Translation of Long Sentences from English into Chinese Sense Groups as Units

随着经济全球化的发展,这个世界越来越需要文化交流.翻译是促进不同国家间文化交流的重要手段.一般而言,翻译是双语言之间的交换活动.翻译理论家奈达认为＂所谓的翻译是指在译语中使用自然而又最确切的对等语再现原语信息,首先在语义上,其次在文体上.＂因为英汉两种语言存在差异,所以这两种语言的转化不太容易.尽管关于翻译方面的书籍不少,但仍有深入研究的空间.这篇论文的目的就是拓展英语长句汉译的方法.这篇论文中的翻译法是在以意群为翻译单位的基础上发展而来的.

《2021年美国创新与竞争法》(3.0版)遏华条文的霸凌色彩探析

《2021年美国创新与竞争法》(3.0版)在政治、教育、人才、科学技术、贸易、空间与军事技术、专利和知识产权等各个领域专门针对并遏制中国,带有鲜明的霸凌色彩。这部法律对华特指化对象调整明显,相关遏华条文数量大、范围广,程度激烈,明显违背法理;语言充斥歧视、贬低、威胁、打压、编造等色调,违反了法律规范性和公平性原则和美国的宪法;对外贸易联合排挤、封锁中国,违背WTO规则;对华科技封锁,严禁航天航空和5G技术交流和合作,违背联合国宪章人类共同进步原则;对中国政府、执政党和国家领导人以及中国守法企业制裁,违背了国际法的国家赦免原则和尊重主权原则,是典型的长臂管辖。因此全面系统分析这部法律的相关遏华条文及其霸凌色彩,可以为我国政府及时制定反制裁的应对之策提供一定的帮助。

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

融合Mar-GLSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。

GPU异构计算环境中长短时记忆网络模型的应用及优化

随着深度学习的广泛应用及算力资源的异构化,在GPU异构计算环境下的深度学习加速成为又一研究热点。文章探讨了在GPU异构计算环境中如何应用长短时记忆网络模型,并通过优化策略提高其性能。首先,介绍了长短时记忆网络模型的基本结构(包括门控循环单元、丢弃法、Adam与双向长短时记忆网络等);其次,提出了在GPU上执行的一系列优化方法,如CuDNN库的应用及并行计算的设计等。最终,通过实验分析了以上优化方法在训练时间、验证集性能、测试集性能、超参数和硬件资源使用等方面的差异。

基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法

针对在卫星信号拒止、视觉系统退化场景中无人机MEMS-IMU零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆(LSTM)网络的零偏在线标定方法。首先,为解决MEMS-IMU零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导航过程中使用训练后的网络对MEMS-IMU零偏在线标定,补偿后的IMU量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统LSTM方法减小了6.5%;在EUROC数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统LSTM方法减小了15%。

一种采用记忆神经网络和曲线形状修正的负荷预测方法

针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。

基于IMU数据的应变解析技术及其应用

长输埋地油气管线在严重的地灾作用下会引发管道变形,如果变形的管段存在缺陷,将极易导致管道失效,造成严重的环境污染和经济损失。准确地获取管道的变形情况并进行安全评价能够为保障管道安全稳定运行发挥重要的作用。基于IMU检测数据,通过小波变换降噪和油气管道设计规范进行特征识别的应变解析算法,能够有效地识别管线上的热偎弯管、冷弯管、弹性敷设段和重点关注段。该算法计算的管段弯曲拉伸应变值将结合ExxonMobil提出的拉伸应变容量预测模型对环焊缝进行基于应变的安全评价。在基于应变设计的高钢级油气管道已在国内油气运输行业得到广泛应用的背景下,可以参考该评价方法开展高钢级管道环焊缝的安全评价。

