发布时间：
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（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}= 。
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，学习速率延迟为。Learning schedule为：第一轮，学习速率从缓慢增加到（因为如果初始为高学习速率，会导致模型发散）；保持速率到75轮；然后在后30轮中，下降到；最后30轮，学习速率为。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为；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）。
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 ：
标红？论文如此做就表示作者是引用别人的，不是原创的，为了防止别人说论文作者抄袭啊。你应该问怎么样才算是抄袭吧？我记得毕设的时候超过了30%的引用属于抄袭，论文不合格。具体的单位抄袭的标准不同，但引用别人的原文绝对不可以超过30%
不会的，楼主是当心引用率的问题吧^0^。像知网我们一般是不用的，因为有检测预警，学校是不允许的。我们多用维普检测系统，跟知网检测不相上下，貌似比知网还严谨些，价格也实惠得多，最主要的是可以解决楼主的顾虑。维普的引用识别功能是十分强大的，无需上传参考文献，就能识别引用。维普个人版还能免费试用，搜gocheck论文检测，不用白不用哟~
每个人在进行论文查重时，一般会选择全文进行查重，参考文献不是不会进行查重吗，为什么有时候，我提交检测的论文参考文献会被检测重复呢？论文查重系统不会检测论文目录、参考文献等内容。因为论文查重系统会更加系统预设的识别格式算法来对学生提交的论文进行识别，论文查重系统是将我们提交的论文与数据库收录的论文进行比对，所以我们无论在题目或论文内容上肯定也会有重复性的部分，而参考文献就是比较特殊的一部分，参考文献一般是放置论文结论或者致谢之后，具体看学校的要求。不参与查重的内容，系统不会检测，查重系统会使用其他颜色进行标记，那么为什么参考文献会被查重呢，下面和小编来了解一下！1、参考文献格式未按国家规定的要求进行排版。通常情况下，参考文献四字应该要独占一行，不得混入其它内容，否则系统将无法识别，学生必须根据排版要求进行格式修改。2、有些查重系统无法识别参考文献大部分的查重系统是可以区分出参考文献的，不能通过区分的也应该很少，至少到目前为止小编还没有遇到过。如学校不需要检测参考文献，我们可以在提交查重的时候把它删除，如果需要检查的话，我们就需要将参考文献一起进行提交。上述研究内容大家需要重视，大家一定要认真对待学生论文的格式问题，如果格式不对，很可能还会导致查重结果不准确。
具体要求说一下吧，帮你搞定。
目前211和985高校的论文查重软件，90%以上都是用的中国知网查重系统，知网目前是国内权威。
貌似是20%，超过就不行了~每年学校对毕业论文有个中期抽查，学号尾数为0~9，例如，抽查的学号尾数为2，那么学号2、12、22、32的学生就要被抽查论文，貌似就是4、5月的样子6月初是毕业论文答辩，每个学院的时间不一，参加答辩的论文并不是最终的论文，答辩的论文导师会对论文提出一些修改意见，答辩结束后继续修改，然后在答辩后一周内学校会对定稿的论文进行最后的抽查，还是按照学号来的，去年中期抽查的是4，最终是0，用的应该是中国知网数据库如果论文都是拼凑而成的，对原文进行修改，换成自己的话就行了，不用紧张，最后都会过的~实在不放心，就去淘宝上找找论文检测系统，抽查前先自己测测，我们班有同学就测过，重复率11%的样子，也不知道准不准，也就是求个心安~PS：如果想要申请优秀毕业论文，就得老老实实地来了O(∩_∩)O~
