Neural Machine Translation by Fusing Key Information of Text

When the Transformer proposed by Google in 2017, it was first used for machine translation tasks and achieved the state of the art at that time. Although the current neural machine translation model can generate high quality translation results, there are still mistranslations and omissions in the translation of key information of long sentences. On the other hand, the most important part in traditional translation tasks is the translation of key information. In the translation results, as long as the key information is translated accurately and completely, even if other parts of the results are translated incorrect, the final translation results’ quality can still be guaranteed. In order to solve the problem of mistranslation and missed translation effectively, and improve the accuracy and completeness of long sentence translation in machine translation, this paper proposes a key information fused neural machine translation model based on Transformer. The model proposed in this paper extracts the keywords of the source language text separately as the input of the encoder. After the same encoding as the source language text, it is fused with the output of the source language text encoded by the encoder, then the key information is processed and input into the decoder. With incorporating keyword information from the source language sentence, the model’s performance in the task of translating long sentences is very reliable. In order to verify the effectiveness of the method of fusion of key information proposed in this paper, a series of experiments were carried out on the verification set. The experimental results show that the Bilingual Evaluation Understudy (BLEU) score of the model proposed in this paper on the Workshop on Machine Translation (WMT) 2017 test dataset is higher than the BLEU score of Transformer proposed by Google on the WMT2017 test dataset. The experimental results show the advantages of the model proposed in this paper.     

数据库技术在仪器分析控制和管理中的应用

在系统工程和软件工程相结合的基础上,利用数据库管理系统（DBMS）进行仪器分析的控制和管理;对仪器分析控制和管理信息系统（MIS）的开发环境、系统结构与开发中的关键技术作了介绍．     

基于小波分解和游程长度矩阵的医学图像检索

为了提高医院图像检索系统对医学图像的检索精度,对基于内容的图像检索方法进行了全面的研究.深入地分析了小波变换和游程长度矩阵在图像检索中的优点,创造性地提出了一种融合小波分解和游程长度矩阵的检索算法.该算法充分利用小波变换可以对图像进行的多尺度分析的优点,以及游程长度矩阵可以描述图像内灰度与游程长度分布规律的优点,使用高斯分布将小波分解后的各尺度图像游程长度矩阵特征进行合理融合.将仿真算法和其它算法进行比较,比较结果表明该方法能有效地提高图像检索的精确度.     

iSCSI存储系统中缓存技术的研究

为了发挥iSCSI存储系统不受距离限制、大容量、易扩充和传输性能较高等特点,减少直接对磁盘阵列进行操作的次数,以便提高系统的数据传输速率,提出了一种高效的iSCSI缓存机制.通过加载该缓存模块,可以有效减少直接访问磁盘阵列的次数,加快系统响应速度,提高了iSCSI系统的性能.最后用网络仿真软件NS-2进行测试,测试结果表明了该方法的可行性.     

基于FitNesse的验收测试驱动开发

软件开发过程需要开发团队与用户间交流、协作,FitNesse是一个基于集成测试框架(FIT)的测试环境,是用于增强交流和协作的工具.借鉴极限编程思想,针对当前软件开发过程存在的缺陷(缺乏与用户间的交流和协作机制),介绍一种解决方案:基于FitNesse的验收测试驱动开发(ATDD)技术.应用该技术有助于用户、需求工程师、开发人员及测试人员间的协同工作,从而大大提高用户满意度并改善软件开发效率.     

基于ARM-Linux的钢丝绳损伤检测系统设计

针对现有钢丝绳检测系统实时性与适应性差、自动化程度低的问题,提出了一种基于ARM-Linux的高性能钢丝绳损伤检测系统的设计方案,详细介绍了该系统的硬件组成、工作原理、软件实现方法及实时采样曲线绘制的设计与实现。该系统结合嵌入式Linux技术和漏磁无损检测技术,可独立完成检测任务,实时显示检测波形,提高了检测效率。     

嵌入式系统的课程实验研究

分析现有高低端嵌入式系统实验板的问题和不足,针对本科生"嵌入式系统"实验教学的实际需求,提出实验所应遵循的设计指导思想,并阐述了一种新电路设计,较好地解决了现有系统的问题。最后介绍其应用至"可编程逻辑器件"课程实验的效果。     

基于解开操作的直角多边形随机生成算法

集成电路物理设计的测试需随机生成直角多边形以覆盖所有的情况。基于此,提出一种基于解开操作的直角多边形随机生成算法,可应用于超大规模集成电路物理设计算法的测试和分析。该算法随机生成一个点序列,逐一将每对相交的线段解开,直至找不到任何相交线段。对该算法的有穷性作出证明,并以实验证明该算法简单有效。     

基于打印聚合物薄膜技术的NH_3传感器

研究了一种新型的采用打印技术的NH3传感器,探讨了打印"墨水"材料聚苯胺和聚吡咯的制备和"墨水"掺酸比例对NH3传感器敏感度的影响。为了提高传感器灵敏度,分别对传感器的直流和交流阻抗特性进行了研究。结果发现在1.5 kHz左右交流阻抗的测试条件下,传感器灵敏度要较直流阻抗测试高近1个数量级。此外还通过构建1个交流阻抗拟合模型对传感器交流阻抗变化过程作了解释。研究的采用打印技术基于聚合物的NH3传感器具有成本低,可以制作在柔性衬底上和适合大规模生产等特点,在食品加工、养殖业和医疗等领域具有广泛的应用前景。     

机房监控系统中数据网关服务器的设计

针对机房监控系统中底层设备与上层软件因紧密耦合导致系统维护困难的问题,采用适配器模式和桥接模式设计了底层数据采集接口,实现现场设备、远程监控端、数据网关之间的松散耦合,将DCOM技术作为数据处理的模型,使网关服务器可以提供远程分布式监控服务。实验结果表明,该设计方式实现了底层设备的多型号多协议兼容,降低维护成本,具有较好的可复用性和可扩展性。