众文网1.求数据挖掘的论文
数据挖掘、OLAP在财务决策中的应用杨春华（杭州商学院财务与会计学院，杭州，310012）[摘要]数据挖掘、OLAP是当前基于大型数据库或数据仓库的新型信息分析技术，在许多领域得到广泛应用，取得了很好的成效。
如何将其应用于财务决策以提高决策的正确性、及时性，降低决策的风险，已成为财务管理领域的重要研究课题。本文在介绍数据挖掘、OLAP技术及其相互关系的基础上，分析了财务决策领域应用这两种技术的现实必要性，并进一步论述了财务决策中数据挖掘和OLAP的应用流程。
[Abstract]In this paper, the author introduced Data Mining and OLAP at first. And then, the author analyzed the practical necessity for the firms to apply these two techniques in the area of financial decision-making. In the end, the author brought forward the flow of the appliance.[关键词]数据挖掘，联机分析处理，财务决策[Key words]Data Mining,OnLine Analysis Process(OLAP),Financial Decision-making正文随着计算机技术和Internet技术的发展，以及企业在以往事务型处理中数据的不断积累，一方面企业数据资源日益丰富，信息超载，另一方面数据资源中蕴涵的知识企业却至今未能得到充分的挖掘和利用，“数据丰富而知识贫乏”是常见现象。如何才能不被信息的汪洋大海所淹没，并能从中及时发现有用的知识，提高信息的利用效率，已成为企业急需面对的一个问题。
正是在这种背景下，数据挖掘、OLAP技术应运而生。这是两种基于大量数据库或数据仓库的新型数据分析技术。
将其应用到财务决策领域则有利于提高决策的正确性、及时性，降低决策的风险。一、数据挖掘与OLAP1.数据挖掘关于数据挖掘，一种较为公认的定义是由G.Piatetsky-Shapiro等人提出的。
他们认为：数据挖掘是从大型数据库中提取人们感兴趣的知识，这些知识是隐含的、事先不知的，潜在有用的信息。数据挖掘涉及到机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等各个领域。
它不仅面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。这样一来，就把人们对数据的应用从低层次的末端查询操作，提高到为各级经营决策者提供决策支持。
2.OLAP联机分析处理（OLAP）的概念最早是由关系数据库之父E.F.Codd于1993年提出的，它是基于大型数据库或数据仓库的信息分析过程，是大型数据库或数据仓库的用户接口部分，其目的是满足决策支持或多维环境特定的查询和报表要求。简单地讲，OLAP就是共享多维信息的快速分析。
它是跨部门、面向主题的，其基本特点是快速性、可分析性、多维性、信息性和共享性。也就是说，OLAP能快速响应用户的要求，能处理与应用有关的任何逻辑分析和统计分析，能提供多维数据分析的多维视图，能及时获得信息和管理大容量的信息，以及能在大量用户群中共享潜在的数据。
其中“多维性”是其核心灵魂。3.数据挖掘与OLAP数据挖掘和OLAP都是基于大型数据库或数据仓库的数据分析技术，有着一定的联系和区别。
数据挖掘和OLAP最本质的区别在于，数据挖掘是一种挖掘性的分析工具，它主要是利用各种分析方法主动地去挖掘大量数据中蕴涵的规律，产生一些假设，帮助人们在这些假设的基础上更有效地进行决策；而OLAP则是一种求证性的分析工具，一般由用户预先设定一些假设，然后使用OLAP去验证这些假设，提供可以使用户很方便地进行数据分析的手段。但就工具而言，数据挖掘和OLAP这两种分析工具本身又是相辅相成的，且界限正在逐渐模糊。
OLAP的分析结果可以补充到系统知识库中，给数据挖掘提供分析信息并作为数据挖掘的依据；数据挖掘发现的知识可以指导OLAP的分析处理，拓展OLAP分析的深度，以便发现OLAP所不能发现的更为复杂、细致的信息。二、财务决策中应用数据挖掘、OLAP的必要性财务决策是企业决策中最重要的组成部分之一。
任何好的财务决策都需要事实和数字支持。一个财务决策的正确程度取决于所使用的事实和数字的正确程度。
随着竞争的增加，财务决策的时效性也变得越来越重要了。因此，在财务决策领域应用数据挖掘、OLAP是企业现实的需要。
1.有利于提高财务信息的利用能力。解决企业财务决策问题需要询问为中心的数据图解，其以序列导向和多维为特征。
而传统的财务数据查询是一种事务处理（OLTP），它是面向应用，支持日常操作的，对查询得到的数据信息缺乏分析能力，决策者不能够在大量历史数据的支持下对某一主题的相关数据进行多角度的比较、分析，得出科学的分析结果。因此，财务决策问题自身的多维特性驱动了数据挖掘、OLAP在其领域的应用，以提高财务信息的利用能力。
2.有利于解决财务信息的噪音问题。科学财务决策必须以尽可能真实、及时、充分的信息为依据。
这些信息既包括诸如企业目标、企业现状、事物状况等企业的内部资料，又包括诸如客户、供应商等企业的关联。
2.急求有关数据挖掘方面的毕业论文题目
寿险行业数据挖掘应用分析
寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。
数据挖掘
数据挖掘（Data Mining,DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则（Rules）、模式（Patterns）等形式。