如果你是本校学生，在鼓楼好办，是内网，如果在仙林，就去教学楼或者图书馆，连到内网，然后，点击电子资源，有中文和外文的，然后你自己看着办吧
学术论文查重好的是知网、维普、万方、paperfree和PaperPaper。
1、知网：就现在来看，知网是拥有最大的在线图书馆与最大的中文数据库的检测系统，收录的中文文献也是最完整的，所以定稿学校几乎都是使用知网，但是价格比较高。
2、维普：维普的数据库没有知网的大，但是检测的结果比较准确，价格也还能承受起。撤稿事件大部分是因为学术不端、一稿多投、同行评审造假、重复率高等原因。
3、万方：价格不贵，但这个系统的论文并不是每天更新的，而是不定期才会更新，当天查重的文章可能不能进行全面的比对。
4、paperfree：拥有独特的在线改重功能，非常适合初稿的反复修改，只收费修改过的字数费用，而且整体检测价格也不贵，检测结果比较严格。
5、PaperPaper，除了可以用知网查重，还可以使用【PaperPaper】来进行论文查重，这是一个严谨的论文查重系统，拥有大量的资源数据库，覆盖13个对比知识库，十多种学术文献类型，比对更准确。
大量撤稿事件频传，一直是学术出版界热议的一个话题。2017年Springer的107篇医学论文因同行评议造假撤稿事件，美国哈佛医学院的Piero Anvers学术造假撤稿，南京大学青年长江学者梁莹涉嫌学术不端、百余篇之前发表的论文被撤，甚至像《科学》、《自然》这些知名期刊都撤过稿。
撤稿数上升的原因还可能是出版商自2005年开始使用软件来检查抄袭和重复发表，因此先前无法轻易发现的状况，现在能被找出。早年的论文查重技术还不普及，审稿专家无法保证阅尽相关学科、相关专业方向上的所有刊发论文，出现学术不端的情况难以避免。
运动目标的检测的其主要目的是 获取目标对象的运动参数（位置、速度、加速度等）及运动轨迹 ，通过进一步分析处理，实现对目标行为更高层级上的理解。 运动目标检测技术目的是 从序列图像中将变化区域从背景图像中提取出来 ，常用于视频监视、图像压缩、三维重构、异常检测等。
运动目标检测主流方法有帧差法、背景差法、光流法等。光流法源于 仿生学 思想，更贴近于直觉，大量昆虫的视觉机理便是基于光流法。 二十世纪五十年代心理学家Gibson在他的著作“The Perception of Visual World”中首次提出了以心理学实验为基础的光流法基本概念，而直到八十年代才由Horn、Kanade、Lucash和Schunck创造性地将灰度与二维速度场相联系，引入光流约束方程的算法，对光流计算做了奠基性的工作。
光流（optical flow）：由于目标对象或者摄像机的移动造成的图像对象在连续两帧图像中的移动。
通俗说，对于一个图片序列，把每张图像每个像素在连续帧之间的运动速度和方向（ 某像素点在连续两帧上的位移矢量 ）找出来就是光流场。
第t帧的时A点的位置是(x1, y1)，第t+1帧时A点位置是(x2,y2)，则像素点A的位移矢量：(ux, vy) = (x2, y2) - (x1,y1)
如何知道第t+1帧的时候A点的位置涉及到不同的光流计算方法，主要有四种：基于梯度的方法、基于匹配的方法、基于能量的方法、基于相位的方法。
光流法依赖于三个假设：
根据所形成的光流场中 二维矢量的疏密程度 ，光流法可分为稠密光流与稀疏光流。
稀疏光流只对有 明显特征的组点 （如角点）进行跟踪，计算开销小。
