紡織學(xué)報標準格式樣本

資料內(nèi)容僅供您學(xué)習(xí)參考，如有不當或者侵權(quán)，請聯(lián)系改正或者刪除。毛精紡前紡工藝參數(shù)重要性的BP網(wǎng)絡(luò)定量評價法小二黑體,居中,3倍行距小二黑體,居中,3倍行距劉貴作者簡介(黑體小五):劉貴(1983—),男,博士生。主要研究方向為毛精紡加工過程建模及其職能決策預(yù)報與控制。于偉東,通訊作者,E-mail:。第一作者姓名(出生年—),性別,職稱,學(xué)歷。主要研究方向。通訊作者姓名,E-mail。作者簡介(黑體小五):劉貴(1983—),男,博士生。主要研究方向為毛精紡加工過程建模及其職能決策預(yù)報與控制。于偉東,通訊作者,E-mail:。第一作者姓名(出生年—),性別,職稱,學(xué)歷。主要研究方向。通訊作者姓名,E-mail。四號楷體,居中,單倍行距東華大學(xué)紡織材料與技術(shù)實驗室,上海20;武漢科技學(xué)院紡織與材料學(xué)院,湖北武漢430073)小五號宋體,居中,單倍行距小五號宋體,居中,單倍行距摘要摘要寫作方法:請用第三人稱的語氣陳述該文研究目的(即為了……,或者針對……問題,)、過程、方法(即采用的手段和方法)、結(jié)果和結(jié)論(即研究得出的結(jié)論),重點是結(jié)果和結(jié)論摘要寫作方法:請用第三人稱的語氣陳述該文研究目的(即為了……,或者針對……問題,)、過程、方法(即采用的手段和方法)、結(jié)果和結(jié)論(即研究得出的結(jié)論),重點是結(jié)果和結(jié)論,背景信息、基本概念及對文章的自我評價不應(yīng)出現(xiàn)在摘要中,要達到只看摘要而不必看文章就可理解全文主要內(nèi)容的程度;摘要字數(shù)應(yīng)控制在200～300字,英文要與中文相對應(yīng)。關(guān)鍵詞(小五黑體)毛精紡;前紡工藝參數(shù);模型;BP神經(jīng)網(wǎng)絡(luò);定量評價法(小五宋體)Quantitativeevaluationmethodforthesignificanceofworstedfore-spinningparametersbasedonBPneuralnetwork小四TimesNewRome,3倍行距小四TimesNewRome,3倍行距LIUGui1,YUWeidong1,2(五號)(1.TextileMaterialsandTechnologyLaboratoryDonghuaUniversity,Shanghai20,China;2.DepartmentofTextilesandMaterials,WuhanUniversityofScienceandEngineering,Wuhan,Hubei430073,China)小五,居中小五,居中AbstractBasedonBPneuralnetworkmodeltechnology,anewapproachwasdevelopedandappliedtoappraisetheinputparameters′significantdegreethroughtheweightinessanditsdistributionbetweentheinputandoutputlayer.Usingthefore-spinningworkingproceduredatagatheredfromtheworstedtextilesenterprise,therovingunevennessandweightpredictionmodelswereestablishedrespectively.Theresultsindicatedthatthemodels′meanrelativeerrorsarealllessthan3%;thecorrelationcoefficientR2betweenthepredictionvalueandtheactualareallmorethan0·95.Usingtheweightinessextractedfromtheestablishedmodels