Biblatex参考⽂献引⽤
Biblatex参考⽂献引⽤
引⽤参考⽂献
测试⽂档test.bib
@phdthesis{__2006,
type = {硕⼠},
title = {特征选择算法研究},
url = {knski/KCMS/detail/detail.aspx?filename=2007140621.nh&dbname=CMFD2007&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqM1BLU WdMWjVUaHZNcDE4aHdpZDR0TTRiK01uUT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MDQ0MjhidWRwRkNybFZi ek1WMTI3R2JLOEh0Zk9ycEViUElSK2ZuczR5UllhbXoxMVBIYmtxV0EwRnJDVVI3cWY=},
abstract = {特征选择是⽬标识别技术的关键技术环节之⼀。特征选择按照和后续分类算法的结合⽅式可分为嵌⼊式、过滤式和封装式。本⽂主要研究过滤式和封装式特征选择算法。
本⽂⾸先引⽤了M. Dash和H. Liu提出的特征选择框架，这个框架指出⼀个特征选择算法是由“特征⼦集⽣成”、“特征⼦集评价”、“停⽌条件”和“结果验证”四个部分组成的。基于这个框架，本⽂总结归纳了常⽤特征选择算法的搜索策略和评价准则。
过滤式(Filter)特征选择算法的评价准则与分类器⽆关，论⽂研究了两种过滤式算法。第⼀种过滤式算法是ReliefF算法与⼀种基于特征相关性算法的组合式算法。R...},
language = {中⽂;},
urldate = {2020-09-16},
school = {国防科学技术⼤学},
author = {苏, 映雪},农行网上银行
year = {2006},
keywords = {粗糙集, 分类结果矩阵, 封装式, 过滤式, 互补系数, 特征选择, Complementary coefficient, Feature selection, Filter, Recognition result matrix, Reli efF, Rough set, Wrapper}
}
@phdthesis{__2011,
type = {硕⼠},
title = {随机森林特征选择},
url = {knski/KCMS/detail/detail.aspx?filename=1012275653.nh&dbname=CMFD2012&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqM1BLU WdMWjVUaHZKSjM3L1RjTFlQZy9TSDdvaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MTE5MzNDcmxWYjNQVkYy NkhMRy9HOWZKckpFYlBJUitmbnM0eVJZYW16MTFQSGJrcVdBMEZyQ1VSN3FmYnVkcEY=},
abstract = {现如今，数据规模快速增长，使得如何从繁杂⽆序的数据中提取有⽤信息，成为摆在⼤家⾯前的⼀个课题。数据挖掘技术应运⽽⽣，凭借其优越性能已经被⼴泛的应⽤于复杂数据的分析。同时，机器学习技术⽇趋成熟和完善，越来越多的机器学习⽅法被应⽤到数据挖掘问题中。利⽤机器学习中的虑噪、特征选择等技术，可以有效的从⼤量繁杂数据中获取有价值的信息，这可以为后续分析研究打下坚实的基础。随机森林是⼀种优秀的机器学习⽅法，已经被成功的应⽤于许多领域。随机森林不仅可以解决分类问题和回归问题，在特征选择领域已经引起越来越多的关注。本⽂基于随机森林模型，针对其在代谢组学数据分析中的应⽤，进⾏了⼤量的研究。为了克服噪⾳数据...},
language = {中⽂;},
urldate = {2020-09-16},
school = {⼤连理⼯⼤学},
author = {王, 全才},
year = {2011},
keywords = {数据挖掘, 特征选择, 代谢组学, 机器学习, 随机森林, Data Mining, Feature Selection, Machine Learning, Metabolomics, Random Forest}
}
@phdthesis{__2020,
type = {硕⼠},
title = {基于回归树的充分降维⽅法研究},
url = {knski/KCMS/detail/detail.aspx?filename=1020636194.nh&dbname=CMFDTEMP&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqM1BL
UWdMWjVUaHZNcDE4aHdpZDR0TTRiK01uUT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MjMwODRSN3FmYnVkc EZDdmdVYjNCVkYyNUhyVzdHTkRGcTVFYlBJUitmbnM0eVJZYW16MTFQSGJrcVdBMEZyQ1U=},
abstract = {⼤数据时代的到来使⼈们⾯对的数据越来越复杂，充分降维理论对于研究这种复杂数据有着重要的意义。在响应变量多维时，传统的充分降维理论往往会⾯临许多难题。本⽂主要研究基于回归树的充分降维⽅法，在响应变量多维的情况下巧妙地解决了维数灾难的问题。响应变量⼀维时，传统的⽅法通常会采⽤切⽚的⽅法对响应变量进⾏划分。但是随着维数的升⾼，这种切⽚的⽅法会导致切分出的许多切⽚内部没有任何样本点。⽽回归树的⽅法可以对多维空间进⾏划分，叶⼦结点的值正好是空间划分后的均值。基于这⼀思想，本⽂提出了基于回归树的充分降维⽅法。这⾥的回归树模型可以是梯度提升树，随机森林,Xgboost等。对于SIR、SAVE、DR⽅法，本⽂...},
language = {中⽂;},
