化”的研究导向，通过对国外先进技术的吸收，并快速转化为自己的产品，在很长一段时间享受了发达基础研究与应用研究的红利。尽管这种模式取得了更快的发展，但目前已经开始遇到瓶颈。另一方面，大学、科研机构、企业分工不合理，造成了过多资源流向了试验开发环节。从国际上看，一般大学主要从事基础研究，科研机构主要进行应用研究，企业进行试验开发。我们则是大学主要进行应用研究，科研机构和企业主要从事试验发展。因此，有必要调整高校、科研机构的研究重点，形成合理分工，提高整体研发效率。 第二，改进科研经费管理机制，提高科研经费的使用效率。科学研究一大特点就是不确定性，而经费管理的初衷则是确保经费合理规范使用，二者本就具有一定的矛盾，因此科研经费管理始终是一个难题。既要赋予科研人员足够的自主权，避免管得太细太死，使科研经费真正为科研服务；又要加强监督，防止科研经费的浪费、滥用、贪污。今后应该在加强科研人员诚信制度的基础上，赋予其科研经费使用足够的自主权，尤其是在基础研究这样不确定性比较大的领域。应该允许科研预算因研究思路、研究方法改变而作适当合理的调整，经费的使用年限也应更加灵活，使经费使用期与研究周期合理匹配，既满足研究实际需要，也避免了科研经费的突击使用，而这些归根到底只有科研人员自己最清楚，这就要赋予科研人员一定的经费使用自主权。并且要简化一些经费管理手续，使得他们从过于繁琐的编写预算、填表报销中解脱出来。与此同时，必须加强科研人员诚信制度建设，对于科研经费的挪用、滥用、造假，应当参照学术造假实行一票否决制，加大违法违规成本。 第三，增加对科研人员的经费投入，尤其加大对高端人才引进力度。科技的竞争，最终是人才的竞争。长期以来，我国研发经费存在着“重物轻人”的问题，研发经费更多地用于仪器设备采购、试验费、差旅费、调研费等，用于科研人员的支出偏低。这种做法既没有体现对科研人员脑力劳动的充分尊重，也不利于其沉下心来专注于本职研究，更不利于优秀研发人才的吸引。中国目前科技人员、工程师数量已居全球首位，但是高端人才数量仍然不足。今后应加大对研发人才的经费支出，尤其应该创造良好的研发条件和生态，比如更好的配套政策、科研环境、扶持资金、文化和生活氛围等用于吸引全球顶尖人才到中国来进行创新活动。 第四，促进科技成果转化，保护知识产权，提高科研成果的经济效益。中国科技成果向产业转化成功率目前约为10%，与发达30%至40%的科技成果转化率相比有较大差距，大量优秀成果停留在实验室技术阶段。提高我国的科技成果转化率，关键在于要有一个有效的知识产权保护机制、激励政策和专利收益分配体系，能够充分激发科技人员和机构的巨大创造活力。在这方面，美国的《拜杜法案》具有很好的借鉴意义，其核心是知识产权获得的收益“一分为三”：1/3归学校或公司，1/3归研发团队，1/3归负责转化成果的中小创新企业。1978年，美国的科技成果转化率是5%，《拜杜法案》出台后这个数字短期内翻了十倍。虽然我国也颁布了《中华人民共和国促进科技成果转换法》，但对转化机构的扶持、激励方面仍有较大的政策空间，而且地方和单位相关配套实施细则也需进一步落地。 第五，通过资本市场的发展如科创板的建设，使科技创新的成果与资本市场对接，获取发展资金，迅速转化为生产力。从国外经验看，完善多层次资本市场建设，特别是发展服务于创新企业的资本市场，对科技创新具有重要的支撑与促进作用。美国形成了以纽交所、纳斯达克、地区性交易所、场外交易为基本构架的多层次的资本市场体系，其中纳斯达克定位于服务科技创新企业，其市场内部又分为三个层次，每个层次提供多套上市标准，以满足不同市值规模、不同行业特点的科创企业的上市需求。从1971年成立至今，纳斯达克为美国孕育、孵化了一批如英特尔、微软、苹果、谷歌等成功的科技企业，在美国科技创新和经济转型中发挥了关键作用，被誉为美国“新经济的摇篮”。作为科技强国的日本，同样拥有发达的资本市场体系，除了东京交易所主板外，还有佳斯达克、玛札兹这样专门服务于成长型企业的股票市场，为不同规模、不同阶段的创新企业提供融资服务。