检索结果-南通市图书馆

“我们的翻译官”汉英同传中的错误类型实验研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

“我们的翻译官”汉英同传中的错误类型实验研究

作者：贾玺辰南昌大学

学位级别：硕士

随着人工智能技术的迅速发展,机器口译正日益智能化并被逐渐采用。研究人员不断地对机器翻译进行优化与改进,竞相推出基于神经网络的机器翻译系统,翻译的质量都取得明显进步。但伴随着机器同传技术的高速发展,也产生了一系列关于机器翻... 详细信息

随着人工智能技术的迅速发展,机器口译正日益智能化并被逐渐采用。研究人员不断地对机器翻译进行优化与改进,竞相推出基于神经网络的机器翻译系统,翻译的质量都取得明显进步。但伴随着机器同传技术的高速发展,也产生了一系列关于机器翻译准确性、可靠性以及机器翻译是否会取代人工翻译的讨论。基于此,本研究从韩礼德纯理功能理论的视角出发,选取全国翻译硕士专业学位系列教材《同声传译》中一至三单元的6篇汉英同传练习为实验对象,以机器同传APP“我们的翻译官”为研究对象,对原文与译文在概念功能、人际功能、语篇功能三个层面进行对比,总结出机器翻译在语言处理层面上面临的人工口译一般不会出现的的困难和缺陷,并分析其中的原因,验证基于语音识别的机器同传功能的成熟性。研究结果显示,“我们的翻译官”的同传结果在概念功能、人际功能和语篇功能方面都存在问题。语篇功能错误占比最高,达46%,主要体现为主述位系统、信息结构系统以及衔接系统错误,例如,信息划分错误、信息冗余、回指错误等,导致听众难以获取准确、流畅、连贯的信息。其次,在概念功能方面,错误占比同样高达43%,主要反映在概念功能和逻辑功能错误上,如词语选择不恰当、概念表述不清、小句内逻辑混乱等。最后,人际功能错误占比为11%,机器在传达演讲者情感态度等方面存在问题。这些问题最终都一定程度地导致译文僵化、不准确,无法有效传达讲者想要表达的信息及其情感态度,造成这些问题的原因来自于:机器语言识别系统不成熟、翻译机械、无法识别语境等。

关键词：纯理功能 “我们的翻译官” 汉英机器同传错误类型

基于机器视觉的水稻穴直播播种质量在线检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器视觉的水稻穴直播播种质量在线检测方法研究

作者：林玺煊山东农业大学

学位级别：硕士

玉米渣蛋白及多糖的小麦芽复合酶法制备工艺研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

玉米渣蛋白及多糖的小麦芽复合酶法制备工艺研究

作者：费玺洺山东农业大学

学位级别：硕士

爱这个世界，但与舆论为敌——汉娜·阿伦特的记者活动与新闻思想

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

新闻记者 2024年第8期 3-18+44页

作者：曾持中国人民大学新闻与社会发展研究中心中国人民大学新闻学院

作为20世纪著名哲学家，阿伦特漫长的记者生涯一直未被重视。鉴于阿伦特对新闻的赞许：记者的报道不仅记录事实、还原真相，更是人类追求不朽、构建共同记忆和承担伦理义务的积极活动，本文将通过分析包括《艾希曼在耶路撒冷》在内的几... 详细信息

作为20世纪著名哲学家，阿伦特漫长的记者生涯一直未被重视。鉴于阿伦特对新闻的赞许：记者的报道不仅记录事实、还原真相，更是人类追求不朽、构建共同记忆和承担伦理义务的积极活动，本文将通过分析包括《艾希曼在耶路撒冷》在内的几篇争议性新闻报道和评论，结合阿伦特的政治现象学阐述她的新闻思想。其一，不同于一般哲学家，阿伦特看重新闻事件的独特性，她用“事实真理”概念强调事实具有真理的独立性和强制性，因而对意见享有优先性。其二，阿伦特将新闻视作讲故事以重述“实在”（reality）的工作，而判断力和个性是培育记者“成熟主体性”的关键。其三，阿伦特认为大众作为新闻的旁观者，必须以思考之责抵御“平庸之恶”。本文认为，阿伦特的公共空间理论可为新闻的公共性提供哲学支持，她切入新闻事件的态度、视角，对事实的坚持和对世界的责任，也能为一般意义上的记者活动提供指引。

