【图文】2016审定最新人教版小学六年级数学下册《温度中的负数、存折上的负数》ppt课件_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
&购买后可评价
您可以上传图片描述问题
联系电话：
请填写真实有效的信息，以便工作人员联系您，我们为您严格保密。
2016审定最新人教版小学六年级数学下册《温度中的负数、存折上的负数》ppt课件
||暂无简介
总评分1.0|
浏览量42252
大小：14页
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢还没有帐号？ 赶紧
用户版块帖子
彻底拆了个CZ80 认识这是什么F么？
UID：1341273
在线时间140小时
M币849专家10
&&&&&&&&先来无事，把之前买的CZ80拆了，里面的Flash 吹了下来之后， G ， 找不到这个Flash ，据说是 SSD主控，想来可能通道数比较多，速度能超过一般U盘，如果32G的版本 是双管芯的，上个 普通的 主控兴许也能 速度很快，还能量产，，，，不过拆下来之后，也没看出是什么F ，上个图&&&&&&&&=731) window.open('http://img.mydigit.net/Mon_e06f4a0d00b.jpg?21');" style="max-width:731" onload="if(is_ie6&&this.offsetWidth>731)this.width=731;" title="请输入描述" alt="请输入描述">&&有点无解啊 ， 拆了这个CZ80， 求点M吧
芯片什么封装呀？上安国主控试一试
加分，不错不错，鼓励一下。
LZ真伟大！请点左边黑色的小芯片图标看看详细ID，这F是LGA52吗？
UID：1274712
在线时间431小时
M币1196专家1
快上照片，照片了?
UID：1207535
在线时间1672小时
M币7593专家15
在Innostor的FlashDatabase里翻了翻，没有45 4C 95 83再看看SMI的
UID：1341273
在线时间140小时
M币849专家10
=731) window.open('http://img.mydigit.net/Mon_a538da5d9.jpg?156');" style="max-width:731" onload="if(is_ie6&&this.offsetWidth>731)this.width=731;" title="" alt="">&& 貌似这么拆的 就我一个吧。。。。。。
UID：1341273
在线时间140小时
M币849专家10
回 sitianshu 的帖子
:在Innostor的FlashDatabase里翻了翻，没有45 4C 95 83再看看SMI的 ( 18:14) 点开前面 全的 显示是&& 45 4C 95 83 7A 00
UID：1207535
在线时间1672小时
M币7593专家15
SMI的支持列表也没有...LZ如果确定焊接没问题，就吹回去吧此芯片目前无解
UID：1390720
在线时间2524小时
M币43450专家36
土豪中的土豪啊才拆这个东西
他就是土豪，买东西都是用顺丰
UID：1326931
在线时间147小时
M币1252专家0
呵呵 很好 联洋的没有用过不知怎么样
UID：1522456
在线时间589小时
M币9780专家2
加分，不错不错，鼓励一下。
UID：1341273
在线时间140小时
M币849专家10
回 sitianshu 的帖子
:SMI的支持列表也没有...LZ如果确定焊接没问题，就吹回去吧此芯片目前无解 ( 18:25) &&&&&&&&这个装回去， 多没意思啊，，&&不会都不支持吧， 闪迪真 拙计啊
温馨提示：欢迎交流讨论，请勿发布纯表情、纯引用等灌水帖子；以免被删除
您目前还是游客，请
&回复后跳转到最后一页
Code by , Time now is:07-22 20:02,
Gzip enabled&正确认识去库存
