论文管检测怎么翻译

论文翻译入侵检测

很可能会被查出来

近几年来，移动Ad-hoc网络作为新兴的无线通信网络，逐渐吸引了业界的注意力，成为研究的热点。Ad Hoc网络可以在没有基础设施支持的情况下灵活方便的通信，这种技术拓宽了移动通信的领域，具有光明的前景。Ad Hoc网络最初应用于军事领域，随着无线网络的发展，Ad Hoc网在民用领域也开始得到发展。移动Ad-hoc网络不需要任何无线基础设施的支持，节点开机就可以快速自动组网，节点可以任意移动，随时加入或离开网络。Ad Hoc网还具有组网速度快、抗毁自愈能力强等优点，在军事和民用领域得到越来越广泛的应用。 由于移动Ad hoc网络采用无线信道，节点的自由性，网络的结构等各方面的技术特点，使得Ad Hoc 网更容易被窃听，拒绝服务等攻击，使其在安全方面存在隐患。要建立安全的Ad-Hoc网络，研究其入侵检测及响应技术十分必要的，具有重要意义。 基于Ad Hoc网的特点建立一种一分组为基础的新型的网络结构。本文就分组的基本概念及分组的实现进行了阐述，并根据分组的特点，建立了基于分组的安全模型，并阐述了门限认证的基本概念，结合分组特点和门限认证技术来实现一个无线Ad hoc网络分组内进行门限认证的安全解决方案。 In recent years, mobile Ad hoc networks as emerging - wireless communication network, gradually attracting attention of industry, become the focus of research. Ad Hoc network infrastructure support in no circumstances is flexible and convenient communications, the technology of mobile communication area expanded, with bright prospects. Ad Hoc networks in the military field application initially, along with the development of wireless network, Ad Hoc network in civil field also began to get develop. Mobile Ad hoc networks - do not need any wireless infrastructure support, node can be on any mobile networking, node can add or leave, network. Ad Hoc network also has netted speed, invulnerability self-healing capability advantages in military and civilian areas, get more and more widely. Due to the mobile Ad hoc network using wireless channel, freedom, network structure, etc, the technical characteristics of Ad hoc network more easily to be tapped, denial of service attacks, which are hidden in the safe. To establish a secure network Ad Hoc - its intrusion detection and response technology necessary, has the vital significance. Based on the Ad Hoc network characteristics to establish a new one packet basis of network structure. Based on the basic concept and the group of grouping is discussed, and according to the characteristics of the group, established the security model based on group, and expounds the basic concept, threshold certification group characteristics and threshold combining authentication technology to realize a wireless Ad hoc network group within the threshold of authentication security solutions. Keywords: Ad Hoc networks, Network security strategy, Group, Threshold authentication

大神帮你翻译。。。。。

摘要 基于Web的漏洞占了很大一部分的安全漏洞的计算机网络。为了检测已知的基于网络的攻击，误用检测系统都配备了大量的签名。不幸地，很难跟上每日披露的网站相关的漏洞，此外，漏洞可介绍的安装特定的基于Web的应用。因此，误用检测系统应当 配合异常检测系统。 本文介绍了入侵检测系统，采用了一些不同的异常检测技术 侦测攻击网络服务器和基于Web的应用。该系统会分析客户查询，参考Serverside集团 计划和创建模式，范围广泛的不同特点，这些查询。例如，这些功能都 访问模式的服务器端程序或价值的个别参数的调用。特别是，利用 特定应用的表征援引参数允许系统进行重点分析和 生产数量减少的误报。 该系统会自动产生配置文件的参数与网络相关的应用程序（例如，长度和结构 参数）和查询之间的关系（例如，存取时间和顺序）从分析数据。因此， 可以部署在非常不同的应用环境，而不需要进行费时的调整和 配置。

翻译的论文能检测吗

会。

每个人使用语言的习惯不一样，使用的措辞、语序都会略有些不同，所以即使是一段相同的文字，不同的人在进行翻译后，译文必然会有不同。也可以适当的翻译与选题有关的相关外文文献，并进行整体的润色，避免口语化的叙述，使之有条理、有逻辑，再写入论文中。

查重也是有方向可寻的，因为每个检测系统的数据库不一样，查重结果也会存在差异。一查改更快捷一查改更快捷这一点需要弄明白，不然检测的时候就是一头雾水。查重重复率过高，进行修改即可，都是反复进过修改才合格的。

扩展资料：

注意事项：

使用字符串资源的主要原因之一是简化软件转换，绝对应该使用字符串资源表。应从资源字符串表中检索显示给用户的所有字符串，包括格式字符串。这将减少翻译公司在测试目标语言软件版本之前执行必要的翻译测试所需的时间。

翻译成另一种语言的英语将增加或扩大字符数超过50％。对话框应允许额外的文本扩展空间。虽然可以在重建已翻译的应用程序之前在软件转换之前调整对话框的大小，但如果大多数对话框和控件在转换之前具有足够的大小，则该过程将更加高效。