,the13inputparameters′significancetotherovingunevennessandweightwerecalculatedrespectively,andtheremarkableandeffectiveparametersareexcavatedout.Meanwhilecontrastingtothemultivariateregressionsignificanceanalysis(MRSA),theBPneuralnetworkmethodismoreexactthanMRSAandcanbeusedintheforecastandcontroloftheactualproduceandmanufacture(小五)KeywordsDoubleglow;Artificialneuralnetwork;Predictionmodel(小五)此處排正文。此處排正文。請選擇A4紙型,上、下頁邊距為2.5cm,左、右頁邊距為2.0cm,1.0(正文五號宋體,單倍行距)對精毛紡織廠而言,前紡工序作為整個加工過程的第一環(huán)節(jié),其加工質(zhì)量對后道工序?qū)a(chǎn)生直接影響。根據(jù)實際生產(chǎn)經(jīng)驗,細紗的條干不勻率和細紗機的斷頭率相對于末道粗紗的質(zhì)量呈顯著的線性關(guān)系[1],故控制前紡各工序的半制品不勻率,特別是末道粗紗的不勻率是毛紡廠十分重要的質(zhì)量監(jiān)控措施[2]。當前企業(yè)主要以經(jīng)驗為主,經(jīng)過傳統(tǒng)的測量和記錄、肉眼觀看與估計、設(shè)備的調(diào)整和人力的補充等原始的方法實現(xiàn),不能對大量積累和不斷產(chǎn)生的數(shù)據(jù)進行系統(tǒng)整理、綜合分析與客觀決斷,也無法確切地找出產(chǎn)生問題的原因及實際解決方法[3]。本文針對影響粗紗質(zhì)量的毛條回潮率、毛條含油率、纖維平均直徑、直徑離散系數(shù)、纖維平均長度等13個指標參數(shù),將采集到的企業(yè)實際生產(chǎn)數(shù)據(jù),運用BP網(wǎng)絡(luò)建立預(yù)測模型,提出利用網(wǎng)絡(luò)各層間的權(quán)重及其分布,計算出各參數(shù)對產(chǎn)量質(zhì)量指標的影響程度,并對比多元回歸分析,效果較好。引言(或前言)引言(或前言)應(yīng)簡要說明您進行該研究工作的目的、范圍、相關(guān)領(lǐng)域的前人工作和知識空白、理論基礎(chǔ)和分析、研究設(shè)想、研究方法與手段和預(yù)期結(jié)果及意義等。應(yīng)簡要回顧本文所涉及的科學(xué)問題的研究歷史,特別是近三年的研究成果,需引用參考文獻;并在此基礎(chǔ)上提出論文所要解決的問題。引言部分不加小標題。1網(wǎng)絡(luò)定量評價法學(xué)報采用4級標題制,為便于排版,一級標題的字數(shù)不超出15個學(xué)報采用4級標題制,為便于排版,一級標題的字數(shù)不超出15個漢字,二、三級標題的字數(shù)不超出17個漢字BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation)是指基于誤差反向傳播算法的多層前向人工神經(jīng)網(wǎng)絡(luò)[4]。對于任何在閉區(qū)間的1個連續(xù)函數(shù)都能夠用含有1個隱層的BP網(wǎng)絡(luò)來逼近,因而1個3層結(jié)構(gòu)的BP網(wǎng)絡(luò)能夠完成任意N維到M維的映射[5]。從其學(xué)習(xí)過程來輸入?yún)?shù)對輸出結(jié)果的影響完全由網(wǎng)絡(luò)權(quán)值決定,因此,知道網(wǎng)絡(luò)各層間的權(quán)重及其分布,就可計算輸入?yún)?shù)的確定度(輸入對輸出影響作用的相對大小,即貢獻率)。依照誤差反向傳播方法,輸入層節(jié)點對輸出層節(jié)點的影響是由各層權(quán)值的復(fù)合作用。