数字报_电子版_闽西新闻网
& & & & & & &
第04版：房车
新闻搜索：
&&&&&&&&&&
正确认识去库存
□ 石钒 近日，有媒体报道某地房地产的库存之事。一石激起千层浪，社会各界反响不同。有人提出媒体记者理解很片面,拿位置比较偏的少数楼盘说事，有失偏颇。也有人认为，只要是当地房地产业发展健康，谁说都不怕，如果影响也是暂时的。公说公有理、婆说婆有理，智者绝对不能人云亦云，必须有清醒的认识。 市场规律是大家必须共同遵守的。就国家宏观层面而言，存在着钢铁、水泥、能源等产业过剩问题，因此，国家采取了调整产业政策的措施，想方设法化解库存产品。就房地产业而言，国内某些地方,特别是三四线城市存在着房地产库存严重现象——个别开发商拿到地后，只有部分资金建设，原指望通过预售后回笼部分资金，没想到销售形势不好，后续资金无法跟上，最后形成了“烂尾楼”。一些开发商实力雄厚，有充足资金投入并建成楼盘，但房子卖不出去，老百姓称之为“鬼城”。 房地产是否存在库存和积压，政府部门必须开展调查，要清楚该区域现有多少人口？其中流动人口多少？现有多少楼盘？有多少面积?保障房、商品房各多少？就未来而言，必须清楚规划期内人口多少？其中流动人口多少？搞清楚这些,房地产的需求形势就比较明朗了。 房地产有库存和积压问题，明智办法不是藏着不承认，而是找办法、想主意，采取措施去库存。习近平总书记在中央财经领导小组第十一次会议上的讲话中指出：“要化解房地产库存，促进房地产业持续发展”。近日，中央经济工作会议也提出：“通过加快农民工市民化，扩大有效需求，打通供需通道，消化库存，稳定房地产市场”。过去，房地产业作为国民经济支柱产业，发挥了“一业带动百业”作用。新常态下，我们必须在产业化与城镇化良性互动的基础上以人为本推动房地产业的发展。就我市而言，在市委市政府领导下，应该正确面对发展中存在的困难和问题，抢抓机遇，推动房地产业健康发展。
闽互联网新闻信息服务备案[]号
地址：福建省龙岩市新罗区登高东路155号
邮政编码：364000 E-mail:
联系电话：
所有内容为闽西日报社版权所有.未经许可,不得转载或镜像10分钟让你明白大数据 网友观点大拆解
　作者: 凌燕　编辑:
　　【IT168 评论】大数据的概念被吵的越来越厉害，这对于一个新技术领域的诞生是一个必经过程。对于“大数据”(Big Data)，研究机构Gartner给出的定义是：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。　　　　两年前，《纽约时报》撰文“欢迎大数据的到来”，两年后，大数据的商业价值已经显现。在各个行业，我们都已能看到大数据的身影。网友关于大数据生态这一话题也进行了生动激烈的探讨，一起来看看他们的观点吧!　　xiaoyu Ma：大数据的讨论，大数据本身是个很宽泛的概念，Hadoop生态圈(或者泛生态圈)基本上都是为了处理超过单机尺度的数据处理而诞生的。你可以把它比作一个厨房所以需要的各种工具。锅碗瓢盆，各有各的用处，互相之间又有重合。你可以用直接当碗吃饭喝汤，你可以用小刀或者刨子去皮。但是每个工具有自己的特性，虽然奇怪的组合也能工作，但是未必是最佳选择。　　大数据，首先你要能存的下大数据。　　传统的文件系统是单机的，不能横跨不同的机器。HDFS(Hadoop Distributed FileSystem)的设计本质上是为了大量的数据能横跨成百上千台机器，但是你看到的是一个文件系统而不是很多文件系统。比如你说我要获取/hdfs /tmp/file1的数据，你引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。你作为用户，不需要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。HDFS为你管理这些数据。　　存的下数据之后，你就开始考虑怎么处理数据。虽然HDFS可以为你整体管理不同机器上的数据，但是这些数据太大了。一台机器读取成T上P的数据(很大的数据哦，比如整个东京热有史以来所有高清电影的大小甚至更大)，一台机器慢慢跑也许需要好几天甚至好几周。