Journal of Intelligent Fuzzy Systems期刊的格式要求

摘要

摘要应该清晰、具有描述性，自说明，并且不超过200字。同时，它应该适合在文摘服务中发布。请在摘要中不要包含参考文献或公式。

关键词：关键词一，关键词二，关键词三，关键词四，关键词五。

1.介绍

本文提供了双栏期刊文章的样式和布局说明。这些说明旨在为在\LaTeX{}中准备印刷就绪和被接受的论文提供指导，并应该仔细阅读。请按照本示例PDF文件中使用的相同样式准备您的论文。不幸的是，IOS Press无法提供有关模板的技术支持。这些说明还包含手动编辑所需的信息。作者应该意识到，一旦接受的论文提交到期刊发表，印刷版和在线版本将几乎与提交发表的论文相同，除了分页、卷号和版权年份的信息。

稿件必须用英语撰写。英语非母语的作者建议在提交手稿之前尽可能寻求以英语为母语的人的建议。手稿中的页面不应编号，正文中不应引用页码；如果必要，可以引用章节。请尽量避免过度使用斜体和粗体。

2.论文结构

标题页应提供以下信息：

标题（应清晰、具有描述性，且不宜过长）。
作者姓名（多作者情况下，请始终指明谁是通讯作者）。
完整的单位信息。
作者的现在地址，如果与单位不同。
通讯作者的完整地址，包括电话号码、传真号码和电子邮件地址。
摘要应该清晰、具有描述性，自说明，并且不超过200字。同时，它应该适合在文摘服务中发布。
高达五个关键词。

避免使用第一人称（例如“I”、“we”、“their”、“possessives”等），最好使用被动语态或其他方式表达。这个建议同样适用于摘要。研究论文应该按照四个部分的结构进行构建，每个部分可能包括多个小节：

∗ 第一部分是问题描述/定义，以及对现有技术状况的文献综述。
∗ 第二部分是方法论的制定和/或理论的发展（基础、原理和/或方法等）。
∗ 第三部分是原型制作、案例研究或实验；
∗ 第四部分是与相关工作的批判性评估和结论。

调查性论文可以跳过第三部分，但应加倍第二部分，并详细说明第一部分和第四部分。应用性论文可能轻微涉及第二部分，但应详细阐述第三部分，第一部分和第四部分与研究论文相似。在任何文章中，不必在每个（子）部分的开头（或末尾）都有一个安排性的声明。相反，在引言部分的末尾可以进行一个关于整篇论文的总体安排性陈述。

3.排版风格和布局

3.1.版面设置

iosart2c.cls文档类已经设计为从您的LATEX输入中生成正确的布局。请作者们严格遵循这些建议。提供的类文件iosart2c不能被更改。文本输出区域自动设置在水平16.2厘米、垂直21.5厘米的区域内。请不要使用任何影响文档布局或格式的LATEX或TEX命令（例如诸如\textheight、\textwidth等的命令）。

3.2.字体

正文（正文）的字体类型为10号Times New Roman。不需要编码普通文本（罗马文本）。对于文字，请使用\texttt{}（打字机字体）或\textsf{}（无衬线字体）。强调应使用\emph{}（斜体）或\textbf{}（粗体）。

3.3.总体布局

在整个文档中使用单行（1.0）行间距。对于论文正文，使用标准的LATEX“article”类的命令。只有在您的包与iosart2c.cls之间没有冲突的情况下，才能添加包或声明新的LATEX函数。在可能的情况下始终使用\label，并使用\ref 进行交叉引用。如果有必要调整文章的布局，应只在使用“onecolumn”类选项时进行：\documentclass[onecolumn]{iosart2c}。使用类选项“crcready”以删除文章中的页码。

3.4.标题页

使用句首大小写格式（sentence case）书写标题。
在\title、\author 和\address 命令中使用\thanks{}命令来添加脚注。不要将作者姓氏大写。在最后一个作者名之前添加“and”。在最后一个关键词之后不要添加句号。

