发布时间：
应该按照会议论文的形式吧，会议论文表示方法为：[序号] 作者.篇名.会议名,会址,开会年: 起止页。
论文中参考文献引用的是国家颁布的文件或纲领政策，要用N字母表示。
根据GB3469- 83《文献类型与文献载体代码》规定，以单字母标识：
M一专 著(含古籍中的史、志论著)。
C一论文集。
N-报纸文章。
J一期刊文章。
D一学位论文。
R-研究报告。
S-标准。
P-专利。
A-专著、 论文集中的析出文献。
Z一其他未说明的文献类型。
电子文献类型以双字母作为标识：
DB一数据库。
CP一计算机程序。
EB- 电子公告。
非纸张型载体电子文献，在参考文献标识中同时标明其载体类型：
DB/OL一联机网上的数据库。
DB/MT一磁带数据库。
M/CD-光 盘图书。
CP/DK一磁 盘软件。
J/OL-网上期刊。
EB/OL一网上电子公告。
参考文献著录格式：
1、期刊作者题名[J]。刊名，出版年，卷(期)：起止页码。
2、专著作者。书名 [M] 。版本(第一-版不著录)。出版地：出版者，出版年：起止页码。
3、 论文集作者题名[C]编者论文集名，出版地：出版者，出版年：起止页码。
4、学位论文作者题名[D] 。保存地点保存单位年份。
5、专利文献题名[P] 。国别。专利文献种类专利号。出版日期。
6、标准编号 。标准名称[S]。
7、报纸作者题名[N] 。报纸名。出版日期(版次)。
8、报告作者题名[R] 。保存地点年份。
9、电子文献作者题名[电子文献及载体类型标识] 。文献出处，日期。
文献引用不符合要求
具体表现有：
（1）所列文献范围过宽，凡所参阅过的均列出其中，如教材、内部刊物、获奖过但并未公开发表的成果报告等。
（2）所列文献过多，如有些医生认为文献越多越好，将参阅过的文章书籍后的参考文献也悉数收录，有些文献作者并没有亲自阅读，只是认为跟自己的文章搭点边，也凑数其后。
（3）所列文献过少，有些医生怕自己文章引述别人东西太多，被人认为抄袭，故意将一些重要参考文献略去
（4）对文献的理解偏面，以为只有引用文献原文才需要列出。
（5）大而不当，将整期刊物甚至连续几期杂志或整张报纸作为参考文献。
工具/原料电脑软件方法/步骤第1步，首先把光标放到我们要插入标注的位置，论文/word中怎么标注参考文献？第2步，打开引用选项，然后在脚注选项卡里找到插入尾注命令，论文/word中怎么标注参考文献？第3步，然后我们观察图片，我们可以发现它默认的是一个小写的字母i不是我们想要的格式，论文/word中怎么标注参考文献？第4步，然后我们再点击脚注和尾注的对话框，在自定义标记里面输入[1],然后点击插入论文/word中怎么标注参考文献？第5步，然后回到word界面，我们可以看到在泰山后面出现了[1]这样的标注，论文/word中怎么标注参考文献？第6步，然后我们拖到页尾可以看到标注后面是空的，我们输入我们需要输入的内容，论文/word中怎么标注参考文献？END注意事项注意标识的格式
参考文献是根据GB/TB7714-2005《文后参考文献著录规则》，适用于“著者和编辑编录的文后参考文献，而不能作为图书馆员、文献目录编辑者以及索引编辑者使用的'文献编著录规则”。参考文献的书写样式不可随意更改，要按照标准仔细地进行排版。参考文献的编写顺序是按照论文中引用文献的顺序进行编排，采用中括号的数字连续编号，依次书写作者、文献名、杂志或书名、卷号或期刊号、出版时间。参考文献的书写首先要明确的一点是，参考文献的全角和半角问题。其实很简单，英文标点+半角；中文标点+全角。可以自己试一下全角和半角的差别在哪，其实就是字符问题，全角字符占两个字节，半角是占一个。另外我们要了解一下关于参考文献都有哪些类型。一共是分为16种类型，如下图所示。其中对于专著、论文集中的析出文献，其文献类型标识建议采用单字母“A”；对于其他未说明的文献类型，建议采用单字母“Z”。我们可以具体的学习一下参考文献格式[序号]期刊作者．题名[J]．刊名．出版年，卷(期)：起止页码.[序号]专著作者．书名[M]．版次(第一版可略)．出版地：出版社，出版年∶起止页码.[序号]论文集作者．题名〔C〕．编者．论文集名．出版地∶出版社，出版年∶起止页码.[序号]学位论文作者．题名〔D〕．保存地点：保存单位，年份.[序号]专利所有者.专利文献题名〔P〕．国别：专利号．发布日期.[序号]标准编号，标准名称〔S〕.出版地：出版者，出版年.[序号]报纸作者．题名〔N〕．报纸名，出版日期(版次).[序号]报告作者．题名〔R〕．报告地：报告会主办单位，年份.[序号]电子文献作者．题名〔电子文献及载体类型标识〕．文献出处，日期.相信这些大家都很清楚怎么用，参考文献的书写也是不可忽略的一部分。其中有几个小点也许一直被同学所忽略，小编这里要提醒一下大家。第一，文献中的英文名字不可进行缩写，一定要写正确的人名称呼。第二中文和英文参考文献书写并不相同。中文的作者一般是“姓+名”；而英文参考文献是采用“姓，名.”的方式。第三，如果引用的中文文献作者有多个，一般是采用前三位作者署名，第三位作者后面添加等字；英文文献则采用，“姓，名，and名姓”的方式进行书写，除第一位以外，都按照正常顺序写。第四，特别需要注意的是注意无意间的空格，尤其是在书写英文的参考文献当中。第五，参考文献要按照论文引用文献顺序依次书写，这样论文的整体比较严谨，也不会混乱。