由于輸出反映的是其本身,它不需要再進行對后層節(jié)點影響大小的區(qū)分,故可將其確定度看作是相同的,然后參照反向傳播算法從輸出層向輸入層反向求出各輸入?yún)?shù)的確定度。2重要性評價過程2．1試驗數(shù)據(jù)和參數(shù)(小四黑體,單倍行距)本文以山東某精毛紡廠采集到的100組數(shù)據(jù)為建模依據(jù)。數(shù)據(jù)采集分2部分,一部分從實際生產(chǎn)工藝設(shè)計單中提取,主要是工藝流程參數(shù)、設(shè)備加工參數(shù);另一部分為測試數(shù)據(jù),來自不同的生產(chǎn)線。任意選80組數(shù)據(jù)用于模型建立,其中70組用于模型訓(xùn)練,10組作為檢驗數(shù)據(jù),而未參與建模的20組數(shù)據(jù)則用于對模型的驗證。影響前紡粗紗質(zhì)量的參數(shù)有毛條回潮率(X1)、毛條含油率(X2)、纖維平均直徑(X3)、直徑離散系數(shù)(X4)、纖維平均長度(X5)、長度離散系數(shù)(X6)、短毛率(X7)、毛條質(zhì)量(X8)、毛條質(zhì)量不勻率(X9)、毛條毛粒(X10)、前紡總并合次數(shù)(X11)、前紡總牽伸倍數(shù)(X12)和粗紗捻系數(shù)(X13)[6]。運用BP網(wǎng)路建模分析時,以這些參數(shù)作為網(wǎng)絡(luò)的輸入層參數(shù),輸入節(jié)點數(shù)為13,中間包含1個隱層,分別以R1和R2作為網(wǎng)絡(luò)輸出層建立多輸入單輸出子網(wǎng)組[7]模式進行預(yù)報。隱層節(jié)點數(shù)的選取根據(jù)式(1)[8]進行計算:文章中的所有字母變量用斜體(1)文章中的所有字母變量用斜體式中:m為輸入層節(jié)點數(shù);n為輸出層節(jié)點數(shù)S為隱層節(jié)點數(shù),本文取隱層節(jié)點數(shù)為7。這樣就能夠建立2個13-7-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型。同時,為消除原變量的量綱不同、數(shù)值差異太大帶來的影響,需要對原變量作標準化處理。即(2)式中(3)2．2模型的建立和訓(xùn)練根據(jù)模型結(jié)構(gòu),在Mtalab6.5的環(huán)境下建立2個13-7-1型BP網(wǎng)絡(luò)模型。利用式(2)對輸入樣本數(shù)據(jù)進行預(yù)處理。將標準化后的數(shù)據(jù)輸入網(wǎng)絡(luò)進行訓(xùn)練,訓(xùn)練參數(shù):訓(xùn)練最大步數(shù)為50;精度目標值為1.0×10-3;學(xué)習(xí)率為0.01[9]。其訓(xùn)練過程曲線見圖1。由圖可知,分別經(jīng)過25和47步左右的訓(xùn)練,平均誤差平方和便達到了設(shè)定的目標值。10組檢驗樣本的預(yù)報結(jié)果和實際結(jié)果的相對誤差分別為2.28%和2.39%。這說明所建立的模型具有很高的精度和準確性。2.3模型的驗證根據(jù)上面訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò),對20組驗圖1粗紗CV和單重預(yù)報模型訓(xùn)練曲線(小五宋體)Fig.1Robingunevenness(a)andtherovingweight(b)forecastmodel’strainingcurve(小五Rome)證樣本數(shù)據(jù)進行預(yù)報檢驗。首先對這20組數(shù)據(jù)利用前面的標準化方法進行預(yù)處理,然后代入訓(xùn)練好的模型中進行預(yù)報模擬,得到網(wǎng)絡(luò)輸出并對其做還原量綱的處理,就可得到粗紗質(zhì)量指標的預(yù)測值。其實測值與預(yù)報值間的關(guān)系見圖2。圖中預(yù)報值與真實值之間的相關(guān)系數(shù)均高于0.95,說明模型是可靠和準確的。