灵活调峰下在线学习的直接空冷机组背压预测模型

在灵活调峰的背景下,为适应直接空冷机组负荷动态变化与环境因素干扰,提出一种在线学习的神经网络方法对直接空冷机组背压进行预测。首先,对历史数据进行清洗,通过Spearman相关性分析确定影响运行背压的低冗余重要特征。接着,采用Hammerstein模型对背压进行模型参数在线辨识。同时,采用长短记忆神经网络和注意力机制建立直接空冷机组背压预测模型,使用在线学习的方式对模型进行更新。实验表明:该模型在预测未来1 h内不同时间跨度的背压绝对百分比误差(MAPE)低于9%,并在预测30 s内的背压MAPE低于1%。最后,在实际电厂系统中验证模型能够在实际应用中稳定运行。本研究的成果为直接空冷机组背压实时预测提供了有效的方法,这对于灵活调峰直接空冷机组的运行和管理具有重要的意义。

针对光伏发电功率预测的LSTformer模型

为了提高光伏发电功率预测精度,提出了一种基于长短期时序数据融合的Transformer生成式预测模型:LSTformer,能准确有效地预测光伏发电功率。LSTformer创新性地提出了时序分析模块(time series analysis,TSA)、时序特征融合模块(time series feature fusion,TSFF)和多周期嵌入模块(cycleEmbed),利用数据融合解决难以提取多时间尺度时序特征问题。设计时间卷积前馈(time convolution feedforward,TCNforward)单元,在编解码的过程中进一步提取时序特征。利用某光伏电站实际历史发电数据,通过实验验证LSTformer模型在光伏发电功率预测领域得到最低的均方误差(mean squared error,MSE)、平均绝对误差(mean absolute error,MAE),并通过消融实验验证了各模块的有效性。

DCC装置长周期运行工艺核算及技术分析

中海油东方石化有限责任公司(简称东方石化)增强型催化裂解(DCC-plus)装置的第二个生产运行周期内,装置原料性质变化频繁、操作工况调整较大,基于原料性质和催化剂性质,通过定期开展工艺核算及技术分析,调控原料预热温度、蒸汽注入量、反应苛刻度、重点部位线速,稳定油浆系统操作参数,优化设备管理等,确保该装置在第二运行周期内未发生非计划停工情况,并成功实现了DCC-plus装置检修周期由3年延长至4年的突破。

高速铁路多跨长联矮塔斜拉桥减隔震设计研究

多跨长联连续梁结构存在固定墩地震力大、延性部位震后不易恢复等问题,在高烈度震区抗震设计存在困难。为了解决高速铁路多跨长联矮塔斜拉桥的抗震设计问题,以某(65.65+8×110+65.65) m单索面预应力混凝土矮塔斜拉桥为研究对象,采用非线性时程积分方法,对单固定墩、刚构连续梁和摩擦摆支座隔震3种不同的抗震体系方案进行分析比选。研究结果表明,采用摩擦摆支座隔震体系方案优势明显,在地震作用下,与单固墩体系相比,桥墩横桥向墩底弯矩普遍减小70%以上,固定墩纵桥向墩底弯矩减小约80%;进一步通过摩擦摆隔震支座参数分析,确定了合适的支座参数,获得较好的支座变形量、墩顶剪力,减隔震效果明显。因此,在桥墩剪跨比小、下部结构刚度大的情况下,设置摩擦摆隔震支座后,可显著减小地震时下部结构的地震响应,使各个桥墩受力均匀,同时通过合理的支座设计可满足大震位移需求,并具有足够的自复位能力。

防空导弹IMU状态的时间序列预测方法

惯性测量单元(IMU)是防空导弹的重要部分,其状态数据主要从定期人工测试中获取,效率较低。为了降低对定期测试的依赖,本文通过时间序列预测方法,从已有数据中预测其未来一段时间内的状态。出于小样本考虑,本文使用重叠分段平均进行数据处理,降低数据维度与训练难度,并用长短时记忆网络(LSTM)进行时间维度的预测。本文提出模型在实测数据上进行了验证,在获得最高预测精度的同时保持较低开销。

