中国教育图书进出口有限公司

Neural Computing and Applications

I S S N：0941-0643

出版社：Springer Nature

2023 年

第 35 卷 36 期

第 35 卷 35 期

第 35 卷 34 期

第 35 卷 33 期

第 35 卷 32 期

第 35 卷 30 期

第 35 卷 29 期

第 35 卷 28 期

第 35 卷 27 期

第 35 卷 26 期

第 35 卷 25 期

第 35 卷 24 期

第 35 卷 23 期

第 35 卷 22 期

第 35 卷 21 期

第 35 卷 20 期

第 35 卷 19 期

第 35 卷 18 期

第 35 卷 17 期

第 35 卷 16 期

第 35 卷 15 期

第 35 卷 14 期

第 35 卷 13 期

第 35 卷 11 期

第 35 卷 10 期

第 35 卷 9 期

第 35 卷 8 期

第 35 卷 7 期

第 35 卷 6 期

第 35 卷 5 期

第 35 卷 4 期

第 35 卷 3 期

第 35 卷 2 期

第 35 卷 1 期

2022 年

第 34 卷 24 期

第 34 卷 23 期

第 34 卷 22 期

第 34 卷 21 期

第 34 卷 20 期

第 34 卷 19 期

第 34 卷 18 期

第 34 卷 17 期

第 34 卷 16 期

第 34 卷 15 期

第 34 卷 14 期

第 34 卷 13 期

第 34 卷 12 期

第 34 卷 11 期

第 34 卷 10 期

第 34 卷 9 期

第 34 卷 8 期

第 34 卷 7 期

第 34 卷 6 期

第 34 卷 5 期

第 34 卷 4 期

第 34 卷 3 期

第 34 卷 2 期

第 34 卷 1 期

2021 年

第 33 卷 24 期

第 33 卷 23 期

第 33 卷 22 期

第 33 卷 21 期

第 33 卷 20 期

第 33 卷 19 期

第 33 卷 18 期

第 33 卷 17 期

第 33 卷 16 期

第 33 卷 15 期

第 33 卷 14 期

第 33 卷 13 期

第 33 卷 12 期

第 33 卷 11 期

第 33 卷 10 期

第 33 卷 9 期

第 33 卷 8 期

第 33 卷 7 期

第 33 卷 6 期

第 33 卷 5 期

第 33 卷 4 期

第 33 卷 3 期

第 33 卷 2 期

第 33 卷 1 期

2020 年

第 32 卷 24 期

第 32 卷 23 期

第 32 卷 22 期

第 32 卷 21 期

第 32 卷 20 期

第 32 卷 19 期

第 32 卷 18 期

第 32 卷 17 期

第 32 卷 16 期

第 32 卷 15 期

第 32 卷 14 期

第 32 卷 13 期

第 32 卷 12 期

第 32 卷 11 期

第 32 卷 10 期

第 32 卷 9 期

第 32 卷 8 期

第 32 卷 7 期

第 32 卷 6 期

第 32 卷 5 期

第 32 卷 4 期

第 32 卷 3 期

第 32 卷 2 期

第 32 卷 1 期

2019 年

第 31 卷 2 Supplement 期

第 31 卷 S2 期

第 31 卷 S1 期

第 31 卷 12 期

第 31 卷 11 期

第 31 卷 10 期

第 31 卷 9 期

第 31 卷 8 期

第 31 卷 7 期

第 31 卷 6 期

第 31 卷 5 期

第 31 卷 4 期

第 31 卷 3 期

第 31 卷 2 期

第 31 卷 1 期

2018 年

第 30 卷 12 期

第 30 卷 11 期

第 30 卷 10 期

第 30 卷 9 期

第 30 卷 8 期

第 30 卷 7 期

第 30 卷 6 期

第 30 卷 5 期

第 30 卷 4 期

第 30 卷 3 期

第 30 卷 2 期

第 30 卷 1 期

第 29 卷 12 期

第 29 卷 11 期

第 29 卷 10 期

第 29 卷 9 期

第 29 卷 8 期

第 29 卷 7 期

第 29 卷 6 期

第 29 卷 5 期

第 29 卷 4 期

第 29 卷 3 期

第 29 卷 2 期

第 29 卷 1 期

2017 年

第 28 卷 S1 期

第 28 卷 12 期

第 28 卷 11 期

第 28 卷 10 期

第 28 卷 9 期

第 28 卷 8 期

第 28 卷 7 期

第 28 卷 6 期

第 28 卷 5 期

第 28 卷 4 期