目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM(Cross-Industry Standard Process for Data Mining)就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解（Data Understanding），数据准备（Data Preparation），建模（Modeling），评估（Evaluation）和发布（Deployment）。
商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。
行业数据挖掘
经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。
根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。
针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。
挖掘系统架构
挖掘系统包括规则生成子系统和应用评估子系统两个部分。
规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统.根据效果每月动态生成新的模型。
应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。
目前比较常用的分析指标有： 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。
实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
3.求文档： Data Mining 相关英文文章,带翻译的更好
数据挖掘或知识发现，是意义的数据计算机辅助工艺和挖掘，通过分析大量的数据集，然后提取。
Data mining tools predict behaviors and future trends, allowing businesses to make proactive, knowledge-driven decisions.数据挖掘工具的行为和预测未来趋势，让企业能够作出积极的，知识驱动的决策。 Data mining tools can answer business questions that traditionally were too time consuming to resolve.数据挖掘工具可以回答业务问题，传统上过于耗费时间来解决。
They scour databases for hidden patterns, finding predictive information that experts may miss because it lies outside their expectations.他们冲刷隐藏模式数据库，查找资料，专家预测可能会错过，因为它超出自己的期望所在。 Data mining derives its name from the similarities between searching for valuable information in a large database and mining a mountain for a vein of valuable ore.数据挖掘派生之间寻找一个大型数据库中的有价值的信息和矿业为一个有价值的矿脉山相似而得名。
Both processes require either sifting through an immense amount of material, or intelligently probing it to find where the value resides.这两个过程都需要要么翻看巨额的材料，或智能探测到寻找到价值所在。 数据挖掘是如何能告诉你重要的事情，你不知道什么是下一个将要发生？ That technique that is used to perform these feats is called modeling.那是用来执行这些功勋技术称为建模。
Modeling is simply the act of building a model (a set of examples or a mathematical relationship) based on data from situations where the answer is known and then applying the model to other situations where the answers aren't known.建模是建立一个简单的模型（一个例子集或数学关系）的基础上，从其中的答案是已知的，然后应用该模型来这里的答案是不知道的其他情况下情况下的数据的行为。 Modeling techniques have been around for centuries, of course, but it is only recently that data storage and communication capabilities required to collect and store huge amounts of data, and the computational power to automate modeling techniques to work directly on the data, have been available.建模技术已经存在了几个世纪的过程，但它只是在最近，数据存储和通信功能需要收集和储存大量的数据和计算能力自动建模技术工作，对直接输入资料，已可。