关键词：阿伦特公共新闻学事实真理判断力公共空间

基于数据驱动的旋转机械故障诊断与寿命预测方法研究

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于数据驱动的旋转机械故障诊断与寿命预测方法研究

作者：卢玺康郑州轻工业大学

学位级别：硕士

随着工业化的发展,旋转机械广泛应用于各种生产场景。滚动轴承是旋转机的核心零件,其故障类别和剩余寿命直接影响整个机械设备的健康状态。因此,对滚动轴承的故障诊断与寿命预测展开研究具有重要意义。本文以滚动轴承为主要研究对象,以... 详细信息

随着工业化的发展,旋转机械广泛应用于各种生产场景。滚动轴承是旋转机的核心零件,其故障类别和剩余寿命直接影响整个机械设备的健康状态。因此,对滚动轴承的故障诊断与寿命预测展开研究具有重要意义。本文以滚动轴承为主要研究对象,以基于数据驱动的机器学习和深度学习为主要方法逐渐开展故障诊断和寿命预测的研究。主要研究内容如下:(1)以振动信号为训练数据,构建基于BP算法的人工神经网络模型以实现故障诊断。由于其自身结构的局限性,该方法通常需要进行一定的数据处理才能保证模型的分类准确率。因此,本文首先对振动信号进行了滤波处理并提取了时域、频域等22种数据特征以重构数据集;其次,将数据集送入模型训练并完成故障分类;最后,使用枚举法讨论了模型参数对模型分类性能的影响并为模型的参数选择积累了经验。针对人工选择和提取特征的问题,提出了一种基于一维卷积神经网络与支持向量机结合的故障诊断方法。该方法依靠深度学习模型自动提取故障特征,不仅简化了故障诊断流程、提高了故障分类的准确率还使得模型具有良好的泛化性和抗噪性。(2)在使用振动信号完成故障分类时,仅利用了时域信息,而忽略了频域信息的作用,这一定程度上影响了故障分类的准确性和完整性。为了充分利用振动信号所蕴含的故障信息,提出了一种基于卷积时频特征提取的故障诊断方法。首先,该方法利用短时傅里叶变换获取振动信号的时频图像;其次,使用双线性插值进行图像处理并构建图像数据集;最后,将数据集送入所提模型训练并完成故障分类。结果表明,所提方法具有更高的故障分类准确率。此外,模型还引入了CBAM注意力机制以增强特征提取能力。(3)鉴于寿命预测通常需要全周期的振动信号,而该信号既包含正常的振动状态又包含异常的振动状态。因此,预测剩余寿命相比于故障分类更加具有挑战性。针对这一问题,提出了基于混合信号的寿命预测方法。该方法首先利用小波变换获取时频图像;其次综合振动信号和图像信号两种健康信息训练模型并实现寿命预测。此外,该方法还引入了通道注意力模块和ECANet模块以增强模型特征提取的能力。(4)所提算法经过公开数据集的验证均取得了不错的效果。此外,开展了刀具噪声实验以采集刀具切削过程中的噪声信号并构建刀具噪声数据集。最后,在该数据集上分别验证了所提故障诊断和寿命预测算法的有效性和泛化性。

关键词：数据驱动短时傅里叶变换小波变换深度学习机器学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

从文冠果籽油中提取神经酸甲酯的工艺研究

从文冠果籽油中提取神经酸甲酯的工艺研究

作者：高盈玺北京化工大学

学位级别：硕士

神经酸具有修复受损神经纤维和促进神经细胞再生的能力,被广泛认为具有较高的药用价值。文冠果分布广泛,种仁含油率高,油脂中含有神经酸,是神经酸的有效植物来源之一,但目前仍缺乏从文冠果籽油提取高纯度神经酸的规模化工艺。本文以机... 详细信息

