Уважаемые коллеги, доброго времени суток! Представляем вам немецкое научное издание Soft Computing. Журнал имеет второй квартиль, издается в Springer Verlag, его SJR за 2020 г. равен 0,626, пятилетний импакт-фактор - 3,518, печатный ISSN - 1432-7643, электронный - 1433-7479, предметные области - Программное обеспечение, Геометрия и топология, Теоретические компьютерные науки. Вот так выглядит обложка:
Здесь два редактора - Антонио ди Нола, контактные данные - adinola@unisa.it
https://www.researchgate.net/profile/Antonio-Nola
и Рафаэле Черулли - raffaele@unisa.it.
Журнал обеспечивает быстрое распространение важных результатов в области основ, методологий и приложений мягких вычислений. Это способствует интеграции теоретических и практических результатов мягких вычислений как в повседневные, так и в передовые приложения. Он стремится связать идеи и методы мягких вычислений с другими дисциплинами. Мягкие вычисления посвящены системным решениям, основанным на парадигмах мягких вычислений. Издание обеспечивает быстрое распространение важных результатов в области мягких вычислений, слияния исследований в области эволюционных алгоритмов, генетического программирования, интеллекта роя, нейробиологии, систем нейронных сетей, теории нечетких множеств, нечетких систем, байесовских сетей, теории хаоса, хаотических систем. Связывая идеи и методы мягких вычислений с другими дисциплинами, журнал служит объединяющей платформой, которая способствует сравнениям, расширениям и новым приложениям. В результате журнал является международным форумом для всех ученых, занимающихся исследованиями и разработками в данной быстро развивающейся области.
Адрес издания - https://www.springer.com/journal/500
Пример статьи, название - Prototype generation in the string space via approximate median for data reduction in nearest neighbor classification. Заголовок (Abstract) - The k-nearest neighbor (kNN) rule is one of the best-known distance-based classifiers, and is usually associated with high performance and versatility as it requires only the definition of a dissimilarity measure. Nevertheless, kNN is also coupled with low-efficiency levels since, for each new query, the algorithm must carry out an exhaustive search of the training data, and this drawback is much more relevant when considering complex structural representations, such as graphs, trees or strings, owing to the cost of the dissimilarity metrics. This issue has generally been tackled through the use of data reduction (DR) techniques, which reduce the size of the reference set, but the complexity of structural data has historically limited their application in the aforementioned scenarios. A DR algorithm denominated as reduction through homogeneous clusters (RHC) has recently been adapted to string representations but as obtaining the exact median value of a set of string data is known to be computationally difficult, its authors resorted to computing the set-median value. Under the premise that a more exact median value may be beneficial in this context, we, therefore, present a new adaptation of the RHC algorithm for string data, in which an approximate median computation is carried out. The results obtained show significant improvements when compared to those of the set-median version of the algorithm, in terms of both classification performance and reduction rates. Keywords: String Space; Data Reduction; k-Nearest Neighbor; Prototype Generation