而目前，国内资本市场主板、中小板、创业板上市门槛过高，且标准单一，新三板作为场外市场，流动性较差、融资功能不足，这些原因已导致大量的国内科创企业赴海外上市。因此，我们认为应该以科创板推出及注册制试点为牵引，进一步完善基于法制与信用的多层次资本市场体系，加强信息披露，激活市场流动性，使资本市场真正发挥对生产要素的定价功能。同时带动天使基金、风险投资、私募股权的发展，形成科技转化全生命周期的金融支持。 当前，科技创新是发展的关键领域。从数据上看，我们当前的科研更注重短期成果，作为后发，这种试图“弯道超车”的心态可以理解，但如果忽视了基础领域的研究探索，将大大影响我国科技实力提升的后劲。我们只有充分尊重科技发展的内在规律，用好日益充沛的研发资源，才能使中国的科技创新拥有一个光明的未来。 (作者：刘锋系中国银河证券首席经济学家/研究院院长，王恺系中国银河证券博士后工作站博士后) （文章来源：经济参考报） 郑重声明：发布此信息的目的在于传播更多信息，与本站立场无关。
全球脑科学领域发表论文
美国、英国、德国、法国、瑞典、挪威、瑞士、澳大利亚、日本、中国 确定的奥地利、比利时、 加拿大、 捷克、 丹麦、 芬兰、 希腊、 匈牙利、 爱尔兰、 意大利、 卢森堡、 墨西哥、 荷兰、 新西兰、 波兰、 葡萄牙、 斯洛伐克、 西班牙、 韩国、 土耳其 是这几个国家中的，但是不确定是哪几个
人类脑计划包括神经科学和信息科学这当今自然科学两大热点的相互结合研究，其目标是利用现代化信息工具，将大量、不同层次的有关脑的研究数据分析、处理、整合与建模，建立神经信息学数据库和有关神经系统所有数据的全球知识管理系统，以便从分子水平到整体系统水平研究、认识、保护、开发大脑。美国在这方面处于领先地位。 人类脑计划是继人类基因组计划之后又一国际性的科研计划。近年来， N ature、Science、Trends in Neuroscience等著名学术期刊对人类脑计划与神经信息学纷纷进行了报道。他们认为人类脑计划比基因组计划更大，囊括了更加广泛的内容，是一项更加伟大的工程。 1996年，以美国为首的神经信息学工作组建立，其目的是组织和协调全世界神经科学和信息学家共同研究脑、开发脑、保护脑和创造脑。根据规定，成员国之间可利用电子网络寻求研究协作伙伴，进行数据交换和科研协作，可以免费使用通用神经信息学数据库和信息工具，承担科研任务，同享科研成果和脑研究资源。 2001年7月，唐一源教授应美国国立卫生研究院神经信息学部主任、全球人类脑计划负责人考斯陆博士的邀请，访问美国 N IH人类脑计划与神经信息学总部，并做专题报告“中华人类脑计划与神经信息学的进展”，使考斯陆博士及美国其他科学家认识到中国的实力和决心。于是考斯陆博士发出专函：“同意中国唐一源、唐孝威和尹岭博士参加始建于2000年的经济合作与发展全球科学论坛神经信息学工作组”。考斯陆博士认为中国专家参加这一活动具有极其重要的意义，这将有助于中国在这一领域的研究与国际发展保持同步，中国的参与将会对全球神经信息学的形成和发展产生重大影响。 2001年10月4—5日，我国科学家赴瑞典参加了人类脑计划的第四次工作会议，成为参加此计划的第20个成员国。中国科学家表示，要积极配合国际神经信息网络及数据库，建立中国独特的神经信息平台、电子网络和信息数据库，才能在合作中不受制于人，更好地和国外科学家协作，共享科研成果和国际资源。 揭示大脑的奥秘是新世纪人类面临的最大挑战 生命是什么？“人活着”是怎么一回事？大脑如何思维？数不清的疑问浮现在人类的脑海中。人之所以成为万物之灵，有别于其它物种，是因为人类有极其复杂的大脑，它是千百万年进化的结晶。在过去的六亿年中，生物体通过进化产生出由大量神经元相互联结而形成的神经网络，解决了在不断变化的复杂环境中人脑如何处理各种复杂信息的问题。