对于很多公司来说，单机处理是不可忍受的，比如微博要更新24小时热博，它必须在24小时之内跑完这些处理。那么我如果要用很多台机器处理，我就面临了如何分配工作，如果一台机器挂了如何重新启动相应的任务，机器之间如何互相通信交换数据以完成复杂的计算等等。这就是MapReduce / Tez / Spark的功能。MapReduce是第一代计算引擎，Tez和Spark是第二代。MapReduce的设计，采用了很简化的计算模型，只有Map和 Reduce两个计算过程(中间用Shuffle串联)，用这个模型，已经可以处理大数据领域很大一部分问题了。　　那什么是Map什么是Reduce?　　考虑如果你要统计一个巨大的文本文件存储在类似HDFS上，你想要知道这个文本里各个词的出现频率。你启动了一个MapReduce程序。Map阶段，几百台机器同时读取这个文件的各个部分，分别把各自读到的部分分别统计出词频，产生类似(hello, 12100次)，(world，15214次)等等这样的Pair(我这里把Map和Combine放在一起说以便简化);这几百台机器各自都产生了如上的集合，然后又有几百台机器启动Reduce处理。Reducer机器A将从Mapper机器收到所有以A开头的统计结果，机器B将收到B开头的词汇统计结果(当然实际上不会真的以字母开头做依据，而是用函数产生Hash值以避免数据串化。因为类似X开头的词肯定比其他要少得多，而你不希望数据处理各个机器的工作量相差悬殊)。然后这些Reducer将再次汇总，(hello，12100)+(hello，12311)+(hello，345881)= (hello，370292)。每个Reducer都如上处理，你就得到了整个文件的词频结果。　　这看似是个很简单的模型，但很多算法都可以用这个模型描述了。　　Map+Reduce 的简单模型很黄很暴力，虽然好用，但是很笨重。第二代的Tez和Spark除了Cache之类的新feature，本质上来说，是让 Map/Reduce模型更通用，让Map和Reduce之间的界限更模糊，数据交换更灵活，更少的磁盘读写，以便更方便地描述复杂算法，取得更高的吞吐量。　　有了MapReduce，Tez和Spark之后，程序员发现，MapReduce的程序写起来真麻烦。他们希望简化这个过程。这就好比你有了汇编语言，虽然你几乎什么都能干了，但是你还是觉得繁琐。你希望有个更高层更抽象的语言层来描述算法和数据处理流程。于是就有了Pig和Hive。Pig是接近脚本方式去描述MapReduce，Hive则用的是SQL。它们把脚本和SQL语言翻译成MapReduce程序，丢给计算引擎去计算，而你就从繁琐的 MapReduce程序中解脱出来，用更简单更直观的语言去写程序了。　　有了Hive之后，人们发现SQL对比Java有巨大的优势。一个是它太容易写了。刚才词频的东西，用SQL描述就只有一两行，MapReduce写起来大约要几十上百行。而更重要的是，非计算机背景的用户终于感受到了爱：我也会写SQL!于是数据分析人员终于从乞求工程师帮忙的窘境解脱出来，工程师也从写奇怪的一次性的处理程序中解脱出来。大家都开心了。Hive逐渐成长成了大数据仓库的核心组件。甚至很多公司的流水线作业集完全是用SQL描述，因为易写易改，一看就懂，容易维护。　　自从数据分析人员开始用Hive分析数据之后，它们发现，Hive在MapReduce上跑，真的太慢!流水线作业集也许没啥关系，比如24小时更新的推荐，反正24小时内跑完就算了。但是数据分析，人们总是希望能跑更快一些。比如我希望看过去一个小时内多少人在充气娃娃页面驻足，分别停留了多久，对于一个巨型网站海量数据下，这个处理过程也许要花几十分钟甚至很多小时。而这个分析也许只是你万里长征的第一步，你还要看多少人浏览了跳蛋多少人看了拉赫曼尼诺夫的CD，以便跟老板汇报，我们的用户是猥琐男闷骚女更多还是文艺青年/少女更多。你无法忍受等待的折磨，只能跟帅帅的工程师蝈蝈说，快，快，再快一点!　　