2.4重要性計算和評價設(shè)前面的13-7-1型BP網(wǎng)絡(luò)經(jīng)LM算法訓(xùn)練一定的次數(shù)后收斂,令wij為輸入層j和隱含層i之間的連接權(quán)值,wi1為隱含層i和輸出層之間的連接權(quán)值,具體步驟如下。1)初始化輸出節(jié)點確定度P,若輸出節(jié)點數(shù)為O,則一般取為P=1/O,這里輸出節(jié)點數(shù)為1,因此輸出節(jié)點確定度為1。2)反向求穩(wěn)含層節(jié)點的確定度,即將輸出層節(jié)點確定度經(jīng)權(quán)值作用向前傳播。因為輸出節(jié)點確定度為1,故隱含層節(jié)點的確定度為1×wi1=wi1。3)求輸入層的確定度,對每個隱含層的節(jié)點i,每個輸入層節(jié)點j,將權(quán)值wij和wi1相乘,得到文中圖請用高分辨率的TIF或JPG格式,并注意圖的制作格式:不能用彩圖;圖中橫縱坐標線粗0.5磅,曲線粗0.75磅;圖的尺寸固定后文中圖請用高分辨率的TIF或JPG格式,并注意圖的制作格式:不能用彩圖;圖中橫縱坐標線粗0.5磅,曲線粗0.75磅;圖的尺寸固定后圖上所有注解文字要統(tǒng)一用6號宋體;坐標刻度線方向向內(nèi),橫縱坐標必須有名稱和單位;圖中的網(wǎng)格(底紋)線和上、右邊框線要刪掉,只保留橫縱坐標線。(若是顯微鏡或電鏡照片,圖內(nèi)一定要有比例標尺)Fig.2Relevantanalysisbetweenthepredictandmeasuredvalueoftherovingunevenness(a)andweight(b)(4)將Pij當量化后得到(5)對于每一個輸入層節(jié)點j,將Qij求和,得到輸入層的確定度(6)能夠得到各輸入變量(因子)對輸出變量的影響比例,即輸入因子的貢獻率(7)在模型可靠和準確的條件下,把訓(xùn)練好的BP網(wǎng)絡(luò)模型的網(wǎng)絡(luò)權(quán)重取出來,運用上面提到的方法,分別計算得出各輸入因子對粗紗CV值和粗紗單重的貢獻率,如下表1所示。對與粗紗CV值(R1)而言,長度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)、纖維平均直徑(X3)為其影響作用最大的3個因素,貢獻率分別為20.7%、13.9%和10.3%。對粗紗單重(R2)來說,對其影響最大的幾個參數(shù)是長度離散系數(shù)(X6)、毛條毛粒(X10)、毛條回潮率(X1),貢獻率分別為19.1%、18.1%和17.5%。表1各輸入因子的貢獻率小五宋體,加黑小五宋體,加黑Tab.1Eachinputparameterscontributionratio%粗紗質(zhì)量毛條原料參數(shù)前紡工藝參數(shù)X1X2X3X4X5X6X7X8X9X10X11X12X13R13.9R6.03.519.16.04.05.79.6表格用三線表表格用三線表2．5多元線性回歸對比評價作為比較,運用多元線性回歸法(MLR)分別建立上述13個輸入?yún)?shù)與R1和R2間的多元線性回歸方程。由于這些原始數(shù)據(jù)的數(shù)量級相差很大,可能會造成回歸系數(shù)很小,為此需要對原始數(shù)據(jù)進行當量化處理,即把原始數(shù)據(jù)標準化到[01]區(qū)間。采用最小最大值的標準化,能夠使數(shù)據(jù)在[01]區(qū)間上獲得良好的分布,如式(8)。(8)將標準化后的數(shù)據(jù)進行多元線性回歸擬合,分別得到R1和R2的回歸方程,并經(jīng)顯著性檢驗,說明2個方程都有顯著性。經(jīng)過回歸能夠看出,對粗紗CV值(R1)影響因素由大到小依次為:X13>X6>X3>X5>X7>X8>X10>X9>X2>X4>X1>X12>X11;而對于粗紗單重(R2)來說,依次為:X6>X8>X1>X9>X11>X7>X2>X3>X10>X13>X4>X5>X12。顯然重要性和次序是不同的,表明各自變量間有交互或相關(guān)性。