As a simple example of building a model, consider the director of marketing for a telecommunications company.作为建设示范简单的例子，考虑一个电信公司的市场总监。 He would like to focus his marketing and sales efforts on segments of the population most likely to become big users of long distance services.他希望把重点放在人口中最有可能成为大用户长途电话服务领域，他的营销和销售工作。
He knows a lot about his customers, but it is impossible to discern the common characteristics of his best customers because there are so many variables.他知道关于他的顾客很多，但它是不可能辨别他最好的客户的共同特点，因为有这么多的变数。 From his existing database of customers, which contains information such as age, sex, credit history, income, zip code, occupation, etc., he can use data mining tools, such as neural networks, to identify the characteristics of those customers who make lots of long distance calls.从他的现有数据库的客户，其中包含如年龄，性别，信用记录，收入，邮政编码，职业等信息，他可以使用数据挖掘工具，如神经网络，以确定这些客户的特点谁做大量的长途电话。
For instance, he might learn that his best customers are unmarried females between the age of 34 and 42 who make in excess of $60,000 per year.例如，他可能知道他最好的客户之间的未婚34和42岁的女性谁在超过60,000美元，每年进行。 This, then, is his model for high value customers, and he would budget his marketing efforts to accordingly.那么，这是他对高价值客户的模型，他将他的营销预算相应的努力。
在数据挖掘中所使用的分析技术往往是著名的数学算法和技术。 What is new is the application of those techniques to general business problems made possible by the increased availability of data and inexpensive storage and processing power.新鲜的是这些技术的应用成为可能，一般业务问题的数据和便宜的存储和处理能力，提高可用性。
Also, the use of graphical interfaces has led to tools becoming available that business experts can easily use.此外，图形界面的使用导致了可用的工具，成为业务专家可以方便地使用。
4.毕业设计论文,本人英语水平有限,需要英语高手帮我把摘要翻译成英
Abstract Data mining is a database application and research of a new area, its objectives through the analysis of historical data, statistics of interest to users or valuable information. In stock trading business, every day large amounts of data into the data warehouse, the data on our understanding of market trends, make the right investment decision-making provides a theoretical basis for research. With time series analysis of theory and research methods to gradually mature, in the stock analysis of the forecast of time series analysis has become a practical significance. From the perspective of applications, data mining on the related concepts, through the time-series data analysis and processing, designed to achieve a stock transaction price forecast for the objectives of the intelligent data mining system. The system background SQL Server 2005 using the available time-series data for the pretreatment, and then build on these time-series data mining