（1）calcOpticalFlowPyrLK 基于金字塔LK光流算法，计算某些点集的稀疏光流。 参考论文《Pyramidal Implementation of the Lucas Kanade Feature TrackerDescription of the algorithm》 （2）calcOpticalFlowFarneback 基于Gunnar Farneback 的算法计算稠密光流。 参考论文《Two-Frame Motion Estimation Based on PolynomialExpansion》 （3）CalcOpticalFlowBM 通过块匹配的方法来计算光流 （4）CalcOpticalFlowHS 基于Horn-Schunck 的算法计算稠密光流。 参考论文《Determining Optical Flow》 （5）calcOpticalFlowSF 论文《SimpleFlow: A Non-iterative, Sublinear Optical FlowAlgo》的实现
你的问题问的太宽泛了，我就是搞建模的，都不到从何开始回答你，想要进一步讨论的话可以hi我。论文七大部分肯定是必不可少的:问题重述，模型假设，问题分析，模型建立，模型求解，结果分析及检验，(包括灵敏度分析，如果需要的话)模型推广，当然还得有目录和摘要以及参考文献了
重点：数模论文的格式及要求 难点：团结协作的充分体现 一、 写好数模论文的重要性 1. 数模论文是评定参与者的成绩好坏、高低、获奖级别的惟一依据. 2. 数模论文是培训(或竞赛)活动的最终成绩的书面形式。 3. 写好论文的训练，是科技论文写作的一种基本训练。 二、数模论文的基本内容 1，评阅原则： 假设的合理性； 建模的创造性； 结果的合理性； 表述的清晰程度 2，数模论文的结构 0、摘要 1、问题的提出：综述问题的内容及意义 2、模型的假设：写出问题的合理假设，符号的说明 3、模型的建立：详细叙述模型、变量、参数代表的意义和满足的条件，进行问题分析，公式推导，建立基本模型，深化模型，最终或简化模型等 4、模型的求解：求解及算法的主要步骤，使用的数学软件等 5、模型检验：结果表示、分析与检验，误差分析等 6、模型评价：本模型的特点，优缺点，改进方法 7、参考文献：限公开发表文献，指明出处 8、 附录：计算框图、计算程序，详细图表 三、需要重视的问题 0．摘要 表述：准确、简明、条理清晰、合乎语法。 字数300-500字，包括模型的主要特点、建模方法和主要结果。可以有公式，不能有图表 简单地说，摘要应体现：用了什么方法，解决了什么问题，得到了那些主要结论。还可作那些推广。 1、 建模准备及问题重述： 了解问题实际背景，明确建模目的，搜集文献、数据等，确定模型类型，作好问题重述。 在此过程中，要充分利用电子图书资源及纸质图书资源，查找相关背景知识，了解本问题的研究现状，所用到的基本解决方法等。 2、模型假设、符号说明 基本假设的合理性很重要 （1）根据题目条件作假设； （2）根据题目要求作假设； （3）基本的、关键性假设不能缺； （4）符号使用要简洁、通用。 3、模型的建立 （1）基本模型 1) 首先要有数学模型：数学公式、方案等 2) 基本模型：要求完整、正确、简明，粗糙一点没有关系 （2）深化模型 1）要明确说明：深化的思想，依据，如弥补了基本模型的不足…… 2）深化后的模型，尽可能完整给出 3）模型要实用，有效，以解决问题有效为原则。数学建模面临的、是要解决实际问题，不追求数学上的高（级）、深（刻）、难（度）。 ▲能用初等方法解决的、就不用高级方法； ▲能用简单方法解决的，就不用复杂方法； ▲能用被更多人看懂、理解的方法，就不用只有少数人看懂、理解的方法。 4）鼓励创新，但要切实，不要离题搞标新立异,数模创新可出现在 ▲建模中：模型本身，简化的好方法、好策略等； ▲模型求解中； ▲结果表示、分析，模型检验； ▲推广部分。 5）在问题分析推导过程中，需要注意的： ▲分析要：中肯、确切； ▲术语要：专业、内行； ▲原理、依据要：正确、明确； ▲表述要：简明，关键步骤要列出； ▲忌：外行话，专业术语不明确，表述混乱、繁琐，冗长。 