“查理”还是“查尔斯”？ 从君主名看英法人名的习惯译法

<正>对于欧洲人的名字,尤其是与贵族有关的人名翻译,要因地制宜,就事论事。不然,会非常容易造成“查理”“亨利”等积非成是的误译。2022年9月,英国女王伊丽莎白二世的长子查尔斯王子（Charles Philip Arthur George Mountbatten-Windsor）登基成为英国新君主后,选择将全名之中的“Charles”作为封号,称为查理三世（Charles Ⅲ）。那么,为何至今为止,大部分媒体选择译为“查理三世”,而不是“查尔斯三世”呢？     

网络会话语篇连贯性的语境阐释

现今,网络会话已成为人们日常生活中很常见的交际方式,前人对于网络会话的研究主要集中在对其静态结构的描述。而从语境的角度出发,并从情景语境的三个要素,话语范围、话语基调和话语方式出发对网络会话语篇的连贯性进行阐释,可推动网络会话语篇研究向纵深方向发展。     

基于太湖流域跨界断面的跨界水环境综合管理区及控制单元划分研究

基于太湖流域管理局明确的苏浙沪31个跨界断面2009年7月—2012年12月的长序列野外水文、水质监测,以太湖流域苏浙沪三省跨界区域为研究主体,利用一维稳态水环境数学模型和水质影响权重模型,通过对三省交界嘉善县的重点研究确定对跨界断面水质影响占60%~70%的污染负荷所在区域的跨界水环境综合管理区的基本研究单位为县(市),依据基本研究单位划分得到太湖流域跨界水环境综合管理区面积为7 097 km2,其尺度与美国的水文四级分区一致。基于跨界河流流向及水系完整性特点,进一步将太湖流域跨界水环境综合管理区划分成4个控制单元,划分的控制单元尺度类似于美国宏观尺度的五级分区,是跨界区域水污染控制的基本单元.     

泰州市第三自来水厂饮用水水源地水环境风险评价

为了加强风险源管理,保障饮用水水源地取水安全,以泰州市第三自来水厂饮用水水源地为研究对象,构建了包括风险源主体危险度、风险源控制机制、风险事故危害程度在内的风险源(直接排污企业、污水处理厂、码头)风险识别体系,在此基础上,结合水源地环境监管能力、水源地环境应急能力完善饮用水水源地综合风险评价体系。根据调查分析、专家小组法得到风险评价体系各指标分级标准、权重,以及风险源、水源地风险等级划分标准。依据评价体系,得到评价结果:(a)泰州市第三自来水厂周边有8个中风险源,无高风险源;(b)泰州市第三自来水厂水源地风险等级为低风险。     

闽江感潮河段非雨季、雨季不同形态氮的时空分布及影响因素

选取非雨季(2018年11月)和雨季(2019年4月)对闽江感潮河段7个断面进行水样采集,研究不同季不同形态氮的时空分布规律,采用相关性分析及主成分分析并结合2016—2019年来水情况,深入探讨不同季氮组分分布及转化的影响因素.结果表明:1)非雨季盐水入侵明显,各理化指标盐度、温度、pH和溶解氧的波动均强于雨季.2)非雨季上游NH₄~+-N低于雨季,下游则高于雨季,而非雨季NO₃~--N和总氮(TN)总体均高于雨季.从上游到下游,非雨季NH₄~+-N变化波动较大,NO₃~--N平缓而TN呈轻微上升;雨季NH₄~+-N、NO₃~--N和TN变化均较平缓.3)相关性分析表明非雨季的氮转化活跃.雨季NH₄~+-N浓度是影响TN浓度的主要因素.结合主成分分析及长期上游来水氮的污染负荷发现,人为排放和各形态氮的相互转化是非雨季不同形态氮变化的主要因素,雨季水体反硝化对不同形态氮的分布发挥重要作用,而上游来水的氮污染负荷对不同形态氮的浓度影响较...     

假设性喻体的分类

在比喻的运用中,一般是以具体比喻抽象,而此文主要是从抽象或是假设性喻体出发来分析喻体,并在前人研究的基础上从假设性喻体是否延展的角度对其进行分类。     

基于建构主义理论的教师课堂提问——对英语专业基础课堂的研究

文章主要是用建构主义理论来分析教师的课堂提问,通过课堂观察和课堂实录的研究手段来说明两类课堂提问在帮助学生构建知识中的作用。研究结果表明,在英语专业课堂教学过程中,参考性问题必不可少,但它必须和展示性问题相辅相成,巧妙结合,创设出一定的课堂情景,促进学生创造性思维,实现意义构建,知识习得。     

基于超分辨重建和公共特征子空间的低分辨率人脸识别

针对传统低分辨率人脸识别准确率较低的问题，提出了一种基于超分辨重建和公共特征子空间的低分辨率人脸识别网络InGLRNet(inception GAN low resolution Net)。InGLRNet网络采用生成对抗网络结构，首先，由超分辨InSRNet网络和特征提取网络构成生成网络，InSRNet网络将Inception结构中3×3卷积核分解为1×3、3×1和1×1的卷积核，同时，增加残差网络的旁路直连方式，减轻梯度消失问题。其次，利用公共特征子空间法，将变换后的低分辨率样本图像和高分辨率基准图像在公共空间中的距离作为训练深度卷积神经网络的目标函数，通过损失函数匹配高、低分辨率图像的特征，实现人脸的精准特征识别。最后，将InGLRNet与CLPMs、MDS、Deep-Face和Face-Net经典的4种低分辨人脸识别方法进行对比，实验结果表明，构建的网络在人脸识别性能上有显著提升，在不同低分辨率下都优于其他4种方法。