model. Outlook for the use of C # language design system interface, users need only a simple operation can view the time series mining model, and use the model to predict the stock transaction price. This study proposed the adoption of our history to predict the future provide a favourable environment for evidence. Keyword: data mining, time series analysis; Microsoft timing algorithm; time series mining model; Stock prices were forecast;。
5.统计学的论文资料
从统计学的发展趋势谈统计教育的改革 摘要：要培养出新型的21世纪的人才，统计教育必须高瞻远瞩。
本文从统计学的发展趋势谈了统计教育急需改革的几个方面。关键词： 统计学； 发展趋势； 统计教育改革 随着国家创新体系的建立，统计创新工程已经提上议事日程，统计创新包括两个方面，一是统计实践的创新；二是统计教育的创新。
创新的基础在于教育，没有统计教育的创新，就谈不上统计实践的创新。准确把握统计学的发展方向与发展形势，培养适应新世纪社会经济发展需要的人才，是统计教育工作者必须面对的问题，本文从统计学的基本发展趋势谈一谈统计教育急需改革的几个方面。
一、统计学的基本发展趋势 纵观统计学的发展状况，与整个科学的发展趋势相似，统计学也在走与其他科学结合交融的发展道路。归纳起来，有两个基本结合趋势。
（一）统计学与实质性学科结合的趋势 统计学是一门通用方法论的科学，是一种定量认识问题的工具。但作为一种工具，它必须有其用武之地。
否则，统计方法就成为无源之水，无用之器。统计方法只有与具体的实质性学科相结合，才能够发挥出其强大的数量分析功效。
并且，从统计方法的形成历史看，现代统计方法基本上来自于一些实质性学科的研究活动，例如，最小平方法与正态分布理论源于天文观察误差分析，相关与回归源于生物学研究，主成分分析与因子分析源于教育学与心理学的研究。抽样调查方法源于政府统计调查资料的搜集。
历史上一些著名的统计学家同时也是生物学家或经济学家等。同时，有不少生物学家、天文学家、经济学家、社会学家、人口学家、教育学家等都在从事统计理论与方法的研究。
他们在应用过程中对统计方法进行创新与改进。另外，从学科体系看，统计学与实质性学科之间的关系绝对不是并列的，而是相交的，如果将实质性学科看作是纵向的学科，那么统计学就是一门横向的学科，统计方法与相应的实质性学科相结合，才产生了相应的统计学分支，如统计学与经济学相结合产生了经济统计，与教育学相结合产生了教育统计，与生物学相结合产生了生物统计等，而这些分支学科都具有"双重"属性：一方面是统计学的分支，另一方面也是相应实质性学科的分支，所以经济统计学、经济计量学不仅属于统计学，同时属于经济学，生物统计学不仅是统计学的分支，也是生物学的分支等。
这些分支学科的存在主要不是为了发展统计方法，而是为了解决实质性学科研究中的有关定量分析问题，统计方法是在这一应用过程中得以完善与发展的。因此，统计学与各门实质性学科的紧密结合，不仅是历史的传统更是统计学发展的必然模式。
实质性学科为统计学的应用提供了基地，为统计学的发展提供了契机。21世纪的统计学依然会采取这种发展模式，且更加注重应用研究。
这个趋势说明：统计方法的学习必须与具体的实质性学科知识学习相结合。必须以实质性学科为依据，因此，财经类统计专业的学生必须学好有关经济类与管理类的课程，只有这样，所学的统计方法才有用武之地。
统计的工具属性才能够得以充分体现。（二）统计学与计算机科学结合的趋势 纵观统计数据处理手段发展历史，经历了手工、机械、机电、电子等数个阶段，数据处理手段的每一次飞跃，都给统计实践带来革命性的发展。
上个世纪40年代第一台电子计算机的诞生，给统计学方法的广泛应用创造了条件。20年代发展起来的多元统计方法虽然对于处理多变量的种类数据问题具有很大的优越性，但由于计算工作量大，使得这些有效的统计分析方法一开始并没有能够在实践中很好推广开来。
而电子计算机技术的诞生与发展，使得复杂的数据处理工作变得非常容易，那些计算繁杂的统计方法的推广与应用，由于相应统计软件的开发与商品化而变得更加方便与迅速，非统计专业的理论工作者可以直接凭借商品化统计分析软件来处理各类现实问题的多变量数据分析，而无需对有关统计方法的复杂理论背景进行研究。计算机运行能力的提高，使得大规模统计调查数据的处理更加准确、充分与快捷。
目前企业经营管理中建立的决策支持系统（DSS）更加离不开统计模型。最近国外兴起的数据挖掘（Datamining，又译"数据掏金"）技术更是计算机专家与统计学家共同关注的领域。
随着计算机应用的越来越广泛，每年都要积累大量的数据，大量信息在给人们带来方便的同时也带来了一系列问题：信息过量，难以消化；信息真假，难以辨识；信息安全，难以保证；信息形式不一致，难以统一处理；于是人们开始提出一个新的口号"要学会抛弃信息"。人们考虑"如何才能不被信息淹没，而是从中及时发现有用的知识，提高信息利用率？"面对这一挑战，数据挖掘和知识发现（DMKD）技术应运而生，并显示出强大的生命力。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是一门交叉学科，它把人们对数据的应用从低层的简单查询，提升到从数据中挖掘知识，提供决策支持。
在这种需求牵引下，汇聚了不同领。
6.求毕业论文外文资料~