4、模型求解 （1）需要建立数学命题时：命题叙述要符合数学命题的表述规范，论证要尽可能严密； （2）需要说明计算方法或算法的原理、思想、依据、步骤。若采用现有软件，要说明采用此软件的理由，软件名称； （3）计算过程，中间结果可要可不要的，不要列出。 （4）设法算出合理的数值结果。 5、模型检验、结果分析 （1） 最终数值结果的正确性或合理性是第一位的 ； （2）对数值结果或模拟结果进行必要的检验。 当结果不正确、不合理、或误差大时，要分析原因，对算法、计算方法、或模型进行修正、改进； （3）题目中要求回答的问题，数值结果，结论等，须一一列出； （4）列数据是要考虑：是否需要列出多组数据，或额外数据；对数据进行比较、分析，为各种方案的提出提供可依赖的依据； （5）结果表示：要集中，一目了然，直观，便于比较分析。（最好不要跨页） ▲数值结果表示：精心设计表格；可能的话，用图形图表形式。 ▲求解方案，用图示更好 （6） 必要时对问题解答，作定性或规律性的讨论。 最后结论要明确。 6．模型评价 优点要突出，缺点不回避。若要改变原题要求，重新建模则可在此进行。推广或改进方向时，不要玩弄新数学术语。 7、参考文献 限于公开发表的文章、文献资料或网页 规范格式： [1] 陈理荣，数学建模导论（M），北京：北京邮电大学出版社，1999. [2] 楚扬杰，快速聚类分析在产品市场区分中的应用（J）,武汉理工大学学报，2004，23(2)，20－23. 8、附录 详细的数据、表格、图形，计算程序均应在此列出。但不要错，错的宁可不列。主要结果数据，应在正文中列出。 9、关于写答卷前的思考和工作规划 答卷需要回答哪几个问题――建模需要解决哪几个问题 问题以怎样的方式回答――结果以怎样的形式表示 每个问题要列出哪些关键数据――建模要计算哪些关键数据 每个量，列出一组还是多组数――要计算一组还是多组数…… 10、答卷要求的原理 ▲ 准确――科学性 ▲ 条理――逻辑性 ▲ 简洁――数学美 ▲ 创新――研究、应用目标之一，人才培养需要 ▲ 实用――建模。实际问题要求。 四、建模理念 1. 应用意识：要让你的数学模型能解决或说明实际问题，其结果、结论要符合实际；模型、方法、结果要易于理解，便于实际应用；站在应用者的立场上想问题，处理问题。 2. 数学建模：用数学方法解决问题，要有数学模型；问题模型的数学抽象，方法有普适性、科学性，不局限于本具体问题的解决。相同问题上要能够推广。 3. 创新意识：建模有特点，要合理、科学、有效、符合实际；要有普遍应用意义；不单纯为创新而创新 五、格式要求 参赛论文写作格式 论文题目（三号黑体，居中） 一级标题（四号黑体，居中） 论文中其他汉字一律采用小四号宋体，单倍行距。论文纸用白色A4，上下左右各留出厘米的页边距。 首页为论文题目和作者的专业、班级、姓名、学号，第二页为论文题目和摘要，论文从第三页开始编写页码，页码必须位于每页页脚中部，用阿拉伯数字“1”开始连续编号。 第四页开始论文正文 正文应包括以下八个部分： 问题提出： 叙述问题内容及意义； 基本假设： 写出问题的合理假设； 建立模型： 详细叙述模型、变量、参数代表的意义和满足的条件及建模的思想； 模型求解： 求解、算法的主要步骤； 结果分析与检验：（含误差分析）； 模型评价： 优缺点及改进意见； 参考文献： 限公开发表文献，指明出处； 参考文献在正文引用处用方括号标示参考文献的编号，如[1][3]等。参考文献按正文中的引用次序列出，其中 书籍的表述方式为： [编号] 作者，书名，出版地：出版社，出版年 参考文献中期刊杂志论文的表述方式为： [编号] 作者，论文名，杂志名，卷期号：出版年 参考文献中网上资源的表述方式为： [编号] 作者，资源标题，网址，访问时间（年月日） 附录：计算框图，原程序及打印结果。 