【word】目录里面蓝色的mathtype标注“公式节(下一节)”的删除方法

文档工业化流水线:模板驱动的云原生PDF生成系统 PDF生成已从手动排版迈入工业化阶段——其本质是基于结构化内容模型与规则引擎的标准化交付过程。核心原理在于将文档拆解为可复用模板、语义化内容槽位与确定性布局规则,通过云原生架构实现跨设备一致性、品牌资产集中治理与零维护协作。技术价值体现在消除重复格式劳动、保障100%输出可预测性,并支撑销售线索捕获、SOP知识沉淀、客户成功交付等高频场景。本文聚焦Sqribble这一典型代表,解析其如何以模板驱动工作流替代AI代笔思维,真正赋能市场、培训、客户成功等一线岗位的规模化专业输出。 阅读详情

在这里插入图片描述

mathtype加“下一节”

在编写论文或大型分章的文档时,如果对mathtype的带编号的公式添加章节序号,则需要用mathtype里面添加“下一节”的符号:
在这里插入图片描述

具体方法如下:

  • 打开MathType:在Word文档中,点击工具栏中的MathType图标,打开MathType编辑器。
  • 插入分隔符:
    将光标放在需要开始新节的位置。
    在MathType工具栏中,选择“章节 & 节”选项。
    点击“插入下一分节符”。
  • 设置章节编号:
    在弹出的对话框中,设置新的章节编号。
    点击“确定”完成设置。
    这样,MathType会自动为新节的公式编号,并在后续插入公式时按照新的章节编号进行编号

通常,这样的分隔符放在章节标题后面。但是此时目录里面容易出现这样的蓝色分隔符:

在这里插入图片描述

解决方法

在标题里面选中相应的分隔符:

在这里插入图片描述
在“字体”里面把“隐藏”打开:
在这里插入图片描述

更新目录(共三步):

  1. 点击“更新目录”
  2. 点击“更新整个目录”
  3. 点击“确定”
    在这里插入图片描述
    再看一下,目录里面的“公式节(下一节)”没有了:
    在这里插入图片描述
WPS零代码接入DeepSeek实现智能办公的底层逻辑 办公AI不是简单调用大模型,而是将大语言模型能力深度嵌入文档处理工作流的技术范式。其核心原理在于通过插件化架构、API网关路由与办公语义理解,把自然语言指令转化为WPS原生操作动作。技术价值体现在降低AI使用门槛、保障格式一致性、提升专业场景响应效率。典型应用场景包括合同条款比对、教学材料生成、政务公文润色、营销文案A/B测试及技术文档术语校验。本文聚焦WPS+DeepSeek-v4-pro的零代码集成实践,深入解析版本兼容性、网络路由机制与触发逻辑等关键落地要素。 阅读详情

相关推荐

MathType怎么设置下一章公式编号?MathType怎么按章节对公式编号?

如下图所示:假如我们现在第三单元写完了,进入第四单元。那么第四单元的公式应该从(4-1)开始。插入分隔符: ①单击word上面工具栏的MathType; ②单击 下拉框中选择 “章 & 节” 右侧的三角 ③在下拉框中 单击插入分隔符

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 2万+

MathType文中出现红色的“公式章(下一章) 节 1”如何隐藏!

当使用MathType时,为了让编号跟着章节编号,会使用“插入下一章”让公式编号和章节编号对应,如图1-1所示。但是有时候在word里面会出现红色的【公式章(下一章) 节 1】这样的字样,如图1-2所示。很高兴给大家分享相关知识!

a_cherry_blossoms的博客 7万+

Mathtype怎么设置公式编号 ?公式编号怎么自动更新?删除新增公式后编号自动更新?

