Mechanical Systems And Signal Processing
人气:7

Mechanical Systems And Signal Processing SCIE

  • ISSN:0888-3270
  • 出版商:Academic Press Inc.
  • 出版语言:English
  • E-ISSN:1096-1216
  • 出版地区:ENGLAND
  • 是否预警:
  • 创刊时间:1987
  • 出版周期:Bimonthly
  • TOP期刊:
  • 影响因子:7.9
  • 是否OA:未开放
  • CiteScore:14.8
  • H-index:134
  • 研究类文章占比:98.82%
  • Gold OA文章占比:12.48%
  • 文章自引率:0.1309...
  • 开源占比:0.0547
  • OA被引用占比:0.0232...
  • 出版国人文章占比:0.38
  • 国际标准简称:MECH SYST SIGNAL PR
  • 涉及的研究方向:工程技术-工程:机械
  • 中文名称:机械系统和信号处理
  • 预计审稿周期: 约6.7个月 约20.9周
国内分区信息:

大类学科:工程技术  中科院分区  1区

国际分区信息:

JCR学科:ENGINEERING, MECHANICAL  JCR分区  Q1

  • 影响因子:7.9
  • Gold OA文章占比:12.48%
  • OA被引用占比:0.0232...
  • CiteScore:14.8
  • 研究类文章占比:98.82%
  • 开源占比:0.0547
  • 文章自引率:0.1309...
  • 出版国人文章占比:0.38

推荐合适期刊 投稿指导 助力快速见刊

Mechanical Systems And Signal Processing 期刊简介

Mechanical Systems And Signal Processing是工程技术领域的一本权威期刊。由Academic Press Inc.出版社出版。该期刊主要发表工程技术领域的原创性研究成果。创刊于1987年,是工程技术领域中具有代表性的学术刊物。该期刊主要刊载工程技术-工程:机械及其基础研究的前瞻性、原始性、首创性研究成果、科技成就和进展。该期刊不仅收录了该领域的科技成就和进展,更以其深厚的学术积淀和卓越的审稿标准,确保每篇文章都具备高度的学术价值。此外,该刊同时被SCIE数据库收录,并被划分为中科院SCI1区期刊,相当于A级期刊(最高刊物级别),它始终坚持创新,不断专注于发布高度有价值的研究成果,不断推动工程技术领域的进步。

同时,我们注重来稿文章表述的清晰度,以及其与我们的读者群体和研究领域的相关性。为此,我们期待所有投稿的文章能够保持简洁明了、组织有序、表述清晰。该期刊平均审稿速度为平均 约6.7个月 约20.9周。若您对于稿件是否适合该期刊存在疑虑,建议您在提交前主动与期刊主编取得联系,或咨询本站的客服老师。我们的客服老师将根据您的研究内容和方向,为您推荐最为合适的期刊,助力您顺利投稿,实现学术成果的顺利发表。

Mechanical Systems And Signal Processing 期刊国内分区信息

中科院分区 2023年12月升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
工程技术 1区 ENGINEERING, MECHANICAL 工程:机械 1区
中科院分区 2022年12月升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
工程技术 1区 ENGINEERING, MECHANICAL 工程:机械 1区
中科院分区 2021年12月旧的升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
工程技术 1区 ENGINEERING, MECHANICAL 工程:机械 1区
中科院分区 2021年12月基础版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
工程技术 2区 ENGINEERING, MECHANICAL 工程:机械 1区
中科院分区 2021年12月升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
工程技术 1区 ENGINEERING, MECHANICAL 工程:机械 1区
中科院分区 2020年12月旧的升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
工程技术 1区 ENGINEERING, MECHANICAL 工程:机械 1区

Mechanical Systems And Signal Processing 期刊国际分区信息(2023-2024年最新版)

按JIF指标学科分区 收录子集 分区 排名 百分位
学科:ENGINEERING, MECHANICAL SCIE Q1 5 / 180

97.5%

按JCI指标学科分区 收录子集 分区 排名 百分位
学科:ENGINEERING, MECHANICAL SCIE Q1 5 / 180

97.5%

CiteScore指数(2024年最新版)

  • CiteScore:14.8
  • SJR:2.363
  • SNIP:2.819
学科类别 分区 排名 百分位
大类:Engineering 小类:Aerospace Engineering Q1 3 / 153

98%

大类:Engineering 小类:Civil and Structural Engineering Q1 9 / 379

97%

大类:Engineering 小类:Mechanical Engineering Q1 19 / 672

97%

大类:Engineering 小类:Computer Science Applications Q1 41 / 817

95%

大类:Engineering 小类:Signal Processing Q1 8 / 131

94%

大类:Engineering 小类:Control and Systems Engineering Q1 19 / 321

94%

期刊评价数据趋势图

中科院分区趋势图
期刊影响因子和自引率趋势图

发文统计

年发文量统计
年份 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
年发文量 193 308 432 517 589 912 522 1331 1014 932
国家/地区发文量统计
国家/地区 数量
CHINA MAINLAND 1041
USA 241
England 201
Italy 125
France 114
GERMANY (FED REP GER) 92
Australia 91
Belgium 75
Canada 68
Poland 54
机构发文量统计
机构 数量
XI'AN JIAOTONG UNIVERSITY 88
HARBIN INSTITUTE OF TECHNOLOGY 59
NORTHWESTERN POLYTECHNICAL UNIVERSITY 59
NANJING UNIVERSITY OF AERONAUTICS & ASTRONAUTICS 54
UNIVERSITY OF LIVERPOOL 53
BEIHANG UNIVERSITY 52
CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE (CNRS) 51
KU LEUVEN 47
HONG KONG POLYTECHNIC UNIVERSITY 46
SHANGHAI JIAO TONG UNIVERSITY 45

高引用文章

文章名称 引用次数
Deep learning and its applications to machine health monitoring 251
Artificial intelligence for fault diagnosis of rotating machinery: A review 200
Machinery health prognostics: A systematic review from data acquisition to RUL prediction 163
A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load 132
A review on the application of deep learning in system health management 122
Deep normalized convolutional neural network for imbalanced fault classification of machinery and its understanding via visualization 81
An intelligent fault diagnosis approach based on transfer learning from laboratory bearings to locomotive bearings 78
A novel method for intelligent fault diagnosis of rolling bearings using ensemble deep auto-encoders 63
Rolling bearing fault feature learning using improved convolutional deep belief network with compressed sensing 60
A review on data-driven fault severity assessment in rolling bearings 59

免责声明

若用户需要出版服务,请联系出版商:ACADEMIC PRESS LTD- ELSEVIER SCIENCE LTD, 24-28 OVAL RD, LONDON, ENGLAND, NW1 7DX。

友情链接