于是Impala，Presto，Drill诞生了(当然还有无数非著名的交互SQL引擎，就不一一列举了)。三个系统的核心理念是，MapReduce引擎太慢，因为它太通用，太强壮，太保守，我们SQL需要更轻量，更激进地获取资源，更专门地对SQL做优化，而且不需要那么多容错性保证(因为系统出错了大不了重新启动任务，如果整个处理时间更短的话，比如几分钟之内)。这些系统让用户更快速地处理SQL任务，牺牲了通用性稳定性等特性。如果说 MapReduce是大砍刀，砍啥都不怕，那上面三个就是剔骨刀，灵巧锋利，但是不能搞太大太硬的东西。　　这些系统，说实话，一直没有达到人们期望的流行度。因为这时候又两个异类被造出来了。他们是Hive on Tez / Spark和SparkSQL。它们的设计理念是，MapReduce慢，但是如果我用新一代通用计算引擎Tez或者Spark来跑SQL，那我就能跑的更快。而且用户不需要维护两套系统。这就好比如果你厨房小，人又懒，对吃的精细程度要求有限，那你可以买个，能蒸能煲能烧，省了好多厨具。　　上面的介绍，基本就是一个数据仓库的构架了。底层HDFS，上面跑MapReduce/Tez/Spark，在上面跑Hive，Pig。或者HDFS上直接跑Impala，Drill，Presto。这解决了中低速数据处理的要求。　　那如果我要更高速的处理呢?　　如果我是一个类似微博的公司，我希望显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟之内，上面的手段都将无法胜任。于是又一种计算模型被开发出来，这就是Streaming(流)计算。Storm是最流行的流计算平台。流计算的思路是，如果要达到更实时的更新，我何不在数据流进来的时候就处理了?比如还是词频统计的例子，我的数据流是一个一个的词，我就让他们一边流过我就一边开始统计了。流计算很牛逼，基本无延迟，但是它的短处是，不灵活，你想要统计的东西必须预先知道，毕竟数据流过就没了，你没算的东西就无法补算了。因此它是个很好的东西，但是无法替代上面数据仓库和批处理系统。　　还有一个有些独立的模块是KV Store，比如Cassandra，HBase，MongoDB以及很多很多很多很多其他的(多到无法想象)。所以KV Store就是说，我有一堆键值，我能很快速滴获取与这个Key绑定的数据。比如我用身份证号，能取到你的身份数据。这个动作用MapReduce也能完成，但是很可能要扫描整个数据集。而KV Store专用来处理这个操作，所有存和取都专门为此优化了。从几个P的数据中查找一个身份证号，也许只要零点几秒。这让大数据公司的一些专门操作被大大优化了。比如我网页上有个根据订单号查找订单内容的页面，而整个网站的订单数量无法单机数据库存储，我就会考虑用KV Store来存。KV Store的理念是，基本无法处理复杂的计算，大多没法JOIN，也许没法聚合，没有强一致性保证(不同数据分布在不同机器上，你每次读取也许会读到不同的结果，也无法处理类似银行转账那样的强一致性要求的操作)。但是丫就是快。极快。　　每个不同的KV Store设计都有不同取舍，有些更快，有些容量更高，有些可以支持更复杂的操作。必有一款适合你。　　除此之外，还有一些更特制的系统/组件，比如Mahout是分布式机器学习库，Protobuf是数据交换的编码和库，ZooKeeper是高一致性的分布存取协同系统，等等。　　有了这么多乱七八糟的工具，都在同一个集群上运转，大家需要互相尊重有序工作。所以另外一个重要组件是，调度系统。现在最流行的是Yarn。你可以把他看作中央管理，好比你妈在厨房监工，哎，你妹妹切菜切完了，你可以把刀拿去杀鸡了。只要大家都服从你妈分配，那大家都能愉快滴烧菜。　　你可以认为，大数据生态圈就是一个厨房工具生态圈。为了做不同的菜，中国菜，日本菜，法国菜，你需要各种不同的工具。而且客人的需求正在复杂化，你的厨具不断被发明，也没有一个万用的厨具可以处理所有情况，因此它会变的越来越复杂。　　夏磊洲：大数据应用领域总结来讲分为离线计算和实时计算。随着数据量的增加，OLTP模式已经难以胜任，于是OLAP逐渐成为主流。