以插入下面公式为例,假如现在在第二单元,插入第一公式,公示编号为(2-1)

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 14万+

MathType公式编号如何去掉章节号,例如(1.1)-->(1)

MathType公式编号如何去掉章节号,例如(1.1)-->(1)

Yang_Lingfang的博客 1万+

高校学术答辩PPT设计规范与工程化实践指南

学术答辩PPT不仅是视觉呈现工具,更是信息压缩、认知引导与评审沟通的工程系统。其核心原理在于将研究逻辑转化为可被快速解码的视觉语法,通过母版结构约束、字体色值标准化、动画协议等硬性规则,保障内容在高压力评审场景下的准确传达。技术价值体现在规避常见扣分项(如文献缺口缺失、数据标注不全、公式导出失效),提升答辩通过率与专业可信度。广泛应用于本科毕设、硕博论文开题/中期/终期答辩,以及科研项目汇报等工科类学术场景。本文深入解析天津大学答辩PPT模板背后的‘一页一结论’‘三阶校验法’‘评审心理适配’等关键设计逻辑。

weixin_33836874的博客 354

深入浅出:用状态机搞定FPGA MIG控制器与DDR3的读写时序(附Verilog源码分析)

本文深入解析了如何利用状态机精准控制FPGA MIG控制器与DDR3的读写时序,涵盖Verilog源码实现、关键时序控制点及实战优化技巧。通过状态机设计、跨时钟域处理和带宽优化等方法,有效提升DDR3访问效率,适用于高性能计算和AI加速器等场景。

weixin_26899659的博客 407

mathtype中去掉“插入下一章”标记

1.单击Word的“开始”菜单——“样式”。(以office2021为例)2.找到MTEquationSection,点右边下拉箭头“修改样式”。3.在弹出的“修改样式”对话框中,点左下角的“格式”按钮,选“字体”。4.最后在“字体”对话框中把“隐藏(H)”勾上,这样就设置完成了。

weixin_68393173的博客 4092

5分钟搞定:用Pyannote和Whisper实现带说话人分离的语音转文字(附完整代码)

本文详细介绍了如何快速构建一个集成了说话人分离功能的语音转文字系统。通过结合OpenAI的Whisper模型进行高精度语音识别和Pyannote模型实现说话人分离,并提供了完整的代码实现、环境搭建指南以及核心的对齐与合并逻辑,帮助开发者高效处理会议录音、访谈等多说话人音频,实现自动化转录。

threejs5artist的博客 635

Word图目录与表目录超链接失效的根因与修复

图目录和表目录是Word中实现结构化导航的核心机制,其本质依赖题注、样式与字段三要素协同工作。在Word 2016及以上版本中,超链接功能由书签自动绑定驱动,而非简单页码跳转;一旦题注标签混淆、样式继承错误或制表符干扰,就会导致链接失效、页码错乱等典型问题。该机制的技术价值在于支撑毕业论文、技术白皮书等长文档的精准交互导航,适用于需频繁更新与多人协作的工程文档场景。本文聚焦Word 2016+版本特性,深入解析题注样式隔离、双标签独立配置及域代码`\h`参数等关键实践要点。

weixin_34253126的博客 268

RK3588S开发板实战:手把手教你调试IMX415摄像头(附常见问题排查)

本文提供了基于RK3588S开发板调试IMX415摄像头的完整实战指南。从硬件连接到软件配置,详细解析了设备树(DTS)设置、驱动加载验证及V4L2工具链使用,并附带了常见问题排查方法,帮助开发者快速解决摄像头调试中的典型问题,实现图像采集与性能调优。

assembly8low的博客 590

告别实车测试:手把手教你用Vector VT平台搭建OBC/DCDC的HIL测试台架

本文详细介绍了如何利用Vector VT平台搭建新能源汽车OBC/DCDC的HIL测试台架,涵盖硬件选型、模型部署到自动化测试的全流程。通过HIL仿真测试技术,工程师可以高效验证动力域关键部件,大幅缩短开发周期并降低成本,特别适合新能源汽车三电系统的开发验证。

weixin_42659194的博客 337

WPS公式居中与编号右对齐的正确实现方法

公式排版是办公文档与学术写作中的基础技术需求,其核心在于理解公式作为独立对象而非普通文本的属性机制。WPS公式编辑器采用内联与独立双轨制,只有将公式识别为独立对象,才能启用原生编号引擎并精确控制公式主体对齐与编号位置锚点。关键原理在于分离‘公式主体对齐’(wdAlignFormulaCenter)与‘编号对齐’(wdAlignNumberRight),并通过锚点基准切换至‘页面右边界’,规避段落格式干扰。该技术广泛应用于高校论文、理工科教案、技术报告及计算机二级WPS考试等场景,显著提升公式编号的稳定性与专