论文中的参考文献标注方法如下：
工具／原料：Dell游匣G15、win10、Word2016
1、首先打开需要添加需要标注的文献文章，并且选择需要添加文献的段落。
2、随后点击菜单栏里的引用选项。
3、紧接着再点击插入尾注。
4、插入尾注后，可以看到注释用的是“i”，我们可以对它进行更改。
5、然后再点击脚注。
6、随后再点击脚注和尾注下面的倒三角。
7、然后点击编号格式，选择数字形式。
8、点击“应用”，更改后就可以变为数字。
9、然后按Ctrl+H，打开查找和替换菜单。输入替换的内容完成后点击“全部替换”即可。最后标注就已经添加完成了。
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
论文原文：
YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：
每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：
其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）
举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：
在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图：
在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：
解决方法：
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。
然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点：
1、 YOLO检测物体非常快
因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误，产生false positives
不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
尽管YOLO有这些优点，它也有一些缺点：
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。
每篇文章或资料应有一个文献标识码，并且规定了与每种文献标识码相对应的文献中的数据项，即格式。以下是参考文献类型标示符的书写标准和部分示例。 ——[序号]主要责任者．文献题名[M][文献类型标识出版：出版者，出版年.起止页码.专著（个人著作）——[序号]主要责任者.文献题名[M]．版次（第一版略）、出版地：出版者，出版年.起页－止页。专著（集体著作）——[序号]章节责任者．题名．[M]．见（In）：主编．书名．出版地：出版者，出版年.起页－止页。示例：柯斯文．原始文化史纲[M]．北京：人民出版社，1955．28－38． ——[序号]主要责任者．文献题名[J]刊名，年卷，（期）：起页－止页．作者姓名．（姓在前，名在后，名可用缩写（西文））．作者在3名以下全部列出，3名以上列出前3名，后加等（中文）、他（日文）、etal（西文）．[]内为文献标识码。示例：张斌．谈谈句子的信息量[J]．湖南广播电视大学学报，2000，9⑶：1－3． ——[序号]主要责任者．文献题名[N）．报纸名，出版日期（版次），示例：朱华．关于《华岳全集》的一点看法[N]．光明日报，1962－03－06⑻． ——[序号]专利所有者．专利题名[P]．专利国别：专利号，出版日期.示例：姜锡洲．一种温热外敷药制备方案[P]．中国专利：881056073，1989－07－26． ——[序号]析出文献主要责任者．析出文献题名[A]．原文献主要责任者．原文献题名[C]．出版地：出版者，出版年．析出文献起页－止页.示例：别林斯基．论俄国中篇小说如果戈里君的中篇小说[A]．伍蠡甫．西方论文选：下卷[C]．上海；上海译文出版社，1979．377－380. ——[序号]主要责任者．文献题名[Z]．出版地：出版者，出版年.示例：黄华．论思维[Z]．北京：北京大学出版社，1999.