六、分工协作取佳绩 最好三人一组，这三人中尽量做到一人数学基础较好，一人应用数学软件和编程的能力较强，一人科技论文写作水平较好。科技论文的写作要求整篇论文的结构严谨，语言要有逻辑性，用词要准确。 三人之间要能够配合得起来。若三人之间配合不好，会降低效率，导致整个建模的失败。 在合作的过程中，最好是能够找出一个组长，即要能够总揽全局，包括任务的分配，相互间的合作和进度的安排。 在建模过程中出现意见不统一时，要尊重为先，理解为重，做到 “给我一个相信你的理由”和“相信我，我的理由是……”，不要作无谓的争论。要善于斗争，勇于妥协。 还要注意以下几点： 注意存盘，以防意外 写作与建模工作同步 注意保密，以防抄袭 数学建模成功的条件和模型: 有兴趣，肯钻研；有信心，勇挑战；有决心，不怕难；有知识，思路宽；有能力，能开拓；有水平，善协作；有办法，点子多；有毅力，轻结果。
数学建模论文写作一、写好数模答卷的重要性1. 评定参赛队的成绩好坏、高低，获奖级别，数模答卷，是唯一依据。2. 答卷是竞赛活动的成绩结晶的书面形式。3. 写好答卷的训练，是科技写作的一种基本训练。二、答卷的基本内容，需要重视的问题1．评阅原则假设的合理性，建模的创造性，结果的合理性，表述的清晰程度。2．答卷的文章结构题目（写出较确切的题目；同时要有新意、醒目）摘要（200-300字，包括模型的主要特点、建模方法和主要结论）关键词（求解问题、使用的方法中的重要术语）1）问题重述。2）问题分析。3）模型假设。4）符号说明。5）模型的建立（问题分析，公式推导，基本模型，最终或简化模型等）。6）模型求解（计算方法设计或选择；算法设计或选择，算法思想依据，步骤及实现，计算框图；所采用的软件名称；引用或建立必要的数学命题和定理；求解方案及流程。）7）进一步讨论（结果表示、分析与检验，误差分析，模型检验）8）模型评价（特点，优缺点，改进方法，推广。）9）参考文献。10）附录（计算程序，框图；各种求解演算过程，计算中间结果；各种图形，表格。）3. 要重视的问题1）摘要。包括：a. 模型的数学归类（在数学上属于什么类型）；b. 建模的思想（思路）；c. 算法思想（求解思路）；d. 建模特点（模型优点，建模思想或方法，算法特点，结果检验，灵敏度分析，模型检验……）；e. 主要结果（数值结果，结论；回答题目所问的全部“问题”）。▲ 注意表述：准确、简明、条理清晰、合乎语法、要求符合文章格式。务必认真校对。2）问题重述。3）问题分析。因素之间的关系、因素与环境之间的关系、因素自身的变化规律、确定研究的方法或模型的类型。5）模型假设。根据全国组委会确定的评阅原则，基本假设的合理性很重要。a. 根据题目中条件作出假设b. 根据题目中要求作出假设关键性假设不能缺；假设要切合题意。6） 模型的建立。a. 基本模型：ⅰ）首先要有数学模型：数学公式、方案等；ⅱ）基本模型，要求完整，正确，简明；b. 简化模型：ⅰ）要明确说明简化思想，依据等；ⅱ）简化后模型，尽可能完整给出；c. 模型要实用，有效，以解决问题有效为原则。数学建模面临的、要解决的是实际问题，不追求数学上的高（级）、深（刻）、难（度大）。ⅰ）能用初等方法解决的、就不用高级方法；ⅱ）能用简单方法解决的，就不用复杂方法；ⅲ）能用被更多人看懂、理解的方法，就不用只能少数人看懂、理解的方法。d．鼓励创新，但要切实，不要离题搞标新立异。数模创新可出现在：▲ 建模中，模型本身，简化的好方法、好策略等；▲ 模型求解中；▲ 结果表示、分析、检验，模型检验；▲ 推广部分。e．在问题分析推导过程中，需要注意的问题：ⅰ）分析：中肯、确切；ⅱ）术语：专业、内行；ⅲ）原理、依据：正确、明确；ⅳ）表述：简明，关键步骤要列出；ⅴ）忌：外行话，专业术语不明确，表述混乱，冗长。7）模型求解。a. 