学术期刊论文寻找创新点的方法和技巧

创新(论文创新点)的核心要求和类型分类

核心概念

​ 科研过程是一个发现问题并针对问题找到解决方法的过程，而研究型学术期刊论文的书写通常是将这一实际现实活动转化书文章的过程。通常在提交学术期刊论文时，编辑方会要求文章中包括足够的创新点，如果创新点不足可能会得到拒稿或者大修的结果。
$$
创新=发现问题 + 创造解决方法
$$
​ 如何寻找创新点，如何写出创新点，或者直白点说，如何在论文完成的情况下将自己没能想到的创新点补充添加到论文中，成为了我们值得思考的问题。

创新类型和确定投稿期刊等级

​ 我们可以直白的将创新的类型分为四种，并且根据这四种类型来确定我们文章的投稿范围和投稿期刊等级：

创新类型	创新性	目标期刊
1. 新问题+新方法	非常强	Top 级期刊成果
2. 老问题+新方法	针对以往学术界已提出并一直存在的问题，创新性不错	Top 级 / 主流期刊成果
3. 新问题+老方法	使用老方法解决自己新发现的问题，创新性一般	主流期刊成果
4. 老问题+老方法	创新性很弱	垃圾期刊

如何寻找创新点和创新思路

方法Ⅰ. 阅读文献，应用创新

​ 通过对文献的阅读，专业书籍的阅读，掌握当前专业方向解决问题的新老方法，以及存在的新老问题。

采取以下应用的方式二选一：

1. 已经掌握的老方法 →(应用于) 已知新问题 / 自己发现的新问题
2. 新方法 →(应用于) 已知的老问题

同时在文章中还要 验证 方法的有效性 和 结果的合理性

​ 由此组成一篇合格的学术期刊论文

​ 例子：目前比较火 人工智能/机器学习 可以应用于诸多现存的工程老问题

方法 Ⅱ. 改进创新

​ 对现有的 较新/使用较多/较好(Top期刊或者高水平期刊发布的研究成果) 的解决方案提出改进方案（私下里不如说是修改方案，毕竟自己的改进不一定是改进）

​ 其中，倘若是 画蛇添足/大材小用/繁琐化流程但增加了结果准确性或可靠性 的改进也未尝不可

​ 例如这篇文章：An enhanced empirical Fourier decomposition method for bearing fault diagnosis [1]

​ 题目为用于轴承故障诊断的增强型经验傅立叶分解法，内容是使用经验公式对著名的傅里叶分解法进行改进从而用于轴承故障诊断，何尝不是一种修改创新。

再例如：

​ 某个著名的大佬提出了某种响应机制模型理论，将数据套入其提出的模型 F(x,y,z) 后，可以得到 X+Y+Z的相应。基于这个模型理论，我们可以做出以下其中一种改进创新

1. 我们可以针对这个模型进行画蛇添足，改进模型为 F (x,y,z,u) ，模型应用后可以得到相应 X+Y+Z(更准确) 或者 X+Y+Z+U。从而应用于新的场景，或者是原有场景上增加某种响应，或者是某种特殊的应用场景（这个一定是前提）
2. 或者对于某种特定场景的应用，我们不需要这么复杂的模型，我们可能只需要X的响应，这时我们使用大材小用方案，对原有模型进行删减，把多余因子去掉，F(x) → X

方法 Ⅲ. 学术缝合怪

​ 不对单一现有理论/解决方案进行操作，而是采用多个现有的理论/解决方案，缝合起来，做学术裁缝。

​ 对于某一类问题，解决此问题的第一部分我们采用A理论，第二部分采用B理论，第三部分采用C理论…

​ 以此类推，以下是一个例子：

​ Structural damage detection based on variational mode decomposition and kernel PCA-based support vector machine [2]

​ 这篇文章我们在上一篇博客中讲过，

​ 文章提出了一种结合变分模态分解（Variational modal decomposition, VMD）和核主成分分析（KPCA）的新型结构损伤检测方法。该方法旨在克服环境变化的影响，准确地检测结构损伤。提出的新的整个监测识别流程可以概括为以下几个关键步骤：

1. 数据分解：首先，利用变分模态分解（VMD）算法对结构的振动响应数据进行分解，以获得内禀模态函数（IMFs）和时间-频率域的特征。

2. 特征提取：然后，从选定的IMF组件中提取谱质心特征（Spectral Centroid，简称SC），这些特征对应于短时傅立叶变换（STFT）中频谱形状的统计特性，用以构建损伤特征矩阵。选择包含损伤信息的若干IMF组件进行特征提取，以去除冗余（或无关）的特征。

3. 降维处理：接下来，对构建的特征矩阵执行核主成分分析（KPCA），以克服操作和环境变化的影响，从而获得敏感于损伤的指标。

4. 决策制定：利用支持向量机（SVM）作为决策制定工具，比较此方法与现有方法提取损伤特征的有效性。

​ 通过对解决方案过程的观察我们可以发现，这篇文章使用了究极缝合方法，数据分解采用了变分模态分解（VMD）算法模型，特征提取又使用了IMF组件提取著名的短时傅立叶变换（STFT）（小波变换）中频谱形状的统计特性（这里又是一个缝合中的缝合），对于数据归一化处理又使用了特征矩阵执行核主成分分析（KPCA）模型。最后要提出一种验证文章中提出的模型与其他现有解决方法相比有效性孰优孰劣的决策评价机制（这个机制肯定是利于本文章的），这里又缝合了支持向量机（SVM），参数调整的更加优于本模型即可。

方法 Ⅳ. 比较创新

​ 假如我现在大脑完全宕机了，想不出新的问题，新的解决方案，甚至不想缝合其他人现有的理论了，怎么办？这时可以提出一套评价机制，做一个优秀的测评师。

​ 针对目前学术界对某个问题提出的很多理论/方法/模型，放在一起进行比较，针对问题进行比较分析，分析各个方法有哪些优点有哪些缺点，各自的适用场景是什么，什么场景下A方法好，什么场景下B方法好，各个方法针对某几个场景的有效性进行评分，提出某个评分机制，做出表格。另外就是针对各个方法还有哪些潜在的改进方案和未来的发展方向。

方法 Ⅴ. 硬核创新

​ 在对自己本专业本方向积累了足够的研究后，对以往大佬的模型提出过程也有了一定的复现经验后，自己针对某个新问题/老问题提出完全自己的创新方案，自己去推导出一套属于自己的模型，硬核创新是学术积累足够的表现，是由低级学术向高级学术的转变，带给自己的将是巨大的成就感和他人对自己创建的模型/理论的引用和学习。

References

1. Zhu D, Liu G, Wu X, Yin B. An enhanced empirical Fourier decomposition method for bearing fault diagnosis. Structural Health Monitoring. 2023;23(2):903-923. doi:10.1177/14759217231178653.
2. Bisheh HB, Amiri GG. Structural damage detection based on variational mode decomposition and kernel PCA-based support vector machine. Engineering Structures. 2023;278:115565. doi:10.1016/j.engstruct.2022.115565.