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 = {https://kns.cnki.net/KCMS/detail/detail.aspx?filename=2007140621.nh&dbname=CMFD2007&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqM1BLUWdMWjVUaHZNcDE4aHdpZDR0TTRiK01uUT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MDQ0MjhidWRwRkNybFZiek1WMTI3R2JLOEh0Zk9ycEViUElSK2ZuczR5UllhbXoxMVBIYmtxV0EwRnJDVVI3cWY=},
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},
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, ReliefF, Rough set, Wrapper}
}
@phdthesis{__2011,
type = {硕士},
title = {随机森林特征选择},
url = {https://kns.cnki.net/KCMS/detail/detail.aspx?filename=1012275653.nh&dbname=CMFD2012&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqM1BLUWdMWjVUaHZKSjM3L1RjTFlQZy9TSDdvaz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MTE5MzNDcmxWYjNQVkYyNkhMRy9HOWZKckpFYlBJUitmbnM0eVJZYW16MTFQSGJrcVdBMEZyQ1VSN3FmYnVkcEY=},
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 = {https://kns.cnki.net/KCMS/detail/detail.aspx?filename=1020636194.nh&dbname=CMFDTEMP&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqM1BLUWdMWjVUaHZNcDE4aHdpZDR0TTRiK01uUT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MjMwODRSN3FmYnVkcEZDdmdVYjNCVkYyNUhyVzdHTkRGcTVFYlBJUitmbnM0eVJZYW16MTFQSGJrcVdBMEZyQ1U=},
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 = {https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJDAY&filename=ZDZC20200915002&v=MTQ5NzU9UHluUmJiRzRITkhNcG81QVpPc05ZdzlNem1SbjZqNTdUM2ZscVdNMENMTDdSN3FkWitabUZ5N2tVYjdKSWxn},
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-conditioning energy consumption, data mining, decoupling 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 = {https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTODAY&filename=CHKD202009026&v=MjM1NDZZUzdEaDFUM3FUcldNMUZyQ1VSN3FmYnVkb0ZpcmtVYnJKSmlYQWFyRzRITkhNcG85SFlvUjhlWDFMdXg=},
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 = {https://kns.cnki.net/KCMS/detail/detail.aspx?filename=2007140621.nh&dbname=CMFD2007&dbcode=cdmd&uid=WEEvREcwSlJHSldSdmVqMVc3ejRzR1RXUnp3V2JWbXR3eUJVY3ZJVkpBST0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MDAwNDFyQ1VSN3FmYnVkb0ZpcmtWcjdBVjEyN0diSzhIdGZPcnBFYlBJUitmbnM0eVJZYW16MTFQSGJrcVdBMEY=},
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},
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, ReliefF, Rough set, Wrapper}
}
Latex引用参考文献和生成参考文献页源代码test.tex，注意源代码必须和测试文档test.bib在同一个文件夹
源代码:test.tex
\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
\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:
\usepackage[%
%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
%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
%style=numeric-comp,%方括号数值压缩形式引用，article类前缀"In:", title有引号
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
对于自带的不同规范的文献显示解释：