神经酸具有修复受损神经纤维和促进神经细胞再生的能力,被广泛认为具有较高的药用价值。文冠果分布广泛,种仁含油率高,油脂中含有神经酸,是神经酸的有效植物来源之一,但目前仍缺乏从文冠果籽油提取高纯度神经酸的规模化工艺。本文以机械压榨的文冠果籽油为原料,系统研究了从中分离神经酸甲酯的可规模化应用的提纯工艺。基于油品中神经酸与其他组分性质差异,开展了分子蒸馏、减压蒸馏、减压精馏、尿素包合等提纯工艺研究。经三级分子蒸馏,重组分中仍有较高含量的C16―C20脂肪酸残留,神经酸纯度仅能达到30.4%,且操作较为复杂,处理能力有限;在相同的操作条件下,减压精馏产品中神经酸甲酯的纯度和收率分别可达到29.5%和98.6%,均显著优于减压蒸馏,但减压精馏无法有效分离神经酸甲酯与木焦油酸甲酯;四级尿素包合结果显示,神经酸甲酯与木焦油酸甲酯在尿素中有显著的包和顺序差异,因此选择减压精馏法为初步分离工艺,尿素包合法作为深度提纯工艺。采用文冠果籽油经皂化后得到的混合脂肪酸甲酯为原料,根据不同组分的沸点和相对挥发度差异,通过两级减压精馏,成功获得了纯度超过80%的神经酸甲酯;为进一步分离与神经酸甲酯沸点相近的木焦油酸甲酯,建立了两级减压精馏―尿素包合联用工艺,最终获得了纯度为93.8%的神经酸甲酯;利用Aspen Plus软件进行了两级间歇精馏和连续精馏的模拟研究,验证了该工艺的可靠性,为未来的工业化生产提供了理论依据。

关键词：文冠果籽油神经酸甲酯提取减压精馏尿素包合

基于注意力机制及双分支结构的多变量时间序列异常检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力机制及双分支结构的多变量时间序列异常检测

作者：梁玺杰河北大学

学位级别：硕士

多变量时间序列异常检测面临的挑战主要来源于两方面:一是多变量时间序列数据通常缺少类别标签;二是多变量时间序列在时间上存在依赖关系且变量之间具有高度相关性。当多变量时间序列数据维数较高或变量间关系随时间推移发生变化时,传... 详细信息

多变量时间序列异常检测面临的挑战主要来源于两方面:一是多变量时间序列数据通常缺少类别标签;二是多变量时间序列在时间上存在依赖关系且变量之间具有高度相关性。当多变量时间序列数据维数较高或变量间关系随时间推移发生变化时,传统的统计学方法和机器学习技术往往效率较低,尤其是在获取长期依赖关系方面它们展现出局限性。相较于上述传统方法和技术,Transformer模型凭借其自注意力机制,在学习时间序列数据的长期时间依赖关系方面展现了巨大的潜力。尽管Transformer在序列建模方面具有显著优势,但是它在获取多变量时间序列中变量间非线性关系方面仍存在局限。此外,对多变量时间序列异常检测赋予标记非常困难,当前大多数多变量时间序列异常检测方法通常采用无监督学习方式,通过对正常数据进行学习并利用重构误差在测试阶段对异常数据进行识别。然而,这些多变量时间序列异常检测方法未能充分利用异常数据本身可能含有的丰富信息。为了解决上述问题,提出了两种基于Transformer的多变量时间序列异常检测方法。1.提出了基于Transformer协同图注意力网络的多变量时间序列异常检测(multivariate time series anomaly detection model based on collaboration of Transformer and graph attention network,c TGAT)模型。该模型首先通过一维卷积对原始时间序列进行局部特征提取,然后通过并行的GAT和Transformer获取多变量时间序列的时空关系。其次,考虑到正常数据和异常数据在分布上存在差异,利用KL散度对模型学习到的特征施加约束,使得它们更加偏向于正常数据的分布,从而扩大正常数据和异常数据分布之间的差异。最后,通过融合重构与预测模块对模型进行优化。在四个基准数据集上对所提模型与基线方法进行了实验比较,结果表明,所提模型取得了更优的检测性能。2.提出了基于局部-全局差异的多变量时间序列异常检测(multivariate time series anomaly detection model based on local-global difference,Logo)模型。该模型首先利用Transformer获取多变量时间序列中的时间关系,此外,考虑时间序列数据中每个时间点在局部和全局两种环境下与相邻时间点间的关联差异,采用局部-全局双分支注意力结构指导模型的学习过程,以获取含有优异判别信息的特征表示。然后,将局部-全局双分支注意力结构与重构和预测模块结合在一起,并采用最小最大策略对局部-全局差异进行优化。在六个无监督时间序列异常检测基准数据集上的实验结果表明,与基线方法相比,Logo取得了更优的检测性能。

关键词：异常检测 Transformer GAT 局部-全局差异分布差异

区块链环境及供应链金融背景下的供应商产量决策研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

区块链环境及供应链金融背景下的供应商产量决策研究

作者：傅玺蓓电子科技大学

学位级别：硕士

两类具有时滞的反应扩散疾病模型的动力学性质

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

两类具有时滞的反应扩散疾病模型的动力学性质

作者：鄂玺琪黑龙江大学

学位级别：硕士