如何快速熟悉论文研究对象

作为一个工科生，在全国人民抗击病毒宅在家里的这段时期迎来自己最长的一个寒假。但是，学习科研不能因为寒假过长而落下，现在结合目前在看的一篇论文，给广大在读（ke)学(yan)生(gou)分享一下快速看完一篇英文论文的方法～

-上海交大研一在读，一作EI论文1篇已录用 -研究方向为复杂装备的状态检测、可靠性

在阅读一篇论文时，首先要搞清楚英文论文的 结构 ，主要分为以下部分： - Abstract 论文摘要。摘要部分出现在论文的最前面，因此也最为重要，需要重点阅读。

- Introduction 介绍。介绍论文研究的背景、研究对象等信息，对不熟悉背景的同学有引导的作用。有时还包括研究方法论的系统介绍。

- Methodology 方法论。主要介绍研究采用的算法（研究方法）的原理、创新点。

- Experiment & Result 实验和结果展示。这部分结合研究方法进行实验（计算机实验、力学实验等等），对实验数据、结果进行展示分析，通常以图表的形式呈现。

- Conclusion 结论。通过对实验结果的分析，对全文的结论进行总结和强调。

- Reference 参考文献。一般来说参考文献可以不看。但在判断论文质量的时候可以起到作用，参考文献越多，文献越权威，可以判断该论文的质量越好（当然期刊级别也可以判断，所以尽量不要看水刊哦）

对于阅读一篇英文论文的顺序，不同的同学会有不同的喜好。从个人的角度来说，我的顺序通常时 Abstract ->（ Introduction ）-> Conclusion -> Experiment & Result -> Methodology 采用这样的顺序原因如下： -摘要部分展示了最主要的背景和结论，应该重点阅读，当发现摘要展示的内容和我们的期望/研究对象不相符，可以直接跳过该论文。

-对研究背景了解可以直接跳过 Introduction 部分，该部分主要是结合研究背景来强调研究的重要性（每个研究者当然都会说自己的研究重要）。当然不熟悉研究背景还是可以看一看～

-结论部分重申了重要的结论和重要的实验结果，对于这些结论，我们会感到好奇，究竟是怎么得到的？如果论文得出的都是我们不感兴趣的（与我们的研究对象不相关）的结论，可以直接跳过该论文。

-在结论部分我们发现了令我们感兴趣的结论，于是我们可以回到实验和结果展示部分，仔细研究实验和结果展示的图、表。作者为什么要绘制这些图表？作者通过怎样的实验得到了这些图和表？

-最后阅读方法论部分。对于我而言，这样可以省去被数学公式、物理原理难住的时间。如果确定论文的方法可行，适合自己的研究，再弄懂这一部分。此时最好再借助一些博客和工具书，详细理解公式的推导过程。

总的来说就是： 1.通读摘要、（背景介绍）、结论，确认是否为自己感兴趣（相关）的方向、方法。 2.阅读实验和结果展示部分，了解实验是如何进行的，数据进行了怎样的处理和分析。 3.确定论文研究方法可借鉴，再阅读方法论，彻底理解方法论的公式推导。如果并不想采用论文的研究方法，这一部分的阅读也可省去。

现在以目前正读的一篇会议论文 Wind Turbine Structural Health Monitoring: A Short Investigation Based on SCADA Data 来简单介绍一下这个过程。

可以看出，斜体部分是介绍整篇论文的背景。（另外，如果有同学摘要阅读困难的话建议谷歌翻译哦）介绍了海上风场的日益增长，然而海上风场的运维费用昂贵，因此，海上风机的状态监测具有重要性。粗体部分介绍的是论文采用的方法：首先用机器学习方法绘制出每个风机的功率曲线，再用其他风机的功率值去预测某个风机的功率值，并且对比了 神经网络和高斯过程 两种方法。

由于摘要中的背景比较详细了，我们可以直接跳过 Introduction 部分直接看 Conclusion 。

结论部分是对摘要部分未说明完全的部分更详细的补充。斜体进一步扩充了摘要的内容：采用了 神经网络和高斯过程 对48个风机进行了功率曲线建模，接着采用每个风机的模型对其他风机的功率进行预测，得到了均方误差（MSE errors）的混淆矩阵（confusion matrix）。粗体部分详细分析了结果：所有的模型很稳健，最高的均方误差为4.8291，接着分析了最高均方根误差产生的原因（采用风机4的模型预测风机3）。强调了产生的混淆矩阵可以作为风机异常状态监测的基线值，可以结合控制图来监测整个风场的运行状态。最后的斜体字强调了一下未来可能的研究工作。

通过结论，我们大概知道了论文的研究方法。接着可以去看论文的实验和结果展示部分。

从结论我们看出，最重要的结果是 神经网络和高斯过程 均方误差的混淆矩阵，所以这里只找这两个图就好；果不其然，在文章的正中间找到了。

我们再来看看作者给出对应的分析(神经网络）：

和结论部分类似，说明了模型稳健，最大的均方误差在5左右，发生在位于风场最外排的风机3和风机4之间。

这里说明了当风机未正常工作时，MSE的值非常高。混淆矩阵图展示了一个风机正常工作的潜在阈值，可以用来进行单个风机或整个风场的状态监测。

这部分可以说就是论文结论部分的拓展。

当看完这些之后，我们再思考，这个方法/实验可以用到我们的问题中去吗？如何实现？这时就可以进一步结合其他的参考资料了解一下神经网络回归、高斯过程回归、MSE的计算和混淆矩阵的生成这些问题啦！

到此，一篇论文读完。

参考文献 Papatheou E, Dervilis N, Maguire E, et al. Wind turbine structural health monitoring: a short investigation based on SCADA data[C]. 2014. 原文链接

这篇文章如果对你有帮助的话请点个赞哦～