3結(jié)論結(jié)論應(yīng)是以正文中的實驗或考察得到的現(xiàn)象、數(shù)據(jù)的闡述分析為依據(jù),完整、準確、簡潔地指出以下內(nèi)容:由對研究對象進行考察或?qū)嶒灥玫降慕Y(jié)果所揭示的原理及其普遍性;研究中有無發(fā)現(xiàn)例外或本論文尚難以解釋和解決的問題;結(jié)論應(yīng)是以正文中的實驗或考察得到的現(xiàn)象、數(shù)據(jù)的闡述分析為依據(jù),完整、準確、簡潔地指出以下內(nèi)容:由對研究對象進行考察或?qū)嶒灥玫降慕Y(jié)果所揭示的原理及其普遍性;研究中有無發(fā)現(xiàn)例外或本論文尚難以解釋和解決的問題;與先前已發(fā)表過的(包括她人和作者自己)研究工作的異同;本論文在理論上和實用上的意義及價值;進一步深入研究本課題的建議。經(jīng)過BP人工神經(jīng)網(wǎng)絡(luò)技術(shù),直接利用生產(chǎn)歷史數(shù)據(jù),建立粗紗CV值、粗紗單重預(yù)測模型,以實現(xiàn)對粗紗加工和質(zhì)量的預(yù)報,所建模型的平均相對誤差都低于3%。采用未參與建模訓(xùn)練的樣本數(shù)據(jù)驗證,其預(yù)報模型的預(yù)報結(jié)果與實測結(jié)果間的相關(guān)關(guān)系R2都高于0.95。利用所建立的模型對粗紗工序各輸入?yún)?shù)的重要性分析,將輸入?yún)?shù)重要性分成3個系列重要參數(shù)、較為重要參數(shù)和不重要參數(shù),具體結(jié)果如下:1)對與粗紗CV值(R1)而言,重要參數(shù)為長度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)和纖維平均直徑(X3),其貢獻率分別為20.7%、13.9%和10.3%。較為重要的影響因子(5%~10%)依次為短毛率(X7)、直徑離散系數(shù)(X4)、毛條重量(X8)、前紡總并合次數(shù)(X11)、毛條含油率(X2)、毛條毛粒(X10)。不重要的參數(shù)(<5%)依次為纖維平均長度(X5)、前紡總牽伸倍數(shù)(X12)、毛條重量不勻率(X9)、毛條回潮率(X1);2)對粗紗單重(R2)來說,重要參數(shù)為長度離散系數(shù)(X6)、毛條毛粒(X10)和毛條回潮率(X1),其貢獻率分別為19.1%、18.1%和17.5%。較為重要的影響因子(5%~10%)依次為粗紗捻系數(shù)(X13)、前紡總牽伸倍數(shù)(X12)、直徑離散系數(shù)(X4)、短毛率(X7)、毛條重量不勻率(X9)。不重要的參數(shù)(<5%)依次為毛條重量(X8)、纖維平均長度(X5)、毛條含油率(X2)、纖維平均直徑(X3)、前紡總并合次數(shù)(X11)。對比多元線性回歸分析,對粗紗CV值來說,最重要的3個影響因子都是長度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)和纖維平均直徑(X3)。對粗紗單重而言,采用BP網(wǎng)絡(luò)權(quán)重法得出最重要的3個參數(shù)為長度離散系數(shù)(X6)、毛條毛粒(X10)和毛條回潮率(X1)。而多元回歸分析得出的是長度離散系數(shù)(X6)、毛條重量(X8)和毛條回潮率(X1),兩者略有差異,可見兩種參數(shù)重要性評價具有較好的一致性,而且BP網(wǎng)絡(luò)法能夠量化。粗紗工序輸入?yún)?shù)重要性定量評價法,經(jīng)過運用歷史數(shù)據(jù)的BP網(wǎng)絡(luò)建模技術(shù),找出了各參數(shù)對其質(zhì)量的重要程度,為合理調(diào)配粗紗工藝,達到最優(yōu)的粗紗質(zhì)量提供了參考。參考文獻(五號黑體,1.5倍行距)[1]劉曾賢.精毛紡前紡各過程理論不勻率指數(shù)的研討[J].毛紡科技,1999(6):5-12.(小五宋體)LIUCengxian.Astudyonthetheoreticalirregularityindexforthepreparatorypassagesofworstedspinning[J].WoolTextileJournal,1999(6):5-12.