文摘
为了提高精度的自动翻译,商务英语,商务英语翻译教学的优化设计平台,提出了基于物流模型结合深度学习。后使用物流模型分析商务英语翻译的语义特征,深度学习模型用于部分图片,和我的英语和自动化的词汇特征分析商务英语翻译是由使用上下文功能匹配和语义变量自适应搜索方法提取单词和词汇之间的相关特性,正确翻译的差异在一个特定的业务上下文提高英语翻译的准确性。软件设计平台的实施在物流模式下,和平台主要分为词汇表数据库模块,英文信息处理模块、网络接口模块和人机交互界面模块。试验结果表明,商务英语翻译的准确性使用这种方法是好的,和自动翻译能力强。
1。介绍
随着机英文翻译技术的不断成熟,使用机器的英文翻译为英语翻译可以大大减少人工翻译的时间和提高翻译效率1]。英语翻译方法的研究基于机器翻译有一个重要的角色在促进英语教育以及提高外文文献的阅读效率。在翻译商务英语的过程中,商务英语的上下文的不确定性和随机性导致机器翻译商务英语精度差,这就要求商务英语翻译教学的优化设计平台,结合算法的改进设计为机器翻译商务英语,提高商务英语翻译的准确性和效率,和研究相关的教学平台设计方法得到了极大关注2]。
商务英语翻译的机器算法目前主要采用极限学习机算法,机器英文翻译校正算法的支持向量机,和自回归分析方法3],它结合了商务英语翻译的语义特征分析的语言环境和自动翻译功能匹配在翻译过程中为了提高商务英语翻译的准确性,并使用这个作为教学的基础平台设计,商务英语翻译教学质量高(4]。然而,上述方法有更大的语境干涉问题进行大规模的商务英语翻译,导致可怜的翻译的准确性。为解决这一问题,提出了一种设计方法为商务英语翻译教学平台基于物流模型,它使用上下文特征匹配和语义变量自适应搜索方法进行自动词汇特征分析,商务英语翻译,并进行差分校正翻译在特定的业务环境中提高英语翻译的准确性(5]。软件开发设计和商务英语翻译教学平台的仿真实验分析也得出结论的有效性。在下一节中,我们提出了算法设计的英文文献的翻译。节3解释了深度学习解决方案。部分4进行的实验分析验证该算法和它的工作。最后,本文的结论部分5。
2。英国文学翻译算法设计
在本节中,提出了英语文学翻译的算法。首先,物流模型用于解释语义特征分析的英文翻译。然后,英语文学翻译的优化算法。物流模型的基础上,对商务英语文学翻译,机器算法设计实现,进而充当一个翻译的软件开发设计基地教学平台。
2.1。物流模型
物流模型用于语义特征分析商务英语翻译。作为一个典型的混沌模型,逻辑模型具有随机性的特点和初始特征敏感性,它有强大的优势环境适应商务英语的语义特征分析在不同的上下文中6),和一维映射用于构造逻辑混乱模型如下:
上述方程描述了subcluster Henon吸引子为商务英语翻译,并结合概念的英文翻译输出自适应上下文匹配概念的文本特征的分布模型获得英语文学翻译如下:
介绍了洛伦茨吸引子为语义修订的商务英语翻译7),和洛伦兹函数 在哪里 或(σ,r,b45.92]=[16日,4]。
词聚类特征提取的商务英语翻译,语义特征聚类是根据物流执行混沌吸引子结合词语的语义特征分布的变化(8]。
根据英文翻译集群模型如图1、上下文特征匹配和语义变量自适应搜索方法用于自动词汇特征分析商务英语翻译,假设英语话语的语义代码序列长度是翻译N和语义分布概念的集合x,它可以表示为一个N×1列特征向量, 。使用关联语义表达式分组方法(9),获得商务英语文献翻译的集群模型所描述的
2.2。英语机器翻译算法优化
基于上述语义特征分析商务英语翻译使用物流模型,该机器为英语翻译进行了算法设计,使用上下文特性和自适应匹配语义变量找到(10),最优语义特征匹配的结果获得了英语翻译
基于语义的原始文本信息的离散化,参数自适应估计的语义文本特征量Y执行获得英语翻译输出的特征匹配
自动化的词法特点商务英语翻译进行了分析,并对分解结果相关的上下文信息的英文翻译词典获得如下(11]:
cross-integrated评价决策方法(12)是用于提取的一个词到一个词联想功能,和输出得到如下:
商务英语翻译的语义本体信息阈值(13),和经验模态分解方法用于获得相似的输出和亲密的翻译结果如下:
根据输出相似和亲密特征提取结果,差分校正的翻译在一个特定的业务上下文,和纠正的一组文本获得英语文学翻译的输出如下:
总结上面的算法设计,机器算法设计基于物流模型对商务英语文学翻译是意识到,根据翻译教学平台的软件开发设计进行(14]。
3所示。深度学习解决方案