一、书写格式1、文后参考文献的著录规则GB/T7714—2005《文后参考文献著录规则》，适用于“著者和编辑编录的文后参考文献，而不能作为图书馆员、文献目录编制者以及索引编辑者使用的文献著录规则”。2、顺序编码制的具体编排方式。参考文献按照其在正文中出现的先后以阿拉伯数字连续编码，序号置于方括号内。一种文献被反复引用者，在正文中用同一序号标示。一般来说，引用一次的文献的页码（或页码范围）在文后参考文献中列出。格式为著作的“出版年”或期刊的“年，卷（期）”等+“：页码（或页码范围）”。多次引用的文献，每处的页码或页码范围（有的刊物也将能指示引用文献位置的信息视为页码）分别列于每处参考文献的序号标注处，置于方括号后（仅列数字，不加“p”或“页”等前后文字、字符；页码范围中间的连线为半字线）并作上标。作为正文出现的参考文献序号后需加页码或页码范围的，该页码或页码范围也要作上标。作者和编辑需要仔细核对顺序编码制下的参考文献序号，做到序号与其所指示的文献同文后参考文献列表一致。另外，参考文献页码或页码范围也要准确无误。3、参考文献类型及文献类型，根据GB3469-83《文献类型与文献载体代码》规定，以单字母方式标识。二、文献标注类型参考文献类型：专著[M]，论文集[C]，报纸文章[N]，期刊文章[J]，学位论文[D]，报告[R]，标准[S]，专利[P]，论文集中的析出文献[A]电子文献类型：数据库[DB]，计算机[CP]，电子公告[EB]电子文献的载体类型：互联网[OL]，光盘[CD]，磁带[MT]，磁盘[DK]
论文编号是你投稿去后系统生成的号码
知网检测论文，引用的参考文献并不是只有用插入尾注的方法引用参考文献才算引用，如果只是自己一个一个敲的也是算是引用的，只是引用一定得正确，必须符合以下四个标准。
一、参考文献标识一定要正确。
这里提及的参考文献标识是指的论文的最后，由“参考文献”四个字独占一行，你再在下面列出你所引用的各个参考文献的名称等等。记住，每一个参考文献都必须有正确且明显的标识，例如：[XXX]、(XXX)等，这个标识可以电脑生成，也可以自己手工打，但是一定得是正规的，不能有任何的其他标点符号。
二、不能有太长的引用内容。
不管你是不是标出了引用，我们都不能引用太长别人的文章，毕竟引用只是为了佐证自己的观点，如果大段大段地引用的话，不是为了扩充字数，那就只有被判定为“抄袭”了。
三、引用符号使用正确。
我们在论文的中间如果有引用文献，一定记住将引用符号标记上，如果没有引用符号的标记，那么是很有可能被直接标红的，而这种情况可以说是最多的。同时记住，引用的内容最好是在双引号之中，最后使用句号，如果双引号中间也有句号的话也会被标红视为抄袭的哦。
四、不要篡改原文。
在引用参考文献的时候，不要对别人的原话进行删改或者增加，不然也是会被视为抄袭的哦。
扩展资料：
参考文献是在学术研究过程中，对某一著作或论文的整体的参考或借鉴。征引过的文献在注释中已注明，不再出现于文后参考文献中。
按照字面的意思，参考文献是文章或著作等写作过程中参考过的文献。
然而，按照GB/T 7714-2015《信息与文献 参考文献著录规则》”的定义，文后参考文献是指：“为撰写或编辑论文和著作而引用的有关文献信息资源。“
根据《中国学术期刊（光盘版）检索与评价数据规范（试行）》和《中国高等学校社会科学学报编排规范（修订版）》的要求，很多刊物对参考文献和注释作出区分，将注释规定为“对正文中某一内容作进一步解释或补充说明的文字”，列于文末并与参考文献分列或置于当页脚地。
参考资料来源：学术端系统-知网论文检测中如何引用文献才不会被标红？
可以的。查找方法如下步骤所示：步骤一：进入中国知网首页。步骤二：找到自己要写的参考文献，并且勾选。步骤三：再点击上方的“导出/参考文献”，页面跳转成功后，点击“复制到粘贴板”选项。步骤四：最后我们回到自己的Word文档中，按住“ctrl+v”快捷键，或右键粘贴，就可以看到写好了的参考文献。
目前图书引用参考文献主要可以从中国知网或者百度学术引用查询！
第一种 中国知网