weixin_34253126的博客 415

KEPServerEX中,别名映射(Alias Mapping)数据标签重命名机制

目录核心机制应用场景配置步骤技术特性与参考内容的差异KEPServerEX中,别名映射(Alias Mapping) 是一种数据标签重命名机制,主要用于简化复杂标签路径的调用或实现跨系统兼容。其核心逻辑和功能如下:路径抽象 将设备层级结构中的完整标签路径(如 Channel1.Device1.Tag1)映射为简短别名(如 TempSensor1),降低客户端调用的复杂度。动态绑定 别名与实际标签实时关联,数据更新和读写操作通过别名直接传递到底层物理标签,无需修改客户端配置。多对一映射支持多个别名指向

「东哥说MES」 专注于MES制造执行系统,为你拆解核心架构、功能模块及与ERP/PLC的集成逻辑。提供从入门到精通的系列干货、精选行业报告与实用工具,构建你的数字化知识体系,关注我,用实战经验照亮你的数字化之路。 1589

AI对话转Word文档的4种结构化工作流

AI对话生成的内容本质是富含角色、意图和媒介结构的语义文本,而非线性可粘贴文档。其核心原理在于识别并保留多轮交互中的隐性结构——如用户/AI发言体区分、LaTeX公式与Markdown代码块等——再通过中间格式(如Markdown)或编程接口(如python-docx)映射为Word原生对象。该技术路径兼顾信息保真度与工程可控性,显著提升技术方案归档、合同起草、专利撰写等场景的交付质量与协作效率,尤其适用于需公式编辑、模板嵌入及离线合规的AI协同工作流。

weixin_34122810的博客 207

第十五章数据管理成熟度评估【6’】(DAMA-CDGA 2022年以后历年模拟题真题汇总,基本包含所有考点。)

第十五章数据管理成熟度评估【6’】(DAMA-CDGA 2022年以后历年模拟题真题汇总,基本包含所有考点。)

JasonH2021的博客 399

【教程4>第8章>第10节】OFDM完整通信链路项目的FPGA开发4——插入导频

本文介绍了基于MATLAB和Verilog的导频插入设计与实现方法。首先回顾了MATLAB中导频插入的算法实现,展示了每32个数据插入一个导频的设计。接着详细说明了Verilog硬件实现方案,包括导频序列定义、计数器设计、FIFO模块等关键部分。通过仿真测试验证了设计的正确性,输出了插入导频后的序列、导频序列以及调整时序后的序列。最后提供了相关视频教程资源,帮助读者理解设计过程。该设计实现了数据与导频的精确插入,为OFDM等通信系统开发提供了实用参考。

FPGA/MATLAB学习教程/源码/项目合作开发 395

Claude+Opus4.7原生集成:重构Word为语义级文档操作系统

文档智能正从‘文本处理’迈向‘语义理解’新阶段——其核心是让AI深度接入办公软件的文档对象模型(DOM),实现自然语言指令到格式、结构、引用、合规性等全要素的精准映射。这依赖于大模型的长上下文能力与办公API的原生融合,而非简单调用外部API或复制粘贴。Claude Opus4.7凭借200K token上下文、多阶段推理架构及对Word DOM的实时访问能力,成为支撑法律合同审阅、跨文档协同、条款级重写等高保真编辑任务的关键底座。典型应用场景包括法务合规审查、技术文档工程化、高校论文格式治理等知识密集型工

weixin_33841722的博客 427

【大模型】从0到1:DeepSeek + Coze API调用全攻略,企业,开发个人专属AI智能体使用详解,小白也能轻松上手

本文介绍了如何通过API将Coze智能体集成到自有系统中的完整步骤:1)获取API token和个人工作空间的space_id;2)通过GET请求获取bot_id;3)使用POST发起对话请求,需包含bot_id、user_id和问题内容;4)通过两次API调用异步获取响应消息。文章还解释了Coze采用异步处理机制的原因,并预告了下期将讲解Java调用Coze接口的实现方法。整个过程需要使用API工具进行调试,确保了系统集成的可行性。