1. 添加入标记条目中 期刊文章 Human Resource Allocation in a CPA Firm: A Fuzzy Set Approach Wikil Kwak, Yong Shi and Kooyul Jung The review of existing human resource allocation models for a CPA。
Review of Quantitative Finance and Accounting, Volume 20, Number 3 / 2003年5月 PDF (77.4 KB) 2. 添加入标记条目中 期刊文章 Corporate Social Reporting in the European Context and Human Resource Disclosures: An Analysis of Finnish Companies Taru Vuontisjärvi 。interface between HR reporting (especially as based on measurements such as Human Resource Accounting and Intellectual Capital schools) and corporate social reporting practices. The results。
Journal of Business Ethics, Volume 69, Number 4 / 2006年12月 PDF (220.8 KB) 3. 添加入标记条目中 期刊文章 Human resource accounting Carme Barcons-Vilardell, Soledad Moya-Gutierrez, Antonio Somoza-López, Josep Vallverdú-Calafell and Carlos Griful-Miquela Abstract Human resources is an old field of research in economics, as reflected by accounting treatments. This paper reviews this。International Advances in Economic Research, Volume 5, Number 3 / 1999年8月 PDF (571.7 KB) 4. 添加入标记条目中 图书章节 A Machine Learning Application for Human Resource Data Mining Problem Zhen Xu and Binheng Song 。
for problems with changing conditions. Human resource allocation is a kind of。Lecture Notes in Computer Science, Advances in Knowledge Discovery and Data Mining PDF (238.9 KB) 5. 添加入标记条目中 图书章节 Human Capital Management Peter Friederichs and Monika Labes Dieses einführende Kapitel geht zunächst auf den Begriff Human Capital und dessen unterschiedliche ein. In einem kurzen Problemaufriss wird die。
Human Capital Management, Teil I PDF (216.3 KB) 6. 添加入标记条目中 图书章节 Fuzzy Logic Experience Model in Human Resource Management Zhen Xu, Binheng Song and Liang Chen 。of most important functions in human resource management. It presents a new。
Lecture Notes in Computer Science, Knowledge-Based Intelligent Information and Engineering Systems PDF (209.7 KB) 7. 添加入标记条目中 期刊文章 Natural Resource Management to Offset Greenhouse Gas Emissions Robert A. Mickler Environmental Management, Volume 33, Number 4 / 2004年8月 PDF (135.0 KB)HTML 8. 添加入标记条目中 期刊文章 Conflicts between humans over wildlife management: on the diversity of stakeholder attitudes and implications for conflict management Keith Marshall, Rehema White and Anke Fischer Abstract Conflicts involving wildlife are, in essence, often conflicts between human parties with differing wildlife management objectives. However, the study and management of。Biodiversity and Conservation, Volume 16, Number 11 / 2007年10月 PDF (494.6 KB)HTML 9. 