[2]DONGKuiyong,YUWeidong.AworstedyarnJournalofDonghuaUniversity:EngEd,,21(4):34-37.(小五Rome)[3]于偉東,楊建國.紡織工業(yè)中的虛擬加工技術(shù)與模式[J].紡織導(dǎo)報,(7):10-16,22.YUWeidong,YANGJianguo.Virtualmanufacturingtechnologyandmodelsfortextileindustry[J].ChinaTextileLeader,(7):10-16,22.[4]DavidERumelhart,GeoffreyEHinton,RonaldJWilliams.Learningrepresentationsbyback-propagatingerrors[J].Nature,1986(323):533-536.[5]Hecht-NielsonR.Theoryoftheback-propagationneuralnetwork[C]//IEEE.InternationalJointConferenceonNeuralnetworks.Washington:[s.n.].1989:53.[6]LVZJ,XIANGQ,YINXG,etal.Aknowledge-reusebasedintelligentreasoningmodelforworstedprocessoptimization[J].JournalofDonghua[7]王秀坤,張曉峰.用一組單輸出的子網(wǎng)絡(luò)代替多輸出的BP網(wǎng)絡(luò)[J].計算機科學(xué),,28(10):61-63.WANGXiukun,ZHANGXiaofeng.AnewarchitectureofneuralnetworksarrayreplacingofamultipleoutputsBPmodelnetworks[J].ComputerScience,,28(10):61-63.[8]高大啟.有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究[J].計算機學(xué)報,1998,21(1):80-86.GAODaqi.Onstructuresofsupervisedlinearbasisfunctionfeedforwardthree-layeredneuralnetworks[J].ComputerScience,1998,21(1):80-86.[9]吳輝,錢國坻,華兆哲,等.新型堿性果膠酶用于棉針織物精練的工藝優(yōu)化[J].紡織學(xué)報,,29(5):59-63.WUHui,QIANGuodi,HUAZhaozhe,etal.Optimizationofscouringofknittedcottonfabricswithanew-typealkalinepectinase[J].JournalofTextileResearch,,29(5):59-63.參考文獻格式

參考文獻的數(shù)目應(yīng)大于10篇,且盡量少引用圖書類(M類)文獻,多引用近兩年來在國內(nèi)外連續(xù)出版物上刊登的論文文獻。若參考過本刊論文的請勿忘標注在參考文獻中。參考文獻執(zhí)行中華人民共和國國家標準GB7714—《文后參考文獻著錄規(guī)則》,只列主要的,未公開發(fā)表的資料勿引用,著錄格式采用順序編碼制。

即日起,凡參考文獻為中文類的(包括專著、期刊、報紙、論文集、專利、標準、電子文獻等)要有一一對應(yīng)的英文內(nèi)容,即需將各著錄項目均翻譯成英文,且必須按原發(fā)期刊英文形式標注,如原發(fā)刊物不含英文題目,自行翻譯時請注意其準確性;若參考文獻為非中文類的(如英文),則無需翻譯。英文內(nèi)容要另起一行標注。要求英文姓全部大寫?！臼纠縖1]吳輝,錢國坻,華兆哲,等.新型堿性果膠酶用于棉針織物精練的工藝優(yōu)化[J].紡織學(xué)報,,29(5):59-63.