qq_27246521的博客 822

Sqribble:模板驱动的文档自动化出版流水线

PDF生成工具本质是结构化文档排版的技术实现,其核心在于将内容、样式与布局规则进行标准化解耦。基于云原生架构的确定性渲染引擎,通过模板语法化、内容语义化和布局规则化三重机制,实现跨设备一致的高质量输出。这类工具的价值不在于替代设计,而在于将出版流程工程化——把标题层级识别、自动目录构建、智能分页容错等专业排版能力封装为开箱即用的服务。典型应用场景包括营销铅磁制作、培训手册生成、技术文档发布及知识资产汇编,尤其适合内容创作者、教育者与中小企业在缺乏专业设计资源时,快速交付印刷级PDF。Sqribble正是这一

cmff98425的博客 400

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

Sqribble:面向结构化文档的云原生操作系统

结构化文档是现代知识交付的核心载体,其本质是将非线性内容按语义层级组织为可解析、可复用、可编译的数据模型。基于SDM(结构化文档模型)原理,这类工具通过模板即规则、内容即数据、渲染即编译的技术路径,实现从杂乱文本到出版级PDF的确定性转换。它不替代写作与设计,而是构建AI时代下专业内容规模化交付的基础设施,显著降低排版认知负荷与格式错误率。典型应用场景包括白皮书生成、客户提案自动化、培训手册批量输出及跨平台内容聚合交付——尤其适合市场、技术写作、教育与小团队运营等需高频产出标准化文档的岗位。Sqribble

weixin_33991418的博客 359

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Mathtype插入公式章节分号后无法隐藏

mathtype问题

weixin_51543864的博客 9171

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

使用MathType后论文目录出现蓝色公式标记解决办法

选中蓝色部分,右键-字体-隐藏。

博客简介 4280

Word自动目录中包含公式如何去掉?

如图1所示,在我们插入自动目录之后,目录里面跑出来一些公式,看起来很讨厌。 刚开始觉得很奇怪,以为是公式编号加题注导致的,后来发现是因为我们的公式默认的级别不是“正文文本”,解决方法如下(图2): 1、选中那些想删除的公式,然后右键“段落”。 2、修改大纲级别为“正文文本”。 3、确定。 4、Ctrl+A选中全文,然后“F9”,目录就会刷新。 修改后效果如图3所示,完全okay。 ...

猫屎咖啡 1万+

【论文】(三)章节符

分章编号、页眉页脚需要插入章节符

Tube_Core的博客 1372

解决论文目录中出现mathtype断点问题及罗马字母显示2

由于插入公式章节断点的时候误操作导致,如下图: 按“Alt+F9”切换(全文)域代码,如下图: 解决办法:按“Alt+F9”切换(全文)域代码,删除域代码中的红色代码部分,再按一次“Alt+F9”切换回来即可。 Reference: Mathtype--删除红色章节标记 ...

xrinosvip的博客 2332

使用Mathtype的“插入下一章”导致整个自动生成的目录出现难看的章节号

1.问题描述使用Mathtype可以很方便地自动生成具有自动编号的公式,但是却会在目录部分生成难看的符号,如图所示:2.问题原因因为我们插入的“插入下一章”这个符号插在了章节符号之后,导致了这个问题。3.解决方法删除章节符号之后的“插入下一章”符号,然后在该章节的第一段正文后插入mathtype“插入下一章”符号。具体操作如下:首先将光标放在章节标题之后,然后点击修改分隔符:结果如图所示:然后,删除该分隔符: 最后,在章节第一段插入mathtype“插入下一章”符号 生成目录看看: 打完收工~

a_cherry_blossoms的博客 2万+
上一篇: 【逐行注释】自适应观测协方差矩阵(R)的AUKF(自适应无迹卡尔曼滤波)|MATLAB代码|无需下载,可直接复制到MATLAB上面运行
下一篇: 【逐行注释】自适应Q和R的AUKF(自适应无迹卡尔曼滤波)|MATLAB代码|无需下载,可直接复制到MATLAB上面运行
MATLAB卡尔曼
MATLAB卡尔曼 毕昇杯全国一等奖获得者 毕昇杯全国一等奖获得者 领域专家: 数据科学与机器学习技术领域 领域专家: 数据科学与机器学习技术领域
博客等级 码龄14年 7622粉丝 1415原创
评论 8
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

MATLAB卡尔曼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值