尤其是人的高级认知功能的高度发展，使得人类成为万物之首，具备了主宰世界的能力。科学研究发现，一个成人大脑重约3．3磅，体积1．5公升，脑内有上千亿个神经细胞，还有超过10（上角14，即10的14次方）个神经突触。大脑是生物体内结构和功能最复杂的组织，是接受外界信号、产生感觉、形成意识、进行逻辑思维、发出指令产生行为的指挥部，它掌管着人类每天的语言、思维、感觉、情绪、运动等高级活动。人脑也是极为精巧和完善的信息处理系统，是人体内外环境信息获得、存储、处理、加工和整合的中枢。 由于人脑的结构和功能极其复杂，需要从分子、细胞、系统、全脑和行为等不同层次进行研究和整合，才有可能揭示其奥秘。为此，世界各国投入了大量的人力和财力进行专门研究，美国把九十年代最后十年定为“脑的十年”，欧洲确定了“脑的二十年研究计划”，日本将21世纪视为“脑科学世纪”，脑科学的研究热潮遍布全球。科学家们提出了“认识脑、保护脑、创造脑”三大目标，人们相信脑科学的研究成果将为人类更好地了解自己、保护自己、防治脑疾病和开发大脑潜能等方面做出重要的贡献，“了解大脑、认识自身”是21世纪的科学面临的最大挑战。 海量脑研究的数据呼唤新的学科 1970年至2000年的30年间，美国神经科学学会的会员人数增长了近30倍，2000年达到28，000人左右，每年年会的论文摘要增长了近100倍，2000年已达到15，000篇左右，遍布神经科学研究的各个领域。以往有关脑的研究包括神经解剖、神经生理、神经病理、神经生化、神经免疫、神经电生理、神经心理等，已经获得了大量有关动物脑和人脑的实验数据和研究结果。近年来分子神经生物学研究从基因水平来揭示人脑的奥秘，先进的基因芯片技术在每秒钟就可以得到大量的实验数据。脑功能成像（ f MRI、PET等）的应用使我们能够从活体和整体水平来研究脑，好比窥探脑的窗口，可以在无创伤条件下了解到人的思维、行为活动时脑的功能活动。这些新方法、新技术极大增强了我们从微观与宏观两个水平上进行脑研究的能力，同时也产生了海量的实验数据。没有哪个科学家、实验室能够掌握所有的信息并独立地进行脑的全面研究。 面对这样的信息爆炸，我们应该怎么办？我们以往的科研模式是否需要变革？答案只有一个：新的需要产生新的学科，新的模式产生新的突破。神经科学家面临的重要问题之一，就是能否灵活有效地管理数据，最大限度地利用实验数据，减少不必要的重复性研究和人力、物力的浪费。 计算机和信息技术的飞速发展为我们提供了解决方案，信息工具的应用为我们解决这一问题创造了条件。所以，建立全球神经信息数据库和神经信息电子网络，已经迫在眉睫。神经科学家和信息学家都在呼吁，应加强神经科学和信息学的合作和相互渗透，采用一种新的研究模式，即实验数据→数学理论→计算机模拟和预测→生物学实验验证→数学模型与验证后的理论，往往可以达到事半功倍的作用，大大加快脑的研究进程。 人类脑计划与神经信息学的缘起 曼哈顿计划、阿波罗登月计划和人类基因组计划是划时代的三大科学工程，它们给整个人类社会带来了深远的影响。人类基因组计划是生物实验结果和信息学的完美结合，人类基因库将为人类健康、疾病诊断、药物开发、生态平衡和生物学研究作出不可估量的贡献。许多科学家认为，在人类基因组计划之后应该是人类蛋白质组计划和人类脑计划。 人类脑计划包括神经科学和信息学相互结合的研究，其核心内容是神经信息学。脑科学和信息学是当今国际科学研究的两大热点，神经信息学是这两大学科相结合的新兴的边缘学科。其目标是利用现代化信息工具，使神经科学家和信息学家能够将脑的结构和功能研究结果联系起来，建立神经信息学数据库和有关神经系统所有数据的全球知识管理系统，将不同层次有关脑的研究数据进行检索、比较、分析、整合、建模和仿真，绘制出脑功能、结构和神经网络图谱，从而解决目前神经科学所面临的海量数据问题，从基因到行为各个水平加深人类对大脑的理解，达到“认识脑、保护脑和创造脑”的目标。 