urldate = {2020-09-16},
school = {华东师范⼤学},
author = {吴, 柏威},
year = {2020},
keywords = {充分降维, 多维响应变量, 回归树, 集成学习, ensemble learning, multivariate responses, regression tree, sufficient dimension reduction}
}
@phdthesis{__2013,
type = {{PhD} {Thesis}},
title = {⽹络⼩说分类与推荐研究},
author = {{李春秋}},
year = {2013}
}
@article{__nodate,
title = {应⽤数据挖掘的⾼校教学建筑空调使⽤及其能耗分析},
issn = {1008-973X},
url = {knski/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJDAY&filename=ZDZC20200915002&v=MTQ5NzU9UHluUmJiRzRITkhNcG 81QVpPc05ZdzlNem1SbjZqNTdUM2ZscVdNMENMTDdSN3FkWitabUZ5N2tVYjdKSWxn},
abstract = {以浙江省某⾼校为研究对象，根据其节能监管平台在2016年11⽉—2019年2⽉的空调实时运⾏数据，利⽤聚类⽅法，全年共得到6种典型空调使⽤模式以及4种空调能耗模式.利⽤基于监督学习的决策树、随机森林算法，对空调使⽤与能耗的关系进⾏解耦，明确不同空调使⽤情况导致的不同能耗⽔平，并使⽤交叉验证的⽅法⽐较多种机器学习算法的精度.分析结果表明：空调使⽤时长均直接影响着⽇空调能耗，且在制冷⼯况下教室规模和空调使⽤强度也对能耗有着明显的影响.研究结果可为⾼校教学建筑的节能管理及其能耗模拟提供⽀持.},
language = {中⽂},
urldate = {2020-09-16},
journal = {浙江⼤学学报(⼯学版)},
author = {李, 鑫悦 and 陈, 淑琴 and 李, 鸿亮 and 楼, 云霄 and 李, 佳鹤},
keywords = {教学建筑, 空调能耗, 空调使⽤⾏为, 能耗影响解耦, 数据挖掘, air-conditioner usage, air-c
onditioning energy consumption, data mining, decoupli ng influences of energy consumption, teaching buildings},
pages = {1--13},
file = {Full Text PDF:files/19/李等。 - 应⽤数据挖掘的⾼校教学建筑空调使⽤及其能耗分析.pdf:application/pdf}
}
@article{__2020-1,
title = {分区策略与机器学习的⼈⼝分布精细化模拟},
volume = {45},
issn = {1009-2307},
url = {knski/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTODAY&filename=CHKD202009026&v=MjM1NDZZUzdEaDFUM3FUcl dNMUZyQ1VSN3FmYnVkb0ZpcmtVYnJKSmlYQWFyRzRITkhNcG85SFlvUjhlWDFMdXg=},
abstract = {针对⼈⼝普查统计中获取精细尺度的⼈⼝分布信息的问题，该⽂以⼴州市中⼼六区为例，利⽤夜间灯光、兴趣点及⼟地利⽤等多源地理信息数据，基于分区建模思想，运⽤机器学习算法开展了⼈⼝分布格⽹模拟研究。结果表明，基于分区策略和机器学习算法的⼈⼝分布模拟结果与实际⼈⼝的相关系数为0.834，拟合优度R{\textasciitilde}2为0.695。与基于不分区的⼈⼝分布格⽹模型相⽐，误差下降明显，模拟精度更⾼，结果与研究区实际情况更为吻合。},
language = {中⽂;},
number = {09},
urldate = {2020-09-16},
journal = {测绘科学},
author = {成, ⽅龙 and 赵, 冠伟},
year = {2020},
keywords = {分区建模, 机器学习, 精细化, ⼈⼝分布, fine-Scale, machine learning, population distribution, zonal modeling},
pages = {165--173},
file = {Full Text PDF:files/21/成和赵 - 2020 - 分区策略与机器学习的⼈⼝分布精细化模拟.pdf:application/pdf}
}
@phdthesis{__2006-1,
type = {硕⼠},
title = {特征选择算法研究},
url = {knski/KCMS/detail/detail.aspx?filename=2007140621.nh&dbname=CMFD2007&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqMVc3ej RzR1RXUnp3V2JWbXR3eUJVY3ZJVkpBST0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MDAwNDFyQ1VSN3FmYnVkb 0ZpcmtWcjdBVjEyN0diSzhIdGZPcnBFYlBJUitmbnM0eVJZYW16MTFQSGJrcVdBMEY=},
abstract = {特征选择是⽬标识别技术的关键技术环节之⼀。特征选择按照和后续分类算法的结合⽅式可分为嵌⼊式、过滤式和封装式。本⽂主要研究过滤式和封装式特征选择算法。