基于混合量测的新能源电力系统动态频率预测方法

高渗透率新能源波动下系统动态频率预测是实现受端网络频率安全态势感知的基础。该文提出一种基于混合量测和物理状态方程联合驱动的新能源电力系统双向树状长短期记忆网络(combined equation-of-state-driven and data-driven bi-directional tree-struct long short term memory,CEOSD-BITREE-LSTM)动态频率预测方法。首先,引入双层多头注意力图神经网络,提出考虑同步相量测量单元(synchronous phasor measurement unit,PMU)和数据采集与监视控制系统装置(supervisory control and data acquisition,SCADA)量测差异性和时序同步性的混合量测融合策略;其次,依据PMU密集采样特性,建立计及源网荷物理联系的线性时变状态方程,刻画物理-数据空间的频率特征交互关系;然后,考虑新能源出力、负荷波动等不确定因素,结合以PMU并行搜索调频资源形成的拓扑结构,构建CEOSD-BITREE-LSTM动态频率预测模型,实现系统频率态势的高精度预测。最后,以改进新英格兰10机39节点、三区互联系统为算例,验证该文所提方法的可行性和有效性。

基于翻转网络的低相关性序列数据预测研究

在某些实际应用中,通常不存在与被预测时间变量具有高相关性的其他维度变量,或者这些维度变量难以采集。而具有较低相关性的时间序列数据普遍存在,其对于数据预测具有更重要的意义。提出一种基于注意力翻转网络的低相关性多维时间序列数据预测模型。针对低相关性时序数据具有相关性随时间而变化的特点,引入批处理滑动窗口以摆脱时间变化带来的干扰,更好地捕获维度相关性。针对传统门控循环单元(GRU)网络大量丢弃低相关性样本的问题,建立翻转GRU网络对低相关性多维数据进行初次过滤,控制多维数据在网络中的传递数量,避免维度变量因相关性较低而被丢弃,提升相关性较低的多维数据在模型中的存活时间。同时,利用基于维度的注意力机制自适应调整不同维度序列在相关性提取过程中的重要性。建立平方长短期记忆(LSTM)网络对分配权重后的数据进行拟合,更细致地确定相关性对被预测参数的影响。实验结果表明,该模型的决定系数可达0.95,预测性能优于GRU、LSTM等传统神经网络模型。

基于Informer算法的病毒传播预测研究

新冠肺炎病毒等疫情受多种复杂现实因素的影响,因此疫情的发展存在不确定性。为了解决基于传染病仓室模型受自身诸多理想假设条件的限制而导致疫情预测结果误差较大的问题,采用基于深度学习的时序预测模型对疫情发展进行预测,建立了一种基于Transformer模型的Informer模型,并将注意力机制和蒸馏机制应用到疫情数据的时序预测中。以门限自回归(Threshold AutoRegressive, TAR)模型和多种主流的循环神经类时序预测模型作为对比模型,通过仿真实验,对中国、美国和英国的疫情数据当前尚存感染人数进行短期预测,并以均方根误差(RMSE)和平均绝对误差(MAE)为评价指标,选择最佳模型进行了中长期的预测。结果表明,无论是RMSE还是MAE,Informer模型的指标值都是最优的,表明Informer模型对中国、美国和英国疫情的预测精度比其他对比模型高。最后,使用Informer模型对中国、美国和英国的疫情发展进行了中长期预测。

组合式钢模台车在长距离隧道施工中的应用

水利水电项目隧道工程采用钢模台车进行衬砌施工,常常会遇到曲线段台车就位难度大、转角处易侵占衬砌结构面等问题,影响隧道衬砌质量和使用性能。结合长距离隧道曲线特征、断面尺寸、工作面划分等特点,将钢模台车设计成标准单元模块型式,通过标准单元模块自由组合成长度为16 m、24 m和32 m的组合式钢模台车,用于隧道衬砌施工。应用实践表明,组合式钢模台车施工效率高、工作面之间协调灵活,大幅缩短施工进度和减少台车的配置,同时在曲线段将台车分离成标准单元长度使用,更容易控制曲线隧道衬砌结构面,保障工程施工进度。