人脑的复杂性远远超出了我们目前的认识能力，传统的细胞生物学等的实验室研究对于解决人脑对复杂信息的获取、处理与加工及高级认知功能的机制，犹如只见树木不见森林。神经信息学工具和数据库的应用，使得我们可能从有限的实验数据中找出神经信息获取、处理和整合的规律和法则，提出在各种刺激条件下，脑内信息加工的数学模型的实验假设和用计算机模拟脑内神经信息网络。可以说，人类脑计划近20年的发展历程处处与神经信息学紧密相连。 1997年人类脑计划在美国正式启动，美国20多家著名的大学和研究所参加了这个研究计划。50多位神经信息学的课题负责人得到该项目的基金资助。他们充分利用神经科学和信息科学的优势条件进行研究，相互间建立合作关系，利用电子网络互通信息，运用数据库进行资源共享。 1996年在巴黎的政府间实体———经济合作发展组织（OECD）的科学论坛批准建立以美国为领头国家的神经信息学工作组，参与国包括美国、英国、德国、法国、瑞典、挪威、瑞士、澳大利亚、日本等19个国家，欧洲委员会也作为正式成员参加。其目的是组织和协调全世界神经科学和信息学家共同研究脑、开发脑、保护脑和创造脑。根据规定，成员国之间可利用电子网络寻求研究协作伙伴，进行数据交换和科研协作，可以免费使用通用神经信息学数据库和信息工具，承担科研任务，同享科研成果和脑研究资源。 美国国立精神卫生研究院副主任，美国国立卫生研究院神经信息学部主任——考斯陆博士是全球人类脑计划的负责人。考斯陆博士是一名神经药理学家，他在神经科学、心理学和药理学等领域出版了多本著作，发表了100多篇科研论文，还得到了十几个不同的荣誉和奖章。考斯陆博士创建 N IH第一个神经科学项目，并出任 N IMH基础与临床神经科学部主任。几年前他又创建了著名的人类脑计划并出任 N IH该机构主任，该机构目前已资助数千万美元专项科研经费用于人类脑计划和神经信息学的研究。美国的几个著名大学，如哈佛大学、耶鲁大学、加州大学、康乃尔大学等都承担了人类脑计划的研究课题。 没有一个国家能独立完成“人类脑计划”这项巨大的工程，它需要像人类基因组计划那样开展国际间的大规模协作。目前，国际性的神经信息合作组织已在全球召开了4次工作会议，共同策划“全球性人类脑计划和神经信息学”。具体已提出几项重大建议：创建全球性的神经信息学电子网络，开发先进的神经信息学工具、方法和数据库，通过数据资源共享和建模仿真来了解神经系统的结构和功能，推动科学进步。 加入人类脑计划共享神经信息资源 许多科学家认为，我国的神经信息学的总体研究水平落后于发达国家，今后10年是神经信息学快速发展的阶段，也是竞争性最强的阶段。我们加入越晚，失去的机会就越多，造成的损失就越大。由于我们没有足够的时间和财力去开发研制自己的数据库和信息工具，即使研制出来，也得不到国际上的承认，难以与国际接轨。如果购买或租用国外的信息工具，不但造成经济损失，而且中国在这方面的研究会永远处于被动状态。 同时，神经科学研究日益深入和专业化，几乎没有哪一个科研人员能够精通脑科学的全部领域。显然，以往通过发表论文或参加会议来进行学术交流的形式已严重制约了科研思路和成果的产生。而国际人类脑计划中的神经信息电子网络可以为研究人员提供信息交流的快速工具，成员国的科学家可以利用神经信息电子网络进行数据交换、分析、整合、建模等工作。参加国际的合作会极大促进国内有关工作的进行。不过，所有这一切都必须有一个大前提———加入国际性神经信息合作组织，参加国际人类脑计划的研究工作。 在人类基因组计划这个宏伟的全球性科研大计划中，我国科学家经过艰苦卓绝的努力，克服了重重困难，争取到1％的测序任务。然而，就是这1％产生了巨大的政治和经济效益，再一次向世界宣告，中国科学家具有做出世界一流科研成果的能力，使中国跻身于人类基因组计划的行列，站到了这一研究领域的前沿，并理所当然地分享人类基因组计划的研究成果。 唐一源教授与美国 N IH神经信息学部主任、国际人类脑计划与神经信息学工作组织总负责人考斯陆博士一直保持着紧密的联系。