登陆知网后，输入你的参考文献，并且在左侧框框里勾选，勾选后点击“导出/参考文献按钮”，即可参考生成的参考文献：继续录入你需要的参考文献，最后批量导出，导出格式有word、text、pdf：
第二种 百度学术遇到外国文献后，中国知网就难以生成参考文献了，这个时候可以使用百度学术来帮忙进入相关文献百度学术页面，点击引用，最上面一栏即为引用内容。当然，百度学术也可以使用批量引用，记得注册登录！
参考文献的要求（随便截取一家高校的要求）
（1）数量要求：参考文献只选择最主要的列入，应不低于8篇。外语论文的参考文献中,外文文献不得少于5篇。文献序号按文中出现先后顺序编排，推荐使用尾注形式自动编排。正文中应按顺序在引用参考文献处的文字右上角用[]标明，[]中序号应与“参考文献”中序号一致。
（2）文献种类：参考文献的引用，可以是著作[M]、期刊[J]、专利文献[P]、学位论文[D]、报纸[N ]、论文集[C]等，不得引用未公开发表的资料。
（3）文献著录格式及示例。参考文献用宋体小四号字，行距1.5 。
毕业论文的写作格式、流程与写作技巧 广义来说，凡属论述科学技术内容的作品，都称作科学著述，如原始论著（论文）、简报、综合报告、进展报告、文献综述、述评、专著、汇编、教科书和科普读物等。但其中只有原始论著及其简报是原始的、主要的、第一性的、涉及到创造发明等知识产权的。其它的当然也很重要，但都是加工的、发展的、为特定应用目的和对象而撰写的。下面仅就论文的撰写谈一些体会。在讨论论文写作时也不准备谈有关稿件撰写的各种规定及细则。主要谈的是论文写作中容易发生的问题和经验，是论文写作道德和书写内容的规范问题。论文写作的要求下面按论文的结构顺序依次叙述。(一)论文——题目科学论文都有题目，不能“无题”。论文题目一般20字左右。题目大小应与内容符合，尽量不设副题，不用第1报、第2报之类。论文题目都用直叙口气，不用惊叹号或问号，也不能将科学论文题目写成广告语或新闻报道用语。(二)论文——署名科学论文应该署真名和真实的工作单位。主要体现责任、成果归属并便于后人追踪研究。严格意义上的论文作者是指对选题、论证、查阅文献、方案设计、建立方法、实验操作、整理资料、归纳总结、撰写成文等全过程负责的人，应该是能解答论文的有关问题者。现在往往把参加工作的人全部列上，那就应该以贡献大小依次排列。论文署名应征得本人同意。学术指导人根据实际情况既可以列为论文作者，也可以一般致谢。行政领导人一般不署名。(三)论文——引言 是论文引人入胜之言，很重要，要写好。一段好的论文引言常能使读者明白你这份工作的发展历程和在这一研究方向中的位置。要写出论文立题依据、基础、背景、研究目的。要复习必要的文献、写明问题的发展。文字要简练。(四)论文——材料和方法 按规定如实写出实验对象、器材、动物和试剂及其规格，写出实验方法、指标、判断标准等，写出实验设计、分组、统计方法等。这些按杂志 对论文投稿规定办即可。(五)论文——实验结果 应高度归纳，精心分析，合乎逻辑地铺述。应该去粗取精，去伪存真，但不能因不符合自己的意图而主观取舍，更不能弄虚作假。只有在技术不熟练或仪器不稳定时期所得的数据、在技术故障或操作错误时所得的数据和不符合实验条件时所得的数据才能废弃不用。而且必须在发现问题当时就在原始记录上注明原因，不能在总结处理时因不合常态而任意剔除。废弃这类数据时应将在同样条件下、同一时期的实验数据一并废弃，不能只废弃不合己意者。实验结果的整理应紧扣主题，删繁就简，有些数据不一定适合于这一篇论文，可留作它用，不要硬行拼凑到一篇论文中。论文行文应尽量采用专业术语。能用表的不要用图，可以不用图表的最好不要用图表，以免多占篇幅，增加排版困难。文、表、图互不重复。实验中的偶然现象和意外变故等特殊情况应作必要的交代，不要随意丢弃。(六)论文——讨论 是论文中比较重要，也是比较难写的一部分。应统观全局，抓住主要的有争议问题，从感性认识提高到理性认识进行论说。要对实验结果作出分析、推理，而不要重复叙述实验结果。应着重对国内外相关文献中的结果与观点作出讨论，表明自己的观点，尤其不应回避相对立的观点。 