第 28 卷 3 期

第 28 卷 2 期

第 28 卷 1 期

2016 年

第 27 卷 8 期

第 27 卷 7 期

第 27 卷 6 期

第 27 卷 5 期

第 27 卷 4 期

第 27 卷 3 期

第 27 卷 2 期

第 27 卷 1 期

2015 年

第 26 卷 8 期

第 26 卷 7 期

第 26 卷 6 期

第 26 卷 5 期

第 26 卷 4 期

第 26 卷 3 期

第 26 卷 2 期

第 26 卷 1 期

2014 年

第 25 卷 7-8 期

第 25 卷 6 期

第 25 卷 5 期

第 25 卷 3-4 期

第 25 卷 2 期

第 25 卷 1 期

第 24 卷 7-8 期

第 24 卷 6 期

第 24 卷 5 期

第 24 卷 3-4 期

第 24 卷 2 期

第 24 卷 1 期

2013 年

第 23 卷 S1 期

第 23 卷 7-8 期

第 23 卷 6 期

第 23 卷 5 期

第 23 卷 3-4 期

第 23 卷 2 期

第 23 卷 1 期

第 22 卷 S1 期

第 22 卷 7-8 期

第 22 卷 6 期

第 22 卷 5 期

第 22 卷 3-4 期

第 22 卷 2 期

第 22 卷 1 期

2012 年

第 21 卷 S1 期

第 21 卷 8 期

第 21 卷 7 期

第 21 卷 6 期

第 21 卷 5 期

第 21 卷 4 期

第 21 卷 3 期

第 21 卷 2 期

第 21 卷 1 期

2011 年

第 20 卷 8 期

第 20 卷 7 期

第 20 卷 6 期

第 20 卷 5 期

第 20 卷 4 期

第 20 卷 3 期

第 20 卷 2 期

第 20 卷 1 期

2010 年

第 19 卷 8 期

第 19 卷 7 期

第 19 卷 6 期

第 19 卷 5 期

第 19 卷 4 期

第 19 卷 3 期

第 19 卷 2 期

第 19 卷 1 期

2009 年

第 18 卷 8 期

第 18 卷 7 期

第 18 卷 6 期

第 18 卷 5 期

第 18 卷 4 期

第 18 卷 3 期

第 18 卷 2 期

第 18 卷 1 期

2008 年

第 17 卷 5-6 期

第 17 卷 4 期

第 17 卷 3 期

第 17 卷 2 期

第 17 卷 1 期

2007 年

第 17 卷 1 期

第 16 卷 6 期

第 16 卷 4-5 期

第 16 卷 3 期

第 16 卷 2 期

2006 年

第 16 卷 1 期

第 15 卷 3-4 期

第 15 卷 2 期

第 15 卷 1 期

2005 年

第 14 卷 4 期

第 14 卷 3 期

第 14 卷 2 期

第 14 卷 1 期

2004 年

第 13 卷 4 期

第 13 卷 3 期

第 13 卷 2 期

第 13 卷 1 期

2003 年

第 12 卷 3-4 期

第 12 卷 2 期

第 12 卷 1 期

第 11 卷 3-4 期

2002 年

第 11 卷 2 期

第 11 卷 1 期

第 10 卷 4 期

2001 年

第 10 卷 3 期

第 10 卷 2 期

第 10 卷 1 期

2000 年

第 9 卷 4 期

第 9 卷 3 期

第 9 卷 2 期

第 9 卷 1 期

1999 年

第 8 卷 4 期

第 8 卷 3 期

第 8 卷 2 期

第 8 卷 1 期

1998 年

第 7 卷 4 期

第 7 卷 3 期

第 7 卷 2 期

第 7 卷 1 期

1997 年

第 6 卷 4 期

第 6 卷 3 期

第 6 卷 2 期

第 6 卷 1 期

第 5 卷 4 期

第 5 卷 3 期

第 5 卷 2 期

第 5 卷 1 期

1996 年

第 4 卷 4 期

第 4 卷 3 期

第 4 卷 2 期

第 4 卷 1 期

1995 年

第 3 卷 4 期

第 3 卷 3 期

第 3 卷 2 期

第 3 卷 1 期

1994 年

第 2 卷 4 期

第 2 卷 3 期

第 2 卷 2 期

第 2 卷 1 期

1993 年

第 1 卷 4 期

第 1 卷 3 期

第 1 卷 2 期

第 1 卷 1 期

[期刊论文]

[S.I.: Evolutionary Computation based Methods and Applications for Data Processing]

Enterprise innovation evaluation method based on swarm optimization algorithm and artificial neural network

