关于认知通信和网络的 Ieee Transactions
关于认知通信和网络的 Ieee Transactions杂志简介
- 出版商：IEEE
- 出版语言：English
- TOP期刊：是
- 出版地区：UNITED STATES
- 是否预警：否
- 是否OA：未开放
- 出版周期：4 issues/year
- 出版年份：2015
- 中文名称：关于认知通信和网络的 Ieee Transactions
- 是否OA：未开放
关于认知通信和网络的 Ieee Transactions（国际简称IEEE T COGN COMMUN，英文名称Ieee Transactions On Cognitive Communications And Networking）是一本未开放获取（OA）国际期刊，自2015年创刊以来，始终站在计算机科学研究的前沿。该期刊致力于发表在计算机科学领域各个方面达到最高科学标准和具有重要性的研究成果。全面反映该学科的发展趋势，为计算机科学事业的进步提供了有力的支撑。期刊严格遵循职业道德标准，对于任何形式的抄袭行为，无论是文字还是图形，一旦查实，均可能导致稿件被拒绝。
近年来，来自USA、CHINA MAINLAND、India、England、Canada、Finland、Australia、Italy、France、GERMANY (FED REP GER)等国家和地区的研究者在《Ieee Transactions On Cognitive Communications And Networking》上发表了大量的高质量文章。该期刊内容丰富，包括原创研究、综述文章、专题观点、论文预览、专家意见等多种类型，旨在为全球该领域研究者提供广泛的学术交流平台和灵感来源。
在过去几年中，该期刊保持了稳定的发文量和综述量，具体数据如下：
2014年：发表文章0篇、2015年：发表文章0篇、2016年：发表文章0篇、2017年：发表文章0篇、2018年：发表文章0篇、2019年：发表文章92篇、2020年：发表文章106篇、2021年：发表文章105篇、2022年：发表文章135篇、2023年：发表文章121篇。这些数据反映了期刊在全球计算机科学领域的影响力和活跃度，同时也展示了其作为学术界和工业界研究人员首选资源的地位。《Ieee Transactions On Cognitive Communications And Networking》将继续致力于推动计算机科学领域的知识传播和科学进步，为全球计算机科学问题的解决贡献力量。
期刊指数
- 影响因子：7.4
- 文章自引率：0.0697...
- Gold OA文章占比：7.48%
- CiteScore：15.5
- 年发文量：121
- 开源占比：0.1012
- SJR指数：3.371
- SNIP指数：2.211
- 出版国人文章占比：0.17
WOS期刊SCI分区（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：TELECOMMUNICATIONS | SCIE | Q1 | 11 / 119 |
91.2% |
| 按JCI指标学科分区 | 收录子集 | 分区 | 排名 | 百分位 |
| 学科：TELECOMMUNICATIONS | SCIE | Q1 | 11 / 119 |
91.18% |
中科院分区表
中科院SCI期刊分区 2023年12月升级版
| Top期刊 | 综述期刊 | 大类学科 | 小类学科 |
| 否 | 否 | 计算机科学 1区 |
TELECOMMUNICATIONS
电信学
1区
|
CiteScore（2024年最新版）
CiteScore 排名
| CiteScore | SJR | SNIP | CiteScore 排名 | ||||||||||||||||
| 15.5 | 3.371 | 2.211 |
|
学术指标分析
影响因子和CiteScore
自引率
影响因子：指某一期刊的文章在特定年份或时期被引用的频率，是衡量学术期刊影响力的一个重要指标。影响因子越高，代表着期刊的影响力越大 。
CiteScore：该值越高，代表该期刊的论文受到更多其他学者的引用，因此该期刊的影响力也越高。
自引率：是衡量期刊质量和影响力的重要指标之一。通过计算期刊被自身引用的次数与总被引次数的比例，可以反映期刊对于自身研究内容的重视程度以及内部引用的情况。
年发文量：是衡量期刊活跃度和研究产出能力的重要指标，年发文量较多的期刊可能拥有更广泛的读者群体和更高的学术声誉，从而吸引更多的优质稿件。
期刊互引关系
| 序号 | 引用他刊情况 | 引用次数 |
| 1 | IEEE T WIREL COMMUN | 209 |
| 2 | IEEE T VEH TECHNOL | 151 |
| 3 | IEEE J SEL AREA COMM | 145 |
| 4 | IEEE T COMMUN | 123 |
| 5 | IEEE COMMUN MAG | 102 |
| 6 | IEEE COMMUN SURV TUT | 84 |
| 7 | IEEE COMMUN LETT | 77 |
| 8 | IEEE ACCESS | 73 |
| 9 | IEEE T SIGNAL PROCES | 64 |
| 10 | IEEE T COGN COMMUN | 55 |
| 序号 | 被他刊引用情况 | 引用次数 |
| 1 | IEEE ACCESS | 151 |
| 2 | IEEE T COGN COMMUN | 55 |
| 3 | IEEE INTERNET THINGS | 33 |
| 4 | IEEE T VEH TECHNOL | 31 |
| 5 | IEEE T COMMUN | 24 |
| 6 | IEEE T WIREL COMMUN | 24 |
| 7 | SENSORS-BASEL | 22 |
| 8 | IEEE J SEL AREA COMM | 17 |
| 9 | IEEE COMMUN SURV TUT | 16 |
| 10 | IEEE COMMUN LETT | 15 |
高引用文章
- Deep Learning Models for Wireless Signal Classification With Distributed Low-Cost Spectrum Sensors引用次数：55
- A Very Brief Introduction to Machine Learning With Applications to Communication Systems引用次数：46
- Deep Reinforcement Learning for Dynamic Multichannel Access in Wireless Networks引用次数：42
- Interplay Between NOMA and Other Emerging Technologies: A Survey引用次数：21
- Energy-Efficient Resource Allocation for Energy Harvesting-Based Cognitive Machine-to-Machine Communications引用次数：18
- Deep Joint Source-Channel Coding for Wireless Image Transmission引用次数：15
- Deep Learning for Launching and Mitigating Wireless Jamming Attacks引用次数：14
- On the Application of Blockchains to Spectrum Management引用次数：13
- Deep Reinforcement Learning for Adaptive Caching in Hierarchical Content Delivery Networks引用次数：13
- Deep Reinforcement Learning for Intelligent Internet of Vehicles: An Energy-Efficient Computational Offloading Scheme引用次数：13