最近我比较关注学术论文的被引用情况，高被引频次论文除了选题、水平等等因素以外，与摘要的写作也有一定的关系，特别是在网络数据库环境下，如何能够被检索得到，检索到后能够看得懂，看懂后能看出内容，看到内容也要能看出价值，这十分重要。关于论文摘要的写作我讲过很多，平常也是我花费精力较多的地方。今天不想论述，只是将两篇修改前后的论文摘要发出来，大家评价一下。如果有什么建议，我很想听听，以便我以后工作中注意。先谢谢，望不吝赐教！

　　这一篇是计算机领域机器学习方面的论文，我认为：一是通篇具体在方法上，涉及的面很窄，没有应用的背景或者说没有外行看得懂的应用背景（我认为专家是不会读你的文章的，读者是新入门的师弟师妹或者相关学科的人）；二是专业术语和缩写词，读着如同读天书，概念的界定不清，更让人难以理解相互的关系。

　　【作者原来的摘要】

基于ELM优化问题的序列最小化方法

摘要：Huang提出的基于extreme learning method (ELM) 的优化方法[6]的泛化性能好于支持向量机（SVM），并且对参数不太敏感. 针对ELM优化问题，提出了一种新的求解方法：序列最小化优化（sequential minimal optimization，简称SMO）方法. 与SVM的SMO算法每次迭代需求解两个拉格朗日乘子不同，ELM的SMO算法每次迭代只需求解一个拉格朗日乘子，而且根据拉格朗日乘子的选择策略能保证ELM目标函数快速下降. 基于标准数据集的测试结果表明，ELM的SMO算法仅需调节惩罚参数 就可达到比SVM的SMO算法好的泛化性能，而且ELM的SMO算法的训练时间在随机测试中比SVM的SMO算法稳定.

　　这篇文章，我没有动手修改，而是将作者叫来，与作者聊了一下写文章给谁看，如何让外行读懂，让相关的读者感兴趣等等。然后让作者根据我的意思自己修改。结果修改如下，至少，我能够读下去了，你感觉如何？

　　【我指导后修改的】

优化极限学习机的序列最小优化方法

摘要：针对传统二次规划求解方法训练优化极限学习机（OMELM）存在速度慢和效率低的问题，提出了单变量迭代序列最小优化（SSMO）算法. 该算法通过在框式约束中优化拉格朗日乘子来实现目标函数的最小化：首先在初始化拉格朗日乘子中选择使目标函数值最大下降的拉格朗日乘子, 将该拉格朗日乘子作为目标函数的唯一变量；然后求解目标函数的最小值并更新该变量的值；重复这个过程直到所有的拉格朗日乘子都满足二次规划问题的Karush-Kuhn-Tucker（KKT）条件为止. 实验结果表明，SSMO算法只需调节很少的参数值便可得到足够好的泛化性能. 使用SSMO算法求解的OMELM方法在泛化性能上要好于使用序列最小优化（SMO）算法求解的支持向量机（SVM）方法. 在随机数据集测试中SSMO算法具有较好的鲁棒性.

　　下面这篇文章是我刚录用的一篇稿件，下午有时间就没有退回去，我试着补充了一下（声明：我不懂内容，让作者审定去了，若内容表达有误由作者更正）。我只是力图使摘要丰满，体现出“独立短文”的特点，有利于读者全面了解。这更需要大家评鉴！

　　下面是稿件原始的摘要。

　　【原文摘要】结合脉冲函数的使用，本文提出了对边简支三明治加筋板的动态响应力学模型，并利用模态展开法给出了简支边界条件下结构传声损失的计算公式。将理论和模拟结果进行了对比，结果吻合较好，验证了模型的有效性。比较讨论了中间层为空气的简支双板结构和三明治加筋板结构的隔声特性，着重分析了传声损失曲线上关键特征点的物理含义；研究了声波入射角、结构尺寸及层芯加筋板拉伸惯性效应等系统参数对结构整体隔声性能的影响。本文的工作对三明治加筋板结构的隔声应用和优化设计具有理论指导意义。

下面是我修改补充的摘要。

　　【我修改的】针对三明治加筋板声学特性的研究主要集中于无限大结构、很少考虑边界条件的影响的问题，结合脉冲函数的使用，提出了对边简支、层芯为平行加筋的三明治板的动态响应力学模型，利用模态函数法推导了结构的传声损失计算公式。将理论和模拟结果进行了对比，结果验证了模型的有效性，所提提出的计算方法相对于有限元数值方法具有更高的计算效率，能在较宽的频段范围内给出精确的结果，且便于分析结构传声的物理机制和结构参数对传声性能的影响。研究结果表明，简支边界在隔声曲线上引入了结构的共振隔声波谷；加筋板结构中同样存在明显的吻合共振效应；随着入射声波频率的提高，加筋板惯性效应的影响越发明显。

　　摘要如何写，人们有不同的认识，国外的论文有国外的特点，国内也有所谓的四要素：目的、方法手段、结果和结论。但是，我理解，应该以最少的文字，写出文章的创新之处，尽量让读者全面了解文章的精华。今天斗胆，拿出自己的“作品”，真心希望同行，特别是科学家给出具体的指导。谢谢