论文的讨论中可以提出假设，提出本题的发展设想，但分寸应该恰当，不能写成“科幻”或“畅想”。(七)论文——结语或结论 论文的结语应写出明确可靠的结果，写出确凿的结论。论文的文字应简洁，可逐条写出。不要用“小结”之类含糊其辞的词。(八)论文——参考义献 这是论文中很重要、也是存在问题较多的一部分。列出论文参考文献的目的是让读者了解论文研究命题的来龙去脉，便于查找，同时也是尊重前人劳动，对自己的工作有准确的定位。因此这里既有技术问题，也有科学道德问题。一篇论文中几乎自始至终都有需要引用参考文献之处。如论文引言中应引上对本题最重要、最直接有关的文献;在方法中应引上所采用或借鉴的方法；在结果中有时要引上与文献对比的资料；在讨论中更应引上与 论文有关的各种支持的或有矛盾的结果或观点等。一切粗心大意，不查文献；故意不引，自鸣创新；贬低别人，抬高自己；避重就轻，故作姿态的做法都是错误的。而这种现象现在在很多论文中还是时有所见的，这应该看成是利研工作者的大忌。其中，不查文献、漏掉重要文献、故意不引别人文献或有意贬损别人工作等错误是比较明显、容易发现的。有些做法则比较隐蔽，如将该引在引言中的，把它引到讨论中。这就将原本是你论文的基础或先导，放到和你论文平起平坐的位置。又如 科研工作总是逐渐深人发展的，你的工作总是在前人工作基石出上发展起来做成的。正确的写法应是，某年某人对本题做出了什么结果，某年某人在这基础上又做出了什么结果，现在我在他们基础上完成了这一研究。这是实事求是的态度，这样表述丝毫无损于你的贡献。有些论文作者却不这样表述，而是说，某年某人做过本题没有做成，某年某人又做过本题仍没有做成，现在我做成了。这就不是实事求是的态度。这样有时可以糊弄一些不明真相的外行人，但只需内行人一戳，纸老虎就破，结果弄巧成拙，丧失信誉。这种现象在现实生活中还是不少见的。(九)论文——致谢 论文的指导者、技术协助者、提供特殊试剂或器材者、经费资助者和提出过重要建议者都属于致谢对象。论文致谢应该是真诚的、实在的，不要庸俗化。不要泛泛地致谢、不要只谢教授不谢旁人。写论文致谢前应征得被致谢者的同意，不能拉大旗作虎皮。(十)论文——摘要或提要：以200字左右简要地概括论文全文。常放篇首。论文摘要需精心撰写，有吸引力。要让读者看了论文摘要就像看到了论文的缩影，或者看了论文摘要就想继续看论文的有关部分。此外，还应给出几个关键词，关键词应写出真正关键的学术词汇，不要硬凑一般性用词。
环境监测与评价主要侧重环境监测与管理。就业面向：环保部门及生产企业的环境监测部门从事环境监测、评价及管理工作。 环境监测与治理技术培养具有环境污染治理方面的职业技能和职业素质，能够从事三废处理与处置、环境监测等岗位技术工作的高技能应用型人才。本专业毕业生的就业方向趋于多样化,主要包括：（1）与大气污染、水污染治理及监测有关的企、事业单位，大、中型企、事业单位水处理部门从事除污设备、净化装置的采购、安装、调试、使用、检修、维护等岗位。（2）环保仪器设备的制造、销售等环境服务行业。 （3）环境监测、样品分析和环境管理等。
文章标题的作用：
1、概括文章内容（中心）。
2、作者情感出发点。
3、交情事情的时间、人物等写作对象。
4、全文的线索。
5、新颖，吸引读者阅读的兴趣。
6、一语双关（表层含义深层含义）。
7、具有象征意义（有就写没有就不写）。
8、有修辞答修辞（有就写没有就不写）。
9、设置悬念，吸引读者阅读兴趣。
对于标题的要求，概括起来有三点：
一要明确。要能够揭示论题范围或论点，使人看了标题便知晓文章的大体轮廓、所论述的主要内容以及作者的写作意图，而不能似是而非，藏头露尾，与读者捉迷藏。
二要简炼。论文的标题不宜过长，过长了容易使人产生烦琐和累赘的感觉，得不到鲜明的印象，从而影响对文章的总体评价。标题也不能过于抽象、空洞，标题中不能采用非常用的或生造的词汇，以免使读者一见标题就如堕烟海，百思不得其解，待看完全文后才知标题的哗众取宠之意。
三要新颖。标题和文章的内容、形式一样，应有自己的独特之处。做到既不标新立异，又不落案臼，使之引人入胜，赏心悦目，从而激起读者的阅读兴趣。