无论是实时计算还是离线计算，基本思想是相同的，即：分而治之。大型互联网公司，单次业务需处理的数据量达到在TB级以上时，仿佛三维世界的小人不小心踏进了四维空间碎片，就像星际穿越里的那位哥们，一切记忆中非常简单的事物此时都变得异常复杂。复杂到用diff来比较两个文件都变得十分困难，复杂到我们给文件里地数据排个序都似乎变得不可能。此时，我们就像浪潮之巅里地弄潮儿，不知不觉间遇到了技术瓶颈。我们想呼救，发现众屌丝比我们还挫，我们试图突破，但总是不尽如人意，有些人想到了用超大型计算机，然而处理结果还是跟不上数据量的增加，好痛苦，好无助....　　然而就在此时，仿佛晴天一声霹雳，谷歌的三篇论文给我们带来了曙光，给了我们希望。GFS解决了海量数据存储的问题，MapReduce解决了分布式计算的问题，BigTable帮助我们构建分布式的数据仓库。我们欢呼，跪舔，并且对未来充满了希望，but, 我们发现坑爹的谷歌只点化了大众，缺没有开源代码。怎么办呢，只有自己挽起袖子撸一个出来了。于是，华强北山寨版大组合Hadoop出来了。hadoop完全一对一山寨了谷歌的三篇论文的思想，憋出了HDFS(山寨自GFS), MapReduce, Hbase(BigTable)……　　纪路：我暂且就按照一个由远及近的顺序，按照时间的早晚从大数据出现之前的时代讲到现在。暂时按一个城市来比喻吧，反正Landscape的意思也大概是”风景“的意思。　　早在大数据概念出现以前就存在了各种各样的关于数学、统计学、算法、编程语言的研究、讨论和实践。这个时代，算法以及各种数学知识作为建筑的原料(比如钢筋、砖块)，编程语言作为粘合剂(比如水泥)构成了一座座小房子(比如一个应用程序)，形成了一小片一小片的村庄(比如一台)。这个时代村与村之间还没有高速公路(GFS, HDFS, Flume, Kafka等)，只有一条泥泞不好走的土路(比如RPC)，经济模式也是小作坊式的经济。一开始互联网并不发达，网速也不快，这种老土的方式完全应付得来，可是随着社交网络和智能的兴起，改变了这一切。网站流量成百上千倍的提高，数据变得更加多样化，计算机硬件性能无法按照摩尔定律稳定的提升，小村庄，小作坊生产的模式注定受到限制。人们需要更强大的模式...　　起开始，人们以为只要有一个强大的中央数据库，也就是在所有的村庄之间建一座吞吐量巨大，并且兼容并蓄(非关系型，NoSQL)的仓库，用来中转每个村庄生产的大量异质货物就能够拉动经济的增长。可是没过多久，人们就意识到这是一个too young to simple的想法，因为这个仓库的大小也总是有上限的。　　之后MapReduce的概念最早由google提出，用来解决大规模集群协同运算的问题，既然一台计算机性能有限，何不将他们联合起来?其野心勃勃，希望为每个村庄都建立一条”村村通“公路，也就是GFS了，就是Google分布式文件系统的意思，将不同的连接起来，在外面看起来就好像一块巨大的。然后构建与其上的MapReduce就是一座工厂调度每个村庄的劳动力和物资，让这些村庄作为一个经济体运转起来。居民变得富裕起来了。　　不过，富裕起来的只有“谷歌镇”，世界的其他村镇仍然过着原始的生活。这个时候雅虎和Apache的一帮人本着独乐乐不如众乐乐的精神，仿造google的思想，创建了HDFS(Hadoop 分布式文件系统，对应GFS)、Hadoop(对应google的MapReduce)，并公开了全部的蓝图，供全世界免费使用。这样整个世界到处都建立起来了工厂，人们变得富裕起来了。这个时代，Hadoop叫做大数据基础设施。俗话说：饱暖思淫欲，工厂的领导不满足于村镇工厂的粗放型生产，也不再想雇用那么多的劳动力，所以Mahout、HBase、Hive、Pig应运而生，他们都是数控机床，加工中心，只需要几名操作手就能够让整个工厂运转起来，自此人们安居乐业，丰衣足食。　　当然，少数更有野心的资本家，不满足于现在的生产力，为了追求更高的利润(这是资本主义的本质)，开发了效率更高的系统Spark，可以10倍于Hadoop的速度生产产品，新的时代才刚刚拉开序幕...