3.5.（子）节标题

使用标准的LATEX标题命令：\section、\subsection、\subsubsection、\paragraph。标题将自动编号。

3.6.脚注和尾注

仅在绝对必要的情况下使用脚注。在大多数情况下，可以将信息合并到文本中。如果使用脚注，应尽量保持简短。脚注将自动编号。如果脚注占用的空间超过类型区域的大约10%，将它们列为尾注，位于参考文献之前。文本中的脚注应使用\footnote{文本}命令编码，尾注应使用\endnote{文本}命令编码。使用\theendnotes 命令打印尾注。使用额外的endnotes包（\usepackage{endnotes}）是尾注的必需条件。如果在您的LATEX环境中没有该包，请咨询系统管理员，或从http://www.ctan.org下载。

3.7. 参考文献

参考文献应该在论文末尾（使用thebibliography环境）进行整理。参考文献应按照字母顺序列出，格式应与本说明书末尾的“参考文献”一节一致。使用\cite 命令引用参考文献条目，以确保您积累的列表与正文中的引用相对应。

3.8. 图表

3.8.1. 图表的一般说明

正文应包含对所有图表的引用。在文中引用图表时，请使用“图1”、“图2”等，不要包含章节号，例如“图2.3”等。在引用图表时，请不要使用“下面”或“上面”等词语。不要将图表集中放置在文章末尾，而应将其嵌入到文本中。将图表放置在页面的顶部或底部，靠近首次提到该图表的段落。图表旁边不应有文本环绕。每个图表都应有一个自说明性标题，将图表标题放置在图表下方。使用figure和\caption命令编码的所有图表都将自动编号。在地图和其他需要比例尺的图表上，请使用条形比例尺，而不是1:10,000之类的数字比例尺。

3.8.2. 插图质量

在插图中，仅使用Type I字体进行字母排印。不要使用从互联网上获取的插图。用于屏幕查看的图像分辨率不足以用于期刊印刷版本。如果您正在插入屏幕截图，请记住在复制后文本可能无法辨认（使用屏幕截图工具，而不是PC的Print Screen选项可能有助于提高质量）。最好将图像作为PostScript文件附上，最佳为EPS数据。线条艺术图应具有最低600dpi的分辨率；灰度（包括照片）应具有300dpi（无字母）或500dpi（有字母）的最低分辨率；不要将图表保存为JPEG格式，此格式在过程中可能会丢失信息；不要使用从互联网上获取的图表，其分辨率对于印刷来说太低；如果图表将以黑白方式打印，请不要在图表中使用彩色，因为这会降低印刷质量（请注意，在软件中，默认通常是彩色，因此您应更改设置）；对于将以彩色方式打印的图表，请发送CMYK编码的EPS。

3.8.3. 彩色图表

如果作者支付了彩色图表的复制费用，可以选择以彩色形式打印图表。如果您希望以彩色形式打印图表，请联系 editorial@iospress.nl 获取报价。有关所需文件格式，请参见第??节。

3.9. 表格

正文应包含对所有表格的引用。在文中引用表格时，请使用“表1”、“表2”等，不要包含章节号，例如“表2.3”等。在引用表格时，请不要使用“下面”或“上面”等词语。将表格放置在页面的顶部或底部，靠近首次提到该表格的段落。表格旁边不应有文本环绕。使用LATEX环境table和tabular编码您的表格。每个表格都应有一个简要而自说明的标题，该标题应放在表格上方。**请不要在表格标题的末尾使用句号。*如果表格不能放入一列，可以使用\begin{table} 将其跨越两列，使其出现在页面顶部。所有使用table和\caption编码的表格都将自动编号。列标题应简要但足够解释。应在括号中添加度量单位的标准缩写。不应使用垂直线分隔列，而应在列之间留出一些额外的空间。对于理解表格至关重要的任何说明应在表格底部的脚注中给出。应使用国际单位制（SI单位制），即基于米、千克、秒等的单位。