本⽂⾸先引⽤了M. Dash和H. Liu提出的特征选择框架，这个框架指出⼀个特征选择算法是由“特征⼦集⽣成”、“特征⼦集评价”、“停⽌条件”和“结果验证”四个部分组成的。基于这个框架，本⽂总结归纳了常⽤特征选择算法的搜索策略和评价准则。
过滤式(Filter)特征选择算法的评价准则与分类器⽆关，论⽂研究了两种过滤式算法。第⼀种过滤式算法是ReliefF算法与⼀种基于特征相关性算法的组合式算法。R...},
language = {中⽂;},
urldate = {2020-09-16},
school = {国防科学技术⼤学},
author = {苏, 映雪},
keywords = {粗糙集, 分类结果矩阵, 封装式, 过滤式, 互补系数, 特征选择, Complementary coefficient, Feature selection, Filter, Recognition result matrix, Reli efF, Rough set, Wrapper}
}
Latex引⽤参考⽂献和⽣成参考⽂献页源代码，注意源代码必须和测试⽂档test.bib在同⼀个⽂件夹
源代码:
\documentclass[12pt]{article}
\usepackage[UTF8]{ctex} %显⽰中⽂
\usepackage[backend=bibtex,style=authoryear,style=numeric,url=false,natbib=true]{biblatex} %加载包
\addbibresource{test.bib} %加载bib⽂件
\begin{document}
\cite{__2006}
\cite{__2011}
\cite{__2020} %调⽤测试
宠物猫的种类\printbibliography[heading=bibintoc] %显⽰已调⽤⽂献⽬录
\end{document}
实物截图：
引⽤符合规格的参考⽂献
\usebackage的参数解释:
%backend=biber,%⽤biber后端处理bib⽂件, 可选的有bibtex, bibtex8, biber, 默认为biber
%样式⽂件(参考⽂献样式⽂件--bbx⽂件，引⽤样式⽂件--cbx)使⽤latex编写
%⼀般可以下载提供的或标准的.bbx⽂件和.cbx⽂件，放在.tex同⽬录下进⾏引⽤
%⽀持根据本地化排版，如：
% biber -l zh_pinyin texfile 按拼⾳排序
% biber -l zh_stroke texfile 按笔画排序
草原的诗句%style= %引⽤格式和⽂献列表格式，有相对应的.bbx和.cbx⽂件
%style=nature,%⽅括号数值压缩形式引⽤，⽂献列表title⽆引号，article类⽆前缀"In:", "and" ⽤ "&" 代替
%style=science,%圆括号数值压缩形式引⽤，⽂献列表⽆and, title⽆引号, article类⽆前缀
%style=numeric,%⽅括号数值引⽤，article类前缀"In:", title有引号，默认格式
失业保险金有多少%style=numeric-comp,%⽅括号数值压缩形式引⽤，article类前缀"In:", title有引号
韩国米酒style=gb7714-2015,%国标⽂献引⽤格式2015版, 胡振震制作
%style=trad-abbrv,%⽅括号数值引⽤，作者名缩写
%style=trad-abbrv,
%bibstyle=numeric,%⽂献列表形式：数值格式
sorting=nyt,%⽂献列表排序：姓名(n)，年(y)，标题(t)升序，有nty, nyt, nyvt, anyt, anyvt, ynt, ydnt, none, debug, ⾃定义的<name>，其中ydnt是按年份降序，默认nty,
%citestyle=numeric-comp,%引⽤⽂献形式：数值压缩形式，同时开启sortcites=true
%sortcites=true,%引⽤时⾃动排序
%giveninits=true,%缩写作者名，默认为false
maxnames=3,%⾄多显⽰三个作者
minnames=3,%⾄少显⽰三个作者
%abbreviate=true,%缩写Editor之类，默认为true
date=year,%只显⽰年份
%url=true,%显⽰url，默认为true
%doi=true,%显⽰doi，默认为true
isbn=false,%不显⽰isbn/issn/isrn，默认为true
%eprint=true,%对于arxiv⽂章有⽤，默认为true
%subentry=false,%不再细分⼦列a,b之类，默认为false
%hyperref=true,%使⽤超链接，需要配合hyperref宏包才能起作⽤，默认为auto，取决于是否加载hyperref宏包
%不显⽰语⾔
%不显⽰冒号
%backref=true,%反向引⽤，参考⽂献中列出引⽤所在的页码，需要在第四次再编译源⽂件，默认为false
]{biblatex}%⽤biblatex处理参考⽂献
%\renewbibmacro{in:}{\ifentrytype{article}{}{\printtext{\bibstring{in}\intitlepunct}}}%对于article类不显⽰"In:"
\usepackage[%
colorlinks,%彩⾊超链接
linkcolor=blue,%蓝⾊定理定义交叉引⽤等链接
citecolor=blue,%蓝⾊⽂献引⽤链接
urlcolor=OliveGreen,%橄榄绿⾊⽹址链接，颜⾊需要⽤到xcolor宏包，⽤dvipsnames参数
]{hyperref}%使⽤超链接
\usepackage[dvipsnames]{xcolor}%使⽤68种颜⾊
儿童服饰对于⾃带的不同规范的⽂献显⽰解释：
参考资料
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论