大学生分期购物销量榜
IT168企业级数字保存的认知和实践调查及其问题与对策--《郑州大学》2013年硕士论文
数字保存的认知和实践调查及其问题与对策
【摘要】：在知识经济时代,信息资源作为国家的重要战略资源是实现经济可持续发展和社会可持续发展的基础条件。随着现代信息技术迅速发展,以及网络应用的普及,数字信息资源以传统信息资源无法比拟的优势逐渐占据信息资源的主体地位。但是如何保障数字信息资源能够被当代的和未来的人类长期、可持续和稳定的使用,已经成为国际上关注的一个重要的研究课题。在笔者查阅了国内外有关数字资源长期保存的理论情况和实践情况后,发现真正的全方位的对数字资源长期保存实际情况进行调查和分析的研究比较少。而本文从全方位、多角度的对数字保存利益相关方就数字资源的认知情况和实践情况进行了调查与分析总结。
本文共分为五个章节对数字保存的利益相关方就数字保存的认知与实践情况进行论述并且就数字保存中的问题提出了相应的对策。第一章介绍了选题的背景和意义以及国内外相关研究现状；第二章是对数字保存认知部分的调查,主要包括对利益相关方(科研人员、数字保存机构、出版商)的调查,调查的内容主要包括：各利益相关方进行数字保存的原因、威胁数字保存的因素、谁应当承担数字保存的费用、谁应当承担数字保存的职责、以及对数字保存基础设施的需求等。第三章是对数字保存实践部分的调查,调查的主要内容包括：各个利益主体进行数字资源保存的类型、保存数字资源的数据量、保存的数字资源所存储的位置等。第四章是横向比较利益相关方的调查情况,分析出数字保存认知方面和数字保存实践方面存在的一些问题以及为了解决问题应当采取的一些措施。确保珍贵的科学数字资源可被永久的访问、利用、存取。以期推动我国经济和社会的全面发展。最后是对文章的总结和认识。
【关键词】：
【学位授予单位】：郑州大学【学位级别】：硕士【学位授予年份】：2013【分类号】：G250.73【目录】：
摘要4-5Abstract5-7目录7-9图与附表清单9-111 绪论11-19 1.1 选题的缘起和意义11-12 1.2 国内外研究现状分析12-17
1.2.1 国外研究现状12-15
1.2.2 国内研究现状15-17 1.3 研究内容和创新之处17-19
1.3.1 研究内容17
1.3.2 本论文的创新之处17-192 数字保存认知的调查19-42 2.1 对科研人员认知的调查19-29
2.1.1 数字保存的原因22-24
2.1.2 数字保存的威胁24-26
2.1.3 对数字保存基础设施的需求26-27
2.1.4 数字保存的费用承担者27-28
2.1.5 数字保存的职责承担者28-29 2.2 对保存机构认知的调查29-33
2.2.1 数字保存的原因30-31
2.2.2 数字保存的威胁31
2.2.3 对数字保存基础设施的需求31-32
2.2.4 数字保存的职责承担者与费用承担者32-33 2.3 对出版界认知的调查33-42
2.3.1 数字保存的保存原因35-37
2.3.2 数字保存的威胁37-39
2.3.3 数字保存的费用承担者39-40
2.3.4 数字保存的职责承担者40-423 数字保存的实践调查42-53 3.1 对科研人员的实践调查42-46
3.1.1 数据保存的类型42-43
3.1.2 保存数据的数量43-44
3.1.3 保存数据的位置44-45
3.1.4 数据资源的共享45-46 3.2 对保存机构实践的调查46-48
3.2.1 数字资源的保存类型46
3.2.2 保存数字资源的格式46-47