经过持续不懈的努力，考斯陆博士终于同意唐一源教授作为特邀代表，首次参加在日本理化研究所举行的“全球科学论坛神经信息学工作组”第三次会议。唐一源教授在这次会议上，首次向全世界19个国家的代表介绍了中国在本领域的工作，引起强烈反响。同时应邀访问美国几个重要的“人类脑计划与神经信息学”研究基地，与负责人广泛交流探讨，探索国际合作研究项目，参与人类脑计划。此举使考斯陆博士及美国其他科学家认识到中国的实力和决心，于是考斯陆博士发出专函：“同意中国唐一源、唐孝威和尹岭博士参加始建于2000年的经济合作与发展全球科学论坛神经信息学工作组”。考斯陆博士认为中国专家参加这一活动具有极其重要的意义，这将有助于中国在这一领域的研究与国际发展保持同步，中国的参与将会对全球神经信息学的形成和发展产生重大影响。 考斯陆博士应唐一源教授邀请访问中国，在大连理工大学、解放军301医院、168次香山科学会议分别做了“人类脑计划及其资助机会”的科学报告，引起强烈反响。同时国家自然基金委、科技部等有关部门的领导非常重视和关注人类脑计划与神经信息在国内的发展，分别会见了考斯陆博士并进行了友好协商，支持中国参与全球人类脑计划。在国家科技部、自然基金委、301医院、大连理工大学、浙江大学、中国科学院等单位领导的支持下，经国内本领域科学家的共同努力，2001年9月，中国正式成为参与人类脑计划与神经信息学研究的第20个国家，意味着中国在这一研究领域已经和国际接轨。 凭中国特色加入国际人类脑计划 在国家自然科学基金委和科技部的大力支持下，我国脑科学在基础和临床研究方面取得了不少科研成果，在某些领域达到了国际先进水平。解放军301医院、大连理工大学、浙江大学、中科院等单位积极参与并组织关于中华人类脑计划和神经信息学的工作，在近一年中，先后召开了两次“中华人类脑计划和神经信息学”的专家研讨会，专家们就许多关键的问题进行了深入探讨。今年9月，由国内40余位神经、化学、数学、信息等方面的专家会聚香山，召开了题为“人类脑计划与神经信息学”的第168次香山科学会议，专家们认真讨论了国内外脑研究的状况、我们如何应对国际形势等问题，一个关键性的问题已逐渐明朗———凭中国特色加入国际人类脑计划。 在美国人类脑计划的资助下，美国各相关科研机构已初步汇集和建立了各种神经信息数据库和信息处理工具，并正与超级计算机中心、欧洲联盟等联网合作，建立全球神经信息工作平台，该系统有数据质量控制的标准和规定，也有一系列数据检索、分析、整合、建模等工具。目前人类脑计划开展的国际大合作，使用通用数据库，统一格式、统一标准，将脑的结构和功能、微观和宏观的研究结果联系起来，绘制出健康和疾病状态下脑的功能、结构、神经网络、细胞和分子生物学的“图谱”。成员国的科学家们可以在数据库中进行搜索、比较、分析和整合，并进行数学模拟和仿真计算，这将十分有利于理论假设的形成和研究者之间的电子合作，也可以避免不必要的重复性研究。 我国专家在深入探讨、反复论证后，大家普遍认为，在浩大的人类脑计划中，中国不可能处处涉足，必须发挥自己的长处，利用我们人类脑资源丰富和计算机信息学研究方面的一定优势，在具有中国特色的传统医学（如针刺等）、汉语认知与特殊感知觉的神经信息学研究等领域深入开展工作。将具有中国特色的人类脑计划和神经信息学研究项目加入全球人类脑计划之中，建立中国独特的神经信息平台、电子网络和信息数据库，才能在合作中不受制于人，更好地和国外科学家协作，共享科研成果和国际资源。 开展中国特色的人类脑计划与神经信息学研究，无疑将大大加深人类对大脑的认识和自身的认识。可以预料，像人类基因组计划一样，在国家的支持下，引进新的科研协作和风险投资运行模式，通过国内本领域的专家齐心协力、联合攻关，以开放的新模式吸纳社会资源，从研究、产业等几个方面同时启动，必将会极大推动人类对自身的认识，造福全人类。
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]