通过深度上优于图像识别和机器翻译技术,可以使计算机描述现场的图片在短短几句,然后使用计算机识别的图像是用英语准确地描述和美联储实时手机微信应用程序。这允许用户将手机所拍摄的照片转化为英语词汇和句子通过微信applet,这不仅使他们随时随地学习英语,还可以减少语言障碍带来的不便当他们在一个说英语的国家15]。深上优于实际英语现场翻译主要在于英语翻译处理的图像;过程首先需要现场采集和图像捕获通过调用手机摄像头通过微信applet,然后图像区域分割、图像特征提取、图像目标检测,和英语描述捕获的图像的生成,即。现场;图1显示了目标的过程。生活通过目标图像的处理过程可以产生一个更准确的英语生活场景的描述。
3.1。图像特征提取
图像的区域分割后,图像特征提取。在本文中,我们建立一个卷积神经网络模型进行图像特征提取(16]。在本文中,我们使用VGG-16架构,由13个3×3卷积层和6 2×2马克斯池层,如图2,以便提取输入图像的特性(3×W×H)生成相应的张量特性(3表示RGB,即。,通道的数量是3,W表示宽度,H表示高度),把它们变成C×W×H。张量特性转换成C×W×H,在那里C是一个常数的频道,W是宽度,H是高度。像素的图像将被转换成一定程度的失真,最大的极限C设置为512,和图像的宽度和高度将成为1/16的原始的什么时候C的最大值(17]。卷积神经网络的输出是定位在一组均匀采样图像的位置,和图像的特征编码和存储。提取这些特征为目标探测做准备。
3.2。图像目标检测
对目标探测、更快R-CNN [18),一个“时髦”技术领域的目标探测,是选择。更快的RoI池机制R-CNN [20.取而代之的是一个双线性插值(19)基于快R-CNN为了让提高目标探测模型传播梯度向后通过预测区域的坐标和避免在目标探测当地的最适条件。在这篇文章中,改进后的神经网络被称为“识别层。”
在收到图像特征提取在前面的步骤中,当识别层收到一个激活的张量C×W×H内部,它选择T感兴趣的区域(T最高价值选择),并返回三张量输出,给这些地区信息(21]。(我)区域坐标:价值选择后,T矩阵给出了最佳边界框坐标为每个输出地区。(2)地区:得分向量的长度T给每个输出地区的信心得分。信心得分较高的地区更有可能感兴趣的区域。(3)区域特点:所选的区域代表C维空间X×Y网格,网格的双线性采样图像特性来获得一个地区的特征尺寸T512年××7×7。
目标探测模型基于快R-CNN构造如图3。
3.3。生成的英语描述
图像的目标检测后,目标特征的英语表达,和中间输出< >对象、属性、活动场景,如图4,此外,功能词需要形成英语句子根据现场(22]。
在本文中,我们使用长短期记忆(LSTM)网络形式的句子从现实世界的特性和获得英语场景的描述。特征提取的图像特征提取、目标探测获得的区域特征,区域坐标输入到LSTM神经网络训练句子真实的单词的形成。
4所示。实验测试分析
商务英语翻译教学的模拟实验平台是由MATLAB设计和TinyOS 2. x。英语翻译的数据传输的帧数设置为1200,翻译和英语文本的数据包的数量是128 Mbit [23]。商务英语文档的训练样本的数量是12,和语义特征的最大采样时间是24。基于上述仿真参数设置,进行英语翻译测试使用这种方法和传统方法来分析商务英语翻译使用这个平台的正确性。图的分析5表明,使用这种方法商务英语翻译的准确性高,输出翻译错误低。
英语翻译教学平台的时间响应进一步测试,结果如图5。对图的分析6表明本文的方法翻译商务英语文学教学平台的设计有较低的时间开销在英语翻译24]。
为了验证本文中使用的场景识别模型的准确性,有些图像与标准描述,选择和投入培训的培训环境,如图7和一个描述文本选择得分最高的为比较标准的描述文本;可以看出,本文的结果可以准确地翻译场景中图像的内容。
在现实的应用程序中声明的,单词“和/或”和“损坏或损失”成对出现。“及/或”这个词,因为使用原始文本显示“运费”和“到付运费。“当两种方法一起使用或单独的全额运费必须支付给承运人。因此,它应该翻译成“或其中之一。损坏或损失,“关于“伤害”指的是一种整体损失的价值,而“损失”是指总体价值的部分损失。按照国际惯例为货物运输保险损失,一些政策只覆盖货物全损和部分损失,所以这是一个人的利益保护的问题。图8表明,在云词分析,“损害或损失”应译为“损失或灭亡。“为了实现商务英语中委婉语的影响,通常使用被动句,在中国非常不同的表达。因此,没有现成的对应被动句翻译成汉语,而是一些适当的方式表达原文的被动意义应该选择从广泛的句子和辅助词根据中国的习惯用法25,26]。
5。结论
在商务英语翻译的过程中,商务英语环境的不确定性和随机性导致穷人商务英语机器翻译的准确性。本文提出一种基于逻辑模型的设计方法进行翻译。研究表明,翻译本文设计优越的时间响应能力和英语翻译的准确性。没有现成的对应被动句翻译成汉语,而是一些适当的方式表达原文的被动意义应该选择从广泛的句子和辅助词根据中国的习惯用法。
数据可用性
在当前的研究中使用的数据集是根据要求提供给作者。
的利益冲突
作者宣称没有利益冲突。