基于电商评论的文本情感分类效果研究

挖掘分析评论文本的情感倾向成为近年来自然语言处理领域的研究热点之一。本文以挖掘京东商城商品评论数据价值为研究视角,以深度学习中的循环神经网络为理论基础,将循环神经网络的各变体模型应用到文本情感分类任务中,对比不同改进模型的评论文本分类效果。本文首先研究了循环神经网络的变体模型长短期记忆模型LSTM、门控循环单元模型GRU在京东商品评论文本上的分类效果。实验表明,GRU模型在训练过程中的准确率更高且更早达到优化值,总体上GRU网络模型在文本分类上的效果优于LSTM网络模型。其次研究了以情感词驱动的、基于循环神经网络各变体模型的注意力神经网络模型,将各深度神经网络模型与注意力机制相结合,对比分析各组合模型的情感分类效果。实验表明,引入注意力机制的神经网络模型,较传统网络模型分类准确率都有所提升,且会更快地达到优化值。

基于GRU_LSTM及RL算法的伪随机指令生成器

在CPU验证过程中,传统伪随机指令生成器通过生成大量合法无序的指令序列,从而实现功能覆盖率或代码覆盖率的验证目标。然而,没有趋向针对性的指令生成,为达到指标需要耗费大量的人力及时间成本。该文以一款基于精简指令集(RISC-V)自研核心为例,在基于通用验证方法学(Universal Verification Methodology, UVM)的验证平台上设计出一种伪随机指令生成器,并针对普通伪随机指令生成器覆盖率低、收敛速度慢的问题,建立GRU_LSTM算法模型,并结合强化学习(Reinforcement Learning, RL)算法构建新算法模型RLGRU_LSTM应用于伪随机指令生成过程,并且针对RL方向决策,提出了基于霍夫曼编码的CPU指令包编码方式训练opcode分布,同时融合了CPU指令类型和指令间执行顺序因素,快速捕获人工定向验证预料不到的验证盲点,有效加快了代码覆盖率达到预期的进程。该文着重描述伪随机指令生成器及RLGRU_LSTM算法对模型训练过程的指导。实验结果表明,与直接使用伪随机指令生成技术相比,该方法在约定伪随机指令条目下,相比传统伪随机方法能提高约19%的覆盖率,收敛至目标覆盖率消耗时长减少22%。

高压聚乙烯二次机柱塞跳动分析及处理方案

20世纪90年代以来,中国经济一直保持快速增长。在过去长达20多年的时间里,中国经济持续保持了年均9%以上的增长速度,成为世界上经济持续增长最快的国家之一。经济的快速增长同时促进了EVA产能和消费量的增长,21世纪以来,光伏产业受清洁能源扶植政策的大力推动而在全世界发展迅速,2017年国内光伏市场持续爆发,前三季度全国新增光伏发电装机超过43×10^(6)kW,累计超过1.2×10^(8)kW,作为光伏行业太阳能电池的重要功能性膜材料,28%VA含量的EVA(光伏料)产品市场非常可观,由于光伏市场的需求持续增加,促进国内新建多套EVA生产装置,仅2021年一年国内开工6套新EVA装置,新增EVA产量为130万t/a。新建的EVA装置中的核心设备二次压缩机大多采用国外某公司产品,在装置实际运行中二次机的长周期运转成为装置长周期运行中设备方面的制约条件,其中二次机常见问题为二次机柱塞跳动联锁停机,就是针对二次机柱塞跳动问题进行分析并做相关处理方案,减少二次机联锁停机次数,避免因二次机联锁造成装置的停工次数。