3.2.3 保存数字资源的数量47-48 3.3 对出版界实践的调查48-53
3.3.1 保存出版物的类型48-49
3.3.2 保存学术论文的版本49-50
3.3.3 期刊论文的长期保存50-51
3.3.4 研究型数据的长期保存51-52
3.3.5 灾难性事件恢复机制52-534 数字保存认知与实践调查问题及对策53-64 4.1 数字保存认知与实践调查的问题53-57
4.1.1 数字保存认知方面存在的问题53-55
4.1.2 数字保存实践方面存在的问题55-57 4.2 数字保存的对策研究57-64
4.2.1 数字保存认知方面的对策57-60
4.2.2 数字保存实践方面的对策60-645 结语64-65参考文献65-68致谢68-69个人简历、硕士期间发表的学术论文与研究成果69
欢迎：、、)
支持CAJ、PDF文件格式
【参考文献】
中国期刊全文数据库
谢永宪;杨菊;;[J];北京档案;2012年05期
黄如花;胡文琴;;[J];图书与情报;2009年05期
吕榜珍;;[J];档案学通讯;2006年04期
赵俊玲;卢振波;;[J];大学图书馆学报;2006年02期
徐洪升;;[J];科技管理研究;2009年10期
张毅;;[J];内蒙古科技与经济;2012年11期
韩丽;梁爱东;恭维英;;[J];曲靖师范学院学报;2007年06期
殷立欣;旻苏;李景;潘薇;;[J];标准科学;2010年06期
王小林;;[J];数字与缩微影像;2011年03期
邢军;;[J];数字与缩微影像;2011年04期
中国硕士学位论文全文数据库
王洪蕾;[D];中国农业科学院;2011年
【共引文献】
中国期刊全文数据库
李丽云;;[J];北京档案;2010年09期
刘丽英;;[J];长春理工大学学报;2012年05期
曾莉红,戴红;[J];重庆工商大学学报(社会科学版);2004年05期
申利;;[J];河南财政税务高等专科学校学报;2011年02期
秦珂;;[J];档案与建设;2006年03期
张美芳;;[J];档案与建设;2009年08期
赵刚;;[J];档案;2010年06期
张美芳;;[J];档案学通讯;2008年01期
仇壮丽;许冬玲;卜淑芬;;[J];档案学通讯;2010年06期
宋怡;;[J];大学图书情报学刊;2007年06期
中国重要会议论文全文数据库
祝春晖;蔡卫平;;[A];风雨50载 薪火永相传——广东图书馆学会2013年学术年会暨学会成立五十周年纪念系列活动获奖论文集[C];2013年
中国博士学位论文全文数据库
李卓卓;[D];武汉大学;2009年
乔冬梅;[D];武汉大学;2005年
李理;[D];东北财经大学;2009年
唐琼;[D];武汉大学;2009年
中国硕士学位论文全文数据库
沈丽;[D];湘潭大学;2010年
黄永;[D];湘潭大学;2010年
傅建秀;[D];福建师范大学;2010年
胡皓;[D];西南大学;2011年
孙铮;[D];华中师范大学;2011年
张康;[D];山西财经大学;2011年
梁伟;[D];辽宁师范大学;2011年
王洪蕾;[D];中国农业科学院;2011年
皇甫青红;[D];郑州大学;2011年
秦东方;[D];郑州大学;2011年
【二级参考文献】
中国期刊全文数据库
望旺;;[J];北京档案;2009年08期
陈力,郝守真,王志庚;[J];国家图书馆学刊;2004年01期
刘家真;[J];档案管理;1999年06期
武丽;[J];档案管理;2002年04期