需要建立数学命题时：命题叙述要符合数学命题的表述规范，尽可能论证严密。b. 需要说明计算方法或算法的原理、思想、依据、步骤。若采用现有软件，说明采用此软件的理由，软件名称。c. 计算过程，中间结果可要可不要的，不要列出。d. 设法算出合理的数值结果。8） 结果分析、检验；模型检验及模型修正；结果表示。a. 最终数值结果的正确性或合理性是第一位的；b. 对数值结果或模拟结果进行必要的检验；结果不正确、不合理、或误差大时，分析原因， 对算法、计算方法、或模型进行修正、改进。c. 题目中要求回答的问题，数值结果，结论，须一一列出；d. 列数据问题：考虑是否需要列出多组数据，或额外数据对数据进行比较、分析，为各种方案的提出提供依据；e. 结果表示：要集中，一目了然，直观，便于比较分析。▲ 数值结果表示：精心设计表格；可能的话，用图形图表形式。▲ 求解方案，用图示更好。9）必要时对问题解答，作定性或规律性的讨论。最后结论要明确。10）模型评价优点突出，缺点不回避。改变原题要求，重新建模可在此做。推广或改进方向时，不要玩弄新数学术语。11）参考文献12）附录详细的结果，详细的数据表格，可在此列出，但不要错，错的宁可不列。主要结果数据，应在正文中列出，不怕重复。检查答卷的主要三点，把三关：a. 模型的正确性、合理性、创新性b. 结果的正确性、合理性c. 文字表述清晰，分析精辟，摘要精彩三、关于写答卷前的思考和工作规划答卷需要回答哪几个问题――建模需要解决哪几个问题；问题以怎样的方式回答――结果以怎样的形式表示；每个问题要列出哪些关键数据――建模要计算哪些关键数据；每个量，列出一组还是多组数――要计算一组还是多组数。四、答卷要求的原理1. 准确――科学性；2. 条理――逻辑性；3. 简洁――数学美；4. 创新――研究、应用目标之一，人才培养需要；5. 实用――建模、实际问题要求。五、建模理念1. 应用意识要解决实际问题，结果、结论要符合实际；模型、方法、结果要易于理解，便于实际应用；站在应用者的立场上想问题，处理问题。2. 数学建模用数学方法解决问题，要有数学模型；问题模型的数学抽象，方法有普适性、科学性，不局限于本具体问题的解决。3. 创新意识建模有特点，更加合理、科学、有效、符合实际；更有普遍应用意义；不单纯为创新而创新。
第一、要写什么这个重点要进行已有文献综述把有关的题目方面的已经有的国内外研究认真介绍一下先客观介绍情况要如实陈述别人的观点然后进行评述后主观议论加以评估说已有研究有什么不足说有了这些研究但还有很多问题值得研究。其中要包括选题将要探讨的问题。由于研究不足所以你要研究。你的论文要写什么是根据文献综述得出来的，而不是你想写什么就写什么。如果不做综述很可能你的选题早被别人做得很深了。第二、为什么要写这个这个主要是说明你这个选题的意义。可以说在理论上你发现别人有什么不足和研究空白，所以你去做就有理论价值了。那么你要说清楚你从文献综述中选出来的这个题目在整个相关研究领域占什么地位。这就是理论价值。 然后你还可以从实际价值去谈。就是这个题目可能对现实有什么意义可能在实际中派什么用场等等。第三、怎么写在开题报告里你还应当说清楚你选了这个题目之后如何去解决这个问题。就是有了问题你准备怎么去找答案。要说一下你大致的思路、同时重点阐述你要用什么方法去研究。如文献分析法、访谈法、问卷法、定量研究、实验研究、理论分析、模型检验等等。在上述三个方面中间文献综述是重点。没有文献综述你就无法找到自己的题目也不知道这个题目别人已经做得怎么样了所以你要认真进行综述。当然综述的目的还是引出你自己的话题所以不能忘记评述。当然最后你还得论文查重一下作为保障，这里推荐你用papertime来进行论文查重
论文确实是一个吃力的漫长过程，我之前也是经历漫长时间，那些日子太难熬，最后找到了一定的策略和技巧，总算有事半功倍的效果。作为从战场打拼过来的毕业生来分享下我的经验： 首先要了解一些关于毕业论文查重方面的知识：
