Merge branch 'CptGit-master' for adjust table names

BUPTthesisbachelor.sty

@@ -105,6 +105,10 @@
 \usepackage[xetex, pdfstartview=FitH, 
 bookmarksnumbered=true, bookmarksopen=true, colorlinks=true, 
 pdfborder=001, linkcolor=black, citecolor=black, urlcolor=black]{hyperref}
+\pdfstringdefDisableCommands{ % eliminate warnings about non-string commands not supported in PDF bookmarks. If you use more commands in section titles or chapter titles, you can add them here.
+ \def \quad{}
+ \def \qquad{}
+}
 
 % Line spread
 \renewcommand{\baselinestretch}{1.30}

main.tex

@@ -81,9 +81,10 @@ \subsection{中英文文献、学位论文引用}
 此等信息的传播严重损害了有关公众人物的名誉权，降低了社交媒体服务商的商业美誉度，扰乱了网络空间秩序，冲击着网民的认知，极易对民众造成误导，带来诸多麻烦和经济损失，甚至会导致社会秩序的混乱。针对社交媒体谣言采取行动成为了有关部门、服务提供商和广大民众的共同选择。\cite{周兴2017基于深度学习的谣言检测及模式挖掘}
 
 \section{图表及其引用}
-此处引用了简单的表\ref{crowdwisdom1}。
+此处引用了简单的表\ref{crowdwisdom_TMP}。
+
+\begin{bupttable}{基于浏览者行为的特征}{crowdwisdom_TMP}
 
-\begin{bupttable}{基于浏览者行为的特征}{crowdwisdom1}
  \begin{tabular}{l|l|l}
  \hline \textbf{特征} & \textbf{描述} & \textbf{形式与理论范围}\\
  \hline 点赞量 & 微博的点赞数量 & 数值，$\mathbb{N}$ \\
@@ -93,9 +94,10 @@ \section{图表及其引用}
  \end{tabular}
 \end{bupttable}
 
-此处引用了复杂的表\ref{complexcrowdwisdom1}。
+此处引用了复杂的表\ref{complexcrowdwisdom_TMP}。
+
 
-\begin{bupttable}{基于浏览者行为的复杂特征}{complexcrowdwisdom1}
+\begin{bupttable}{基于浏览者行为的复杂特征}{complexcrowdwisdom_TMP}
  \begin{tabular}{l|l|l|l}
  \hline
  \multicolumn{1}{c|}{\multirow{2}{*}{\textbf{类别}}} & \multicolumn{1}{c|}{\multirow{2}{*}{\textbf{特征}}} & \multicolumn{2}{c}{\textbf{不知道叫什么的表头}} \\
@@ -117,7 +119,7 @@ \section{图表及其引用}
 此处引用了一张图。图\ref{autoencoder}表示的是一个由含有4个神经元的输入层、含有3个神经元的隐藏层和含有4个神经元的输出层组成的自编码器，$+1$代表偏置项。
 
 %图片宽度设置为文本宽度的75%，可以调整为合适的比例
-\buptfigure[width=0.7\textwidth]{pictures/autoencoder}{自编码器结构}{autoencoder}
+\buptfigure[width=0.7\textwidth]{pictures/autoencoder}{自编码器结构}{autoencoder_TMP}
 
 %组图示例，已按照指导手册要求设计，由于子图数量不同，无法压缩成\buptfigure那样，大家对照示例即可
 \begin{figure}[!htbp]
@@ -159,7 +161,7 @@ \subsubsection{主成分分析算法}
 
 由于我们知道新坐标系$\bm{W}$的列向量是标准正交基向量，且样本点集$\bm{X}$已经过中心化，则PCA的优化目标可以写为
 \begin{equation}
-\label{PCA_goal}
+\label{PCA_goal_TMP}
 \begin{aligned}
 & \max_{\substack{\bm{W}}} & tr(\bm{W}^\mathrm{T}\bm{X}\bm{X}^ \mathrm{T}\bm{W}) \\
 & \operatorname{ s.t. } & \bm{W}^\mathrm{T}\bm{W} = \bm{I} \\
@@ -173,7 +175,7 @@ \subsubsection{主成分分析算法}
 \end{equation}
 其中$\bm{\Lambda}=diag(\bm{\lambda})$，$\bm{\lambda} = \{\lambda_1,\lambda_2,\ldots,\lambda_m\}$。
 
-具体地，考虑到它是半正定矩阵的二次型，存在最大值，可对\eqref{PCA_goal}使用拉格朗日乘数法
+具体地，考虑到它是半正定矩阵的二次型，存在最大值，可对\eqref{PCA_goal_TMP}使用拉格朗日乘数法
 \begin{equation}
 \bm{X}\bm{X}^ \mathrm{ T }\bm{w}_i = \lambda_i \bm{w}_i \\
 \end{equation}