请以Encapsulated PostScript（.eps）格式包含图形。
表格应呈现为表1所示的形式，它们的布局应保持一致。

3.10. 方程式

不需要输入方程号，因为这将由系统自动处理。方程号始终是连续的，并以括号形式打印，与文本的右侧边缘齐平，并与方程的最后一行水平。对于多行方程，请使用eqnarray环境。在文中引用方程时，请使用Eq.(1)、Eqs.(3)和(5)。

4.调整

4.1. 版面

确认所有文本和插图是否都在版面内，并且版面得到了最大限度的利用。

4.2. 大小写标题和标题中使用句首大写。
4.3. 页码和页眉您不需要包括页码或页眉，这些元素将由出版商添加。

5.提交

论文将以下内容提交给期刊编辑办公室、在线提交表格或主编（适用于期刊的哪个，就提交哪个）：

1. 主要的LATEX文档以及其他所需的文件（eps等）。
2. 同样带有所有字体嵌入的高分辨率PDF文件。首先使用LATEX和DVIPS版本5.56或更高版本生成一个Postscript文件，应注明选项“-M”（不生成字体）。使用Adobe Acrobat Distiller并选择作业选项Press-Optimized。请确保不要提交任何项目的多个版本。

6. 版权

作者提交稿件即表示他们已阅读并同意在www.iospress.nl的“作者专区”中发布的IOS Press作者版权协议的条款。

6.1. 引用

其他出版物从他人的作品中引用或考虑从书籍或期刊文章中复制图表时，作者应确保他/她没有侵犯版权。尽管一般来说，作者可以引用其他已发表的作品，但如果他希望进行实质性的摘录或复制表格、插图或其他图形，则应征得版权持有人的许可。如果版权持有人不是引用或复制材料的作者，则建议还应征得作者的许可。未发表的信函和手稿中的材料也受到保护，除非已获得许可，否则不得发表。提交论文将被解释为作者声明已获得所有必要的许可，任何借用材料必须始终得到适当的承认。

7. 如何订购重印件、PDF文件、期刊或IOS Press图书

对于期刊的投稿，通讯作者有权免费获得1份期刊副本。

作者指导

原网址：
https://www.iospress.com/catalog/journals/journal-of-intelligent-fuzzy-systems?tab=submission-of-manuscripts

提交您的论文

通过编辑经理提交您的论文：www.editorialmanager.com/jifs。

请使用机构电子邮件地址或ORCID登录进行提交。如果期刊无法验证提交作者的身份，则可能会立即拒绝论文。

手稿提交

通过向该期刊提交我的文章，我同意作者版权协议、IOS Press道德政策和IOS Press隐私政策。

出版费

《智能与模糊系统学报》接受发表的所有文章都需支付出版费。作者或其资助方/雇主需支付已接受文章的300欧元/300美元的出版费。为确保对作者的公平一致对待，不会有例外。文章一旦被接受发表，编辑部将与作者联系，有关支付出版费的事宜。

期刊模板

请使用LaTeX（推荐）或Ms Word模板准备您的论文。当使用Ms Word模板且您的手稿包含使用Ms Word内置的Math插件的方程式时，请确保以“.docx”格式保存文档。这将允许方程式以可编辑的格式保存。方程式绝不能保存为不可编辑的图像。请尽量将论文大小限制在JIFS期刊格式的12页内。长度超过20页的论文可能会被自动拒绝。

文章提交

要提交您的论文，请访问文章提交页面。请注意，该期刊不接受使用不明确、匿名电子邮件地址（如yahoo.com、gmail.com、163.com、rediffmail.com等）的作者的投稿。

作者身份信息

作者的姓名应在论文标题页上列出。请在作者的所在机构（部门）、城市（州）、国家下方注明作者的所在机构。如果有的话，作者的16位ORCID也可以在所在机构下方提及。还应明确指出通讯作者的有效机构电子邮件地址。如果无法验证作者身份，论文可能会被自动拒绝。没有作者姓名和所在机构的论文将被拒绝，有关更多信息，请参阅期刊的同行评审政策。