孙熙,卢洪武;[J];档案与建设;2005年01期
翟慧杰;;[J];档案;2008年01期
连成叶;[J];档案学通讯;2004年03期
,薛四新;[J];档案学通讯;2005年04期
黄玉明;;[J];档案学通讯;2010年02期
刘家真;[J];档案学研究;2002年02期
中国博士学位论文全文数据库
邓君;[D];吉林大学;2008年
中国硕士学位论文全文数据库
刘志恺;[D];上海交通大学;2009年
【相似文献】
中国期刊全文数据库
汤之群;[J];微型电脑应用;1994年03期
刘进军;;[J];图书馆学研究;2007年12期
吴振新;;[J];现代图书情报技术;2009年01期
赵军成;;[J];大学图书情报学刊;2011年02期
章红;;[J];当代图书馆;2004年04期
陈月婷;李春明;;[J];图书情报工作;2008年05期
李萍;[J];计算机与农业;2002年11期
胡燕菘;;[J];图书馆杂志;2005年06期
帅炳刚;;[J];新世纪图书馆;2008年04期
高咏先;;[J];情报探索;2008年12期
中国重要会议论文全文数据库
谢开云;孙慧生;王毅;;[A];中国作物学会马铃薯专业委员会1999年年会论文集[C];1999年
朱根发;王碧青;;[A];花卉研究20年——广东省农业科学院花卉研究所建所20周年论文选集（）[C];2004年
刘桂郁;魏育慧;李福临;许文浩;陈学如;陈建州;温秋燕;林锡杰;朱文深;袁国芳;;[A];中国第六届海峡两岸菌物学学术研讨会论文集[C];2004年
关伟军;马月辉;梁海青;于太永;张海艳;;[A];全国畜禽遗传资源保护与利用学术研讨会论文集[C];2005年
侯锦雄 ;李素馨 ;Duarte B.M谢宗恒;;[A];休闲农业与乡村旅游发展——第二届“海峡两岸休闲农业与观光旅游学术研讨会”论文集[C];2004年
胡忠荣;陈伟;李坤明;;[A];云南省作物学会年优秀论文选集[C];2006年
陈幼春;狄冉;;[A];第十次全国畜禽遗传标记研讨会论文集[C];2006年
毛义春;;[A];2004年全国矿山信息化建设成果及技术交流会论文集[C];2004年
冯冬冬;陆昌勤;萧爱铃;;[A];第十一届全国心理学学术会议论文摘要集[C];2007年
陈凡柱;陈立杰;;[A];第四次全国计算机安全技术交流会论文集[C];1989年
中国重要报纸全文数据库
本报记者 杨晓东;[N];云南科技报;2009年
郭云龙;[N];中国花卉报;2006年
记者　高建进;[N];光明日报;2006年
潘登科;[N];科技日报;2007年
;[N];中国电脑教育报;2003年
本报记者 赵君利;[N];中国建设报;2009年
记者　项铮;[N];科技日报;2006年
记者　任壮;[N];中国中医药报;2006年
贾东宏 李利东;[N];山西日报;2007年
张文飞;[N];中国新闻出版报;2006年
中国硕士学位论文全文数据库
郝明;[D];黑龙江大学;2007年
周伟;[D];吉林大学;2008年
张晓艳;[D];华中师范大学;2009年
徐君;[D];华中农业大学;2007年
黄旭;[D];吉林大学;2009年
张宇;[D];黑龙江大学;2008年
胡喜超;[D];郑州大学;2012年
孙祎龙;[D];延边大学;2007年
谭亚梅;[D];河南大学;2008年
张炜;[D];中国政法大学;2008年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号}