WUHui,QIANGuodi,HUAZhaozhe,etal.Optimizationofscouringofknittedcottonfabricswithanew-typealkalinepectinase[J].JournalofTextileResearch,,29(5):59-63.

1)文后以”參考文獻:”(左頂格)作為標識,參考文獻表按文中引用的先后順序編碼依次排列,頂格編排,編碼用阿拉伯數(shù)字著錄,加方括號、不用標點,后空一字,按著錄要求規(guī)定依次著錄,回行時與首行著錄項齊平。每條文獻單獨排,最后均以”.”結(jié)束。2)文中引用的參考文獻必須在正文中有標注,如[2],[3-5]不宜寫成[3][4][5]等。3)題名、摘要、標題中不得標注參考文獻,文末按引用順序著錄。作者一律采用姓前名后的方式著錄(外文作者名應(yīng)縮寫),作者間用”,”間隔,作者少于3人應(yīng)全部寫出,3人以上只列出前3人,后加”等”或”etal”。4)文獻的作者,期刊名的縮寫一律不加縮寫點,縮寫的單詞要國際通用的縮寫方法,不可隨意縮寫。5)多次引用同一著者的同一文獻時,在正文中標注首次引用的文獻序號,并在序號的”[]”外著錄引文頁碼,如[3]123。6)凡是從期刊中析出的文獻,應(yīng)在刊名之后注明其年份、卷、期、部分號、頁碼。如,27(8):25-28.如查不到卷數(shù)僅有期數(shù),則寫成(8):25-26。7)凡是從報紙中析出的文獻,應(yīng)在報紙名后著錄其出版日期與版次。如-03-14(1)8)題名之后如有其它題名信息,包括副題名、多卷書的分卷書名、卷次、冊次等,則之間用”:”隔開。如東華大學(xué)學(xué)報:自然科學(xué)版,世界出版業(yè):美國卷等。

著錄格式例舉如下。

例1

專著(圖書、學(xué)位論文,技術(shù)報告,多卷書等)[序號]主要責(zé)任者.題名:其它題名信息[文獻類型標志(電子文獻必備,其它文獻任選)].其它責(zé)任者(任選).版本項.出版地:出版者,出版年:引文頁碼[引用日期](聯(lián)機文獻必備,其它電子文獻任選).獲取和訪問路徑.(聯(lián)機文獻必備).[1]姚穆,周錦芳,黃淑珍,等.紡織材料學(xué)[M].2版.北京:中國紡織出版社,1997:147.[2]李慧敏.面向電子化量身定制服裝eMTM三維人體測量數(shù)據(jù)庫德研究與實現(xiàn)[D].上海:東華大學(xué),.[3]

HintonE,OwenDR．FiniteElementProgramming[M]．NewYork:AcademikPressInc,1977:124-140．例2

專著中的析出文獻(論文集、匯編等)[序號]析出文獻主要責(zé)任者.析出文獻題名[文獻類型標志].析出文獻其它責(zé)任者//專著主要責(zé)任者.專著題名:其它題名信息.版本項.出版地:出版者,出版年:析出文獻的頁碼[引用日期].獲取和訪問路徑.[4]馬克思.關(guān)于《工資、價格和利潤》的報告禮記[M]//馬克思,恩格斯.馬克思恩格斯全集:第44卷.北京:人民出版社,1982:505.[5]胡伯陶.天然彩色棉的狀況和產(chǎn)業(yè)發(fā)展的研究[C]//劉樹梅,尹耐冬,李瑞萍,等.第九屆全國花式紗線及其織物技術(shù)進步研討會論文集.北京:中國紡織信息中心,:24-33.[6]

WUCT,McCulloughRL．Constitutivere