SCI论文公式快捷获取

前言

相信许多做科研的同学对于文献公式如何提取很是抓狂,尤其是做PPT时,直接截取图片,放大了有锯齿,被看出来少不了老师的一顿骂。

大家的第一个思路时通过公式OCR工具。例如:

Mathpix:大名鼎鼎无人不知无人不晓得,贵出天际。

在线LaTeX公式编辑器-编辑器 (latexlive.com):需要登录,限制次数,本质上是用Mathpix接口进行识别的。(用法技巧,贴满整整一页再识别)。

SimpleTex主页——致力于提供先进的公式识别/文档识别解决方案:目前暂时免费,还在进一步打磨,估计会转付费。

Pix2Text (P2T) - Free Mathpix Alternative (breezedeus.com):Breezedeus大佬做的,用神经网络识别,识别不是很准,但能用。

截止至2023年11月,以上这些平台,能用就用,且用且珍惜把。

诚然公式OCR工具好用,但是很多SCI论文给我们提供了很简单的复制公式的方法。因为现在出版社网站上的论文的公式基本是嵌入在网页中(得益于latex的继承了Tex特性)。因此我们很容易可以copy到公式的latex代码。

有了公式的latex代码,我们可以借助Math-Type或者Ax-Math可视化公式,或进行进一步编辑。(这里安利一下Ax-Math,对于latex语法兼容性更高,花两-三杯奶茶的钱也还行吧)

下面分出版社演示一下。

IEEE论文公式获取

以以下这篇IEEE Transactions on Automatic Control 论文为例:

Cloud-Assisted Nonlinear Model Predictive Control for Finite-Duration Tasks

在这里插入图片描述

点击View Source即可获取行间公式。
在这里插入图片描述
在这里插入图片描述

对于行内公式:

  1. 右击行内公式。
  2. 点击Show Math As.
  3. 点击TeX Commands.
  4. 弹出新网页复制。

以上就是IEEE论文公式获取latex公式源代码的方式。

Elsevier论文公式获取

对于Elsevier的论文的话,公式提取的步骤比较繁琐,因为它只提供了Math ML的源码,因此需要进一步转为latex(bb:就不能跟IEEE学学吗?).

所以还是介绍一下啊Math ML转latex网站:

texmath demo (johnmacfarlane.net)

接下来简单介绍步骤:

Event-triggered communication and control of networked systems for multi-agent consensus

以这篇Automatica论文为例:

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

对于行内\行间公式:

  1. 右击公式。
  2. 点击Show Math As.
  3. 点击MathML Code.
  4. 弹出新网页复制。
  5. 复制到texmath demo转换为latex源代码。

以上就是Elsevier论文公式获取latex公式源代码的方式,主要注意的是上述转换可能有一些问题(公式长度的问题比如在某个位置换行被重置了,需要自己调整,不得不再骂一下Elsevier)。

Springer的论文公式获取

与IEEE基本一致:

以下面 Nonlinear Dynamics的论文为例:

Leader tracking control for heterogeneous uncertain nonlinear multi-agent systems via a distributed robust adaptive PID strategy

在这里插入图片描述

不再赘述。

这边讲述一下Springer公式复制的另外有一个技巧,Springer论文并不是直接渲染的,也因此我们点击进网页时蹭公式还没刷新就关闭网页加载的话,就可以展现所有公式的源代码了。(这个难度有点大,建议一次不成功清理一下浏览器缓存什么的)。

在这里插入图片描述

Wiley出版社公式获取

与Elsevier类似。

以International Journal of Robust and Nonlinear Control的文章为例:

Tracking consensus for uncertain nonlinear multi‐agent systems under cloud‐based event‐triggered coordination

在这里插入图片描述

对于行内\行间公式:

  1. 右击公式。
  2. 点击Show Math As.
  3. 点击MathML Code.
  4. 弹出新网页复制。
  5. 复制到texmath demo转换为latex源代码。

SAGE出版社论文公式获取

与Elsevier类似。

Scaled consensus for multi-agent systems with communication time delays

在这里插入图片描述

对于行内\行间公式:

  1. 右击公式。
  2. 点击Show Math As.
  3. 点击MathML Code.
  4. 弹出新网页复制。
  5. 复制到texmath demo转换为latex源代码。

Taylor & Francis Group出版社论文公式获取

与Elsevier类似。

Full article: Consensus in multi-agent systems subject to input saturation and time-varying delays

在这里插入图片描述

对于行内\行间公式:

  1. 右击公式。
  2. 点击Show Math As.
  3. 点击MathML Code.
  4. 弹出新网页复制。
  5. 复制到texmath demo转换为latex源代码。

要注意的是,MathJax打勾打上,才能右击提取。

在这里插入图片描述s

latex源码转矢量公式

以下述时延不等式为例:

\dot{x}(t) = I_{N} \otimes Ax(t) + cL \otimes BFx(t) + cL \otimes BFe(t).

MathType直接复制粘贴就行。

在这里插入图片描述

AxMath可以直接复制粘贴,也可以复制到代码框进行转换。

在这里插入图片描述

  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
作为AI语言模型,我无法直接为您复现SCI论文,但我可以提供以下有关电力负荷预测的SCI论文及其实现的参考: 1. Li, X., Yang, L., & Zhang, Q. (2017). Short-term load forecasting using extreme learning machine and a hybrid approach. Electric Power Systems Research, 142, 11-20. 该论文采用极限学习机和混合方法进行短期负载预测。极限学习机是一种基于单个隐含层前向反馈神经网络的快速学习算法。混合方法结合了时序分解和回归方法,通过分析负载数据的季节性和趋势性变化来预测负载。 2. Wang, J., Wang, Q., Lu, X., Huang, Z., & Wu, Y. (2016). A new short-term load forecasting method based on extreme learning machine and multi-objective optimization algorithm. Energy, 114, 1141-1149. 该论文提出了一种基于极限学习机和多目标优化算法的新型短期负载预测方法。该方法使用多目标优化算法对模型进行调优,并采用交叉验证和残差分析来验证模型的预测性能。 3. Chen, J., Hong, T., & Pinson, P. (2018). Probabilistic load forecasting using deep learning feed-forward neural networks. IEEE Transactions on Smart Grid, 9(2), 770-779. 该论文采用深度学习前馈神经网络技术进行随机负载预测。该方法将负载数据看作是随机变量,通过训练神经网络来学习每个随机变量的概率分布,从而实现概率负载预测。 4. Akter, M., & Mahmud, M. A. (2019). Electrical load forecasting using artificial neural network and particle swarm optimization: A comparative study. Alexandria Engineering Journal, 58(3), 997-1006. 该论文对比了采用人工神经网络和粒子群优化的电力负载预测方法。研究表明,采用粒子群优化的方法可以提高预测精度,并降低误差率。 以上是一些常见的电力负荷预测SCI论文及其方法介绍,您可以结合自己的研究方向和需求进行选择和参考。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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