添加入标记条目中 图书章节 For the Knowledge Society: How to Involve Human Resources in Gaming Arata Ichikawa and Mieko Nakamura Gaming, Simulations, and Society, Part IV PDF (179.4 KB) 10. 添加入标记条目中 期刊文章 Characterization of the human lineage-specific pericentric inversion that distinguishes human chromosome 1 from the homologous chromosomes of the great apes Justyna M. Szamalek, Violaine Goidts, David N. Cooper, Horst Hameister and Hildegard Kehrer-Sawatzki Abstract The human and chimpanzee genomes are distinguishable in terms of ten gross karyotypic differences。
Human Genetics, Volume 120, Number 1 / 2006年8月。
7.毕业论文怎么写
毕业论文是学生时代最重要的一件事，事关能否毕业，而毕业论文的格式又决定了一篇论文的水准，所以我们在做毕业论文时，一定要按正确的毕业论文的格式排版。
第一、构成项目 毕业论文包括以下内容： 封面、内容提要与关键词、目录、正文、注释、附录、参考文献。其中“附录”视具体情况安排，其余为必备项目。
如果需要，可以在正文前加“引言”，在参考文献后加“后记”。 第二、各项目含义 （1）封面 封面由文头、论文标题、作者、学校名称、专业、年级、指导教师、日期等项内容组成。
（2）内容提要与关键词 内容提要是论文内容的概括性描述，应忠实于原文，字数控制在300字以内。关键词是从论文标题、内容提要或正文中提取的、能表现论文主题的、具有实质意义的词语，通常不超过7个。
（3）目录 列出论文正文的一二级标题名称及对应页码，附录、参考文献、后记等对应的页码。 （4）正文 正文是论文的主体部分，通常由绪论（引论）、本论、结论三个部分组成。
这三部分在行文上可以不明确标示。 （5）.注释 对所创造的名词术语的解释或对引文出处的说明，注释采用脚注形式。
（6）附录 附属于正文，对正文起补充说明作用的信息材料，可以是文字、表格、图形等形式。 （7）参考文献 作者在写作过程中使用过的文章、著作名录。
4、毕业论文格式编排 第一、纸型、页边距及装订线 毕业论文一律用国家标准A4型纸（297mmX210mm）打印。页边距为：天头（上）30mm，地脚（下）25mm，订口（左）30mm，翻口（右）25mm。
装订线在左边，距页边10mm。 第二、版式与用字 文字、图形一律从左至右横写横排，1.5倍行距。
文字一律通栏编辑，使用规范的简化汉字。忌用繁体字、异体字等其他不规范字。
第三、论文各部分的编排式样及字体字号 （1）文头 封面顶部居中，小二号行楷，顶行，居中。固定内容为“成都中医药大学本科毕业论文”。
（2）论文标题 小一号黑体。文头居中，按小一号字体上空一行。
（如果加论文副标题，则要求：小二号黑体，紧挨正标题下居中，文字前加破折号） 论文标题以下的行距为：固定值，40磅。 （3）作者、学院名称、专业、年级、指导教师、日期 项目名称用小三号黑体，后填写的内容处加下划线标明，8个汉字的长度，所填写的内容统一用三号楷体，各占一行，居中对齐。
下空两行。 （4）内容提要及关键词 紧接封面后另起页，版式和字号按正文要求。
其中，“内容提要”和 “：” 黑体，内容用宋体。上空一行，段首空两格，回行顶格：“关键词”与 “内容提要”间隔两行，段首空两格。
“关键词”和 “：” 用黑体，内容用宋体。关键词通常不超过七个，词间空一格。
（5）目录 另起页，项目名称用3号黑体，居中排列，上下各空一行；内容用小4号仿宋。 （6）正文文字：另起页。
（7）论文标题：用二号黑体加粗，居中排列，上空一行；下标明年级、专业、作者，作者姓名另起一行，四号楷体，居中排列；下空两行接正文。正文文字一般用小四号宋体，每段起首空两格，回行顶格，单倍行距。
（8）正文文中标题 一级标题，标题序号为“一、”与正文字号相同，黑体，独占行，末尾不加标点； 二级标题，标题序号为“（二）”，与正文字体字号相同，独占行，末尾不加标点； 三级以下标题序号分别为“1.”和（1），与正文字体字号相同。为避免与注释相互混淆，不可用“①”。
可根据标题的长短确定是否独占行，若独占行，则末尾不使用标点，否则，标题后必须加句号。每级标题的下一级标题应各自连续编号。
（9）注释：正文中加注之处右上角加数码，形式统一为“①”，同时在本页留出适当行数，用横线与正文分开，空两格后定出相应的注号，再写注文。注号以页为单位排序，每个注文各占一段，用小5号宋体。
引用文章时，注文的顺序为：作者、文章标题、刊物名、某年第几期〈例如 ： ①龚祥瑞：《论行政合理性原则》， 载《法学杂志》1987年第1期。）；引用著作时，注文的顺序为：作者、著作名称、出版者、某年第几版、页数 （ 例如：② [ 英 ] 威廉·韦德著：《行政法》，楚剑译，中国大百科全书出版社 1997年版，第5页。）
（10）附录 项目名称为小四号黑体，在正文后空两行空两格排印，内容编排参考“示范文本”。
（11）参考文献 项目名称用小四号黑体，在正文或附录后空两行顶格排印，另起行空两格用小四号宋体排印参考文献内容，具体编排方式同注释（参考的著作可不写第几页） 。 （12）页码 首页不编页码，从第二页起，居中编排。
资料摘自：脚印代写论文。
转载请注明出处众文网 » datamining毕业论文