语用负迁移及其对英语教学的启示

当今中国大学生的语用能力明显落后于他们的语言能力。学生往往在积累了许多单词,掌握了足够的语法知识后,却在实际交流中由于听不懂或不会表达而感到不知所措。语用失误是造成该现象的根本原因,而造成语用失误的根本原因是母语语用负迁移。本文将语用负迁移分为语用语言负迁移和社交语用负迁移两个方面,并逐一对其产生原因和表现进行了分析。在此基础上,笔者对英语教学提出了一些建议,并指出应当客观地看待语用负迁移。     

爆炸物探测系统的应用及其技术开发

爆炸物探测系统是继X射线安检设备后新的检测设备,其中以CT技术和离子迁移谱设备为典型代表,不但满足了航空安检的要求,也降低了误报和漏报率。     

月尘静电迁移研究进展

月尘的静电悬浮和迁移是Apollo时期留下的最有争议的问题之一. 其既是研 究月球表面物质演化历史的重要线索, 也是探月工程必须考虑的重要因素. 月尘在月表环境下易因电子附着、光电效应、二次电子发射等过程带电, 并 在月球全球性静电场作用下发生迁移运动. 但目前对月尘静电迁移过程的认 识还不全面, 其主要原因在于对月尘静电特性的了解不够准确, 对静电迁移 过程的地面模拟不够充分以及对月球尘埃环境的探测较为缺乏. 未来需进一 步开展模拟月尘的研制, 月尘静电特性的分析, 静电迁移过程模拟以及尘埃 环境的探测等工作.      

大学生英语翻译实践中的母语负迁移现象及其对策

大学英语翻译实践中往往受到母语的负迁移的影响,由于人们在英语学习过程中需要通过母语来进行第二语言的解析,所以从母语过渡到第二语言的时候会发生迁移的现象。就大学英语翻译实践中的母语负迁移的现象进行分析,提出相应的对策,期望对于大学英语教学和翻译能够起到积极的促进的作用。     

硅通孔中电致应力的有限元分析

在三维电子封装中,硅通孔(TSV,Through-Silicon-Via)是实现芯片垂直互连的关键环节,其可靠性至关重要.随着硅通孔中电流密度的增大,电致应力对TSV可靠性的影响也越来越大.基于该耦合方程和有限元的一般原理,详细地推导了弹性材料属性下TSV内部的电致应力、应变的有限元分析模型;利用ABAQUS中的用户自定义单元(user defining element)接口,实现了该模型的有限元计算,并利用解析解对该有限元模型的正确性进行了验证.利用有限元模型对TSV中铜填充的电迁移问题进行了分析计算,描述了铜填充在电迁移过程中电致应力、应变以及空位浓度的演化过程和分布规律,为三维电子封装可靠性的全面评估提供了一定的依据.     

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。     

人口信息系统中动态负载均衡算法的研究

现有的人口信息系统在数据流量不断增加的情况下,将会出现负载不均衡的状况,直接影响了系统的整体功能。为此提出了新型的负载均衡算法在人口信息管理系统下的研究及应用,并根据人口信息系统的特性提出了一种新型的负载均衡策略。实验表明,算法能够有效的均衡负载分布。     

基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

基于深度迁移学习的航天器故障诊断

随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天器运行数据进行预处理,将多维时域信号转换为二维图像信号;其次,搭建基于残差网络的故障诊断深度学习框架,并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练;进而,为了实现当前在轨航天器实时故障诊断,本文采用迁移学习自适应方法,设计网络联合分布自适应代价函数,对故障诊断模型进行参数重调,使模型适应当前在轨航天器故障诊断任务.仿真结果表明,所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.