搞定毕业论文查重最重要的是论文降重，顺利通过论文查重。
目前论文降重方法分两种：人工降重和机器降重。人工降重是根本，机器降重是辅助，对于降重小白可以使用机器降重作为参考，结合人工降重才能保证质量。记住一点，机器是人工的辅助，不能依靠机器降重，两者相结合才能保证效果。
人工降重方法:
1、变换表达。先理解原句的意思，用自己的话复述一遍。
2、词语替换，在变换表达方式的基础上结合同义词替换，效果更好。
3、变换句式，通过拆分合并语句的方式进行修改，把长句变短句，短句变长句。
4、图片法，针对专业性太强不好修改的语句或段落（比如计算机代码，法律条款，原理理论等），可以适当把文字写在图片上展现，但是这种方法不宜用的太多。知网查重系统不太合适，可以识别图片，公式，表格，其他查重系统可以适当使用。
5、翻译法，用百度翻译或谷歌翻译，中文翻译成英文，英文翻译成日语或其他语种，再从日语翻译成中文，这种看似不错，还得需要人工润色，感觉效果还是鸡肋，适当用用也无妨。
机器降重方法：
论文降重软件只是辅助手段，最后还得人工润色一下，完全降重有效的没有。
PaperBye论文查重系统里有自动降重功能，可以作为你查重后修改参考的一种辅助手段。
关于效果，针对专业不同效果也不一样，比如理工科或专业术语比较多的，改的效果不太好。如果一些文课类文章，改好后语句还是蛮通顺的，效果没有人工修改好，但是可以给一些修改建议提示，也是不错的，主要看怎么使用。看看下面修改的例句，降重效果还算满意。
最后提醒一句，软件论文降重，只是辅助，即使改好了，也需要人工去复核修改一遍，因为毕竟是软件，有的表达上会欠缺妥当，需要人工润色。同时也不要过度依赖软件降重，目前还是没有人工一字一句修改的效果好，只能作为一种改重的辅助手段，不要期望过高。
靠谱的论文查重网站：
一、中国知网
由清华大学和清华同方发起，在党和国家领导以及教育部、中宣部、科技部、新闻出版总署、国家版权局和国家发改委的大力支持下，在全国学术界、教育界、出版界和图书情报界等社会各界的密切配合和清华大学的直接领导下，CNKI工程集团经过多年努力。
采用自主开发并具有国际领先水平的数字图书馆技术，建成了世界上全文信息量规模最大的”CNKI数字图书馆”，并正式启动建设《中国知识资源总库》及CNKI网格资源共享平台，通过产业化运作，为全社会知识资源高效共享提供最丰富的知识信息资源和最有效的知识传播与数字化学习平台。
是目前最安全、最快捷、最权威的论文检测软件，全面覆盖研究生毕业论文查重、大学生抄袭检测、职称评审及相关学术成果，大部分单位机构都是与知网进行合作。除了收费昂贵之外，几乎没有任何缺点。
二、维普
是国内领先的论文查重软件，可以快速准确地检测出毕业论文、博士、硕士论文、期刊论文中的不当引用、过度引用、论文抄袭、伪造、篡改等学术不端行为，自动生成检测报告，并支持PDF、网页等浏览格式，最大特点就是快!
三、万方
采用科学先进的检测技术，实现海量学术文献数据全文比对，秉持客观、公正、精准、全面的服务原则，为用户提供精准详实多维度的查重检测报告。提供包括万方通用版、硕博论文版、大学生论文版、职称论文版等，查重检测结果客观、准确、详实!
四、蝌蚪论文查重
蝌蚪论文查重系统扫码直接登录就可以享受每天免费查重服务，不需要做任何任务，不受字数限制（10万字内），同时提供在线智能降重、人工降重等服务。
采用阿里云认证的高防服务器，检测系统全程自动论文检测，无任何人工参与，系统不保存用户源文件，解除用户论文泄露之忧。
系统数据库覆盖9000万的学术期刊和学位论文，10亿数量的互联网数据源，有效确保精准论文查重！ 采用强大的智能语义识别技术，能够快速命中并识别出相似内容。并进行周期性算法升级，实现智能算法预处理学科分类，准确度高出行业70%。