作者贡献

包含在作者列表中的任何作者都应对论文做出重大贡献，任何做出重大贡献的人都不得从作者列表中省略。有关详细信息，请阅读IOS Press作者署名政策。

语言

手稿必须用英语撰写。建议英语非母语的作者在提交手稿之前征求母语为英语的人的建议，如果可能的话。

校样和预印

通讯作者将收到一份PDF校样，并被要求仔细检查（出版商仅进行粗略检查）。然而，请避免进行除印刷错误之外的更正。由于此类更正而产生的费用将由作者支付。

更正后的校样将在创建校样并实施作者更正后不久在期刊的预印模块中在线发布。这不是最终版本。一旦文章被分配到期刊问题，最终的书目信息将被添加，预印文件将被更新的最终版本替换。预印文章通过DOI编号完全可引用。

版权

您的文章的版权

提交手稿的作者应理解并同意IOS Press作者版权协议的条款。

文章分享

期刊文章的作者被允许通过机构知识库、个人网站和预印服务器自存档和分享其作品。作者有权在其他由作者本人撰写的作品中使用其文章的摘录，前提是原作被正确引用。分享文章的同意，全文或部分，取决于共享的文章版本、共享的位置以及文章发表的版权许可。请参阅IOS Press文章分享政策以获取更多信息。

引用其他出版物

作者在引用他人的作品或考虑从书籍或期刊文章中复制图表时，应确保他们不侵犯版权。尽管一般来说，作者可以引用其他已发表的

该期刊发表的论文摘要案例

Boosting generalized zero-shot learning with category-specific filters 2023年出版

Zero-Shot Learning (ZSL) has made significant progress driven by deep learning and is being promoted further with the advent of generative models. Despite the success of these methods, the type and number of unseen categories are nailed in the generative models, which makes it challenging to recognize unseen categories in an incremental manner, and the profits of some superior performance algorithms largely arise from their advanced capability of feature extraction, such as Transformers. This paper rigidly follows the assumptions introduced in conventional ZSL and proposes a visual feature filtering method based on a semantic mapping model, namely, filtering visual features through class-specific filters to effectively remove class-agnostic information. Extensive experiments are conducted on four benchmark datasets and have achieved very competitive performance.

零样本学习（Zero-Shot Learning，ZSL）在深度学习的推动下取得了显著进展，并随着生成模型的出现而进一步推动发展。尽管这些方法取得了成功，但生成模型中已知和未知类别的类型和数量被固定，这使得以增量方式识别未知类别变得具有挑战性。一些性能优越的算法主要受益于其先进的特征提取能力，如Transformer。本文严格遵循传统ZSL中引入的假设，并提出了一种基于语义映射模型的视觉特征过滤方法，即通过类别特定的过滤器对视觉特征进行过滤，以有效去除与类别无关的信息。在四个基准数据集上进行了大量实验证明，取得了非常有竞争力的性能。

Explainable zero-shot learning via attentive graph convolutional network and knowledge graphs 2021年出版
Zero-shot learning (ZSL) which aims to deal with new classes that have never appeared in the training data (i.e., unseen classes) has attracted massive research interests recently. Transferring of deep features learned from training classes (i.e., seen classes) are often used, but most current methods are black-box models without any explanations, especially textual explanations that are more acceptable to not only machine learning specialists but also common people without artificial intelligence expertise. In this paper, we focus on explainable ZSL, and present a knowledge graph (KG) based framework that can explain the transferability of features in ZSL in a human understandable manner. The framework has two modules: an attentive ZSL learner and an explanation generator. The former utilizes an Attentive Graph Convolutional Network (AGCN) to match class knowledge from WordNet with deep features learned from CNNs (i.e., encode inter-class relationship to predict classifiers), in which the features of unseen classes are transferred from seen classes to predict the samples of unseen classes, with impressive (important) seen classes detected, while the latter generates human understandable explanations for the transferability of features with class knowledge that are enriched by external KGs, including a domain-specific Attribute Graph and DBpedia. We evaluate our method on two benchmarks of animal recognition. Augmented by class knowledge from KGs, our framework generates promising explanations for the transferability of features, and at the same time improves the recognition accuracy.