DO I：10.1007/s00521-023-08317-2

作者：Qiansha Zhang;Xiaoxia Zeng;Wei Lo;等

页码：25143 - 25156

全文购买

[期刊论文]

[Editorial]

Special issue on neural computing and applications in cyber intelligence: ATCI 2022

DO I：10.1007/s00521-023-09101-y

作者：Yuwei Yan;Jemal Abawajy;

页码：24563 - 24564

全文购买

[期刊论文]

[Editorial]

Special issue on evolutionary computation-based methods and applications for data processing

DO I：10.1007/s00521-023-09104-9

作者：Weidong Liu;A. G. Sreedevi;

页码：24959 - 24960

全文购买

[期刊论文]

[Review]

The use of generative adversarial networks in medical image augmentation

DO I：10.1007/s00521-023-09100-z

作者：Ahmed Makhlouf;Marina Maayah;Nada Abughanam;等

页码：24055 - 24068

全文购买

[期刊论文]

[Editorial]

Deep neuro-fuzzy analytics for intelligent big data processing in smart ecosystems

DO I：10.1007/s00521-023-09102-x

作者：Gagangeet Singh Aujla;Anish Jindal;Danda B. Rawat;等

页码：23667 - 23669

全文购买

[期刊论文]

[Review]

Deep learning-based collaborative filtering recommender systems: a comprehensive and systematic review

DO I：10.1007/s00521-023-08958-3

作者：Atena Torkashvand;Seyed Mahdi Jameii;Akram Reza;

页码：24783 - 24827

全文购买

[期刊论文]

[Review]

A novel deep transfer learning framework with adversarial domain adaptation: application to financial time-series forecasting

DO I：10.1007/s00521-023-09047-1

作者：Dabin Zhang;Ruibin Lin;Tingting Wei;等

页码：24037 - 24054

全文购买

[期刊论文]

[Original Article]

Geometric-driven structure recovery from a single omnidirectional image based on planar depth map learning

DO I：10.1007/s00521-023-09025-7

作者：Ming Meng;Likai Xiao;Zhong Zhou;

页码：24407 - 24433

全文购买

[期刊论文]

[Original Article]

SAMLink: a mobility signature augmentation model for trajectory-user linking

DO I：10.1007/s00521-023-09049-z

作者：Chao-Xiong Chen;Wanyi Zhang;Bo Yu;等

页码：24473 - 24491

全文购买

[期刊论文]

[Original Article]

An adaptively weighted loss-enabled lightweight teacher–student model for real-time railroad inspection on edge devices

DO I：10.1007/s00521-023-09038-2

作者：Yi Wang;Jiawei Guo;Sen Zhang;等

页码：24455 - 24472

全文购买