参考资料来源：百度百科-翻译软件

参考资料来源：百度百科-批改网

以前不会，但是现在随着查重网站和查重技术的升级，这种手段不一定会有效果。以前的部分中国留学生，因为欠缺写作能力，就会从知网上下载一些英文文章，然后用谷歌翻译或者有道翻译把文章从英文变成中文，或者找英语外国语专业的学生代为翻译，以前的这种方式确实是查不出来，但是随着这样的人越来越多，道高一尺魔高一丈，建议论文还是正常撰写，尽量不要使用一些小手段。尤其是在关键词、关键数据是无法修改、挪移的情况下。文科类文章，可以用替换、诠释、转述等方法避免查重，但理科类就比较难了。因为理工科的数据是通过实验完成的，参数，变量，实验方法是固定的，很难移动修改，文科类，可以将自己的观点，思想在主要观点的思想基础上完善、添加，但总体结构无法改变，所以照样会被查重。翻译成英文，关键词还是那些，只不过转换了语言，依旧会被查重。况且现在国人英文水平很高。在云计算、大数据的时代，只有原创的才最有保障。在论文写作过程中，如果参考的是英文或者是其他语种的文献，查重系统也已经收录了这篇英文文献，那么我们再将其翻译成中文嵌入到我们的论文进行查重时，对于翻译成中文的内容部分查重系统是无法检测出来的。但要注意的是，我们所参考这篇外文文献是否已经被别人借鉴过。如果他人也翻译过这篇文献，而且被知网查重系统收录了，那么你在进行论文查重时很有可能被判定为抄袭他人论文。

查重应该能过，但是博士论文和本科论文不是一个档次，有点差距，容易引起怀疑，就怕学校、教育部等部门抽查，一般是针对优秀论文进行抽查，建议你能做尽量不要造假，毕竟不好。本科毕业论文其实管的是比较宽松的，建议你多练练自己的写作能力，可以百度搜：普刊学术中心，有很多论文写作资料可以学习下。

很可能会被查出来

酒精检测论文外文翻译

毕业论文外文翻译：将外文参考文献翻译成中文版本。翻译要求：1、选定外文文献后先给指导老师看，得到老师的确认通过后方可翻译。2、选择外文翻译时一定选择外国作者写的文章，可从学校中知网或者外文数据库下载。3、外文翻译字数要求3000字以上，从外文文章起始处开始翻译，不允许从文章中间部分开始翻译，翻译必须结束于文章的一个大段落。参考文献是在学术研究过程中,对某一著作或论文的整体的参考或借鉴.征引过的文献在注释中已注明,不再出现于文后参考文献中。外文参考文献就是指论文是引用的文献原文是国外的，并非中国的。 原文就是指原作品,原件，即作者所写作品所用的语言。如莎士比亚的《罗密欧与朱丽叶》原文是英语。译文就是翻译过来的文字，如在中国也可以找到莎士比亚《罗密欧与朱丽叶》的中文版本，这个中文版本就称为译文。扩展资料：外文翻译需要注意的问题1、外文文献的出处不要翻译成中文，且写在中文译文的右上角（不是放在页眉处）；会议要求：名称、地点、年份、卷（期），等 。2、作者姓名以及作者的工作单位也不用必须翻译。3、abstract翻译成“摘要”，不要翻译成“文章摘要”等其他词语。4、Key words翻译成“关键词” 。5、introduction 翻译成“引言”(不是导言)。6、各节的标号I、II等可以直接使用，不要再翻译成“第一部分”“第二部分”，等。 7、注意排版格式，都是单排版，行距1.25，字号小4号，等（按照格式要求）。8、里面的图可以拷贝粘贴，但要将图标、横纵指标的英文标注翻译成中文。 9、里面的公式、表不可以拷贝粘贴，要自己重新录入、重新画表格。

谨以此证明下述对象正在船上，并按照由国际劳工组织/国际海事组织和美国海岸警备队共同建议的海运业全球应用药物检测程序的指导方针以及石油公司国际海运论坛的指南的规定，对其进行了药物和酒精检测。检测同时符合挪威海员法规第26条和海事局发布的规章制度。（好像是按规定检测船员的药物和酒精含量的）

santolinatriene山道年肟Arthemisia 增加灵敏度的光电(显)象管alcohol酒精, 酒Methanoazulene[微]甲烷杆菌科Candida krusei柑桔皮蜜饯, 桔皮果脯

alcohol alcohol / ˈælkəhɔl; US -hɔːl; ˋælkəˏhɔl/ n [U] (a) colourless liquid that can cause drunkenness, contained in drinks such as beer, wine, brandy and whisky 酒精. (b) this liquid used as a solvent and fuel 乙醇. [U] drinks containing this 含酒精的饮料; 酒: prohibit the sale of alcohol 禁止售酒 * I never touch (ie drink drinks that contain) alcohol. 我从不喝酒. [U, C] chemical compound of the same type as alcohol 醇.> alcoholic / ˏælkəˈhɔlɪk; US -ˈhɔːl-; ˏælkəˋhɔlɪk/ adj 1 of or containing alcohol 酒精的; 含酒精的: ,alcoholic `drinks 含酒精的饮料 * Home-made wine can be very alcoholic. 自制的酒有的酒性很烈. 2 [attrib 作定语] caused by drinking alcohol 由喝酒引起的: be in an,alcoholic `stupor 醉得不省人事. n person who drinks too much alcohol or suffers from alcoholism 饮酒过度的人; 酒鬼; 酒精中毒的人.alcoholism / -ɪzəm; -ˏɪzəm/ n [U] (disease caused by) continual heavy drinking of alcohol 酒精中毒（症）.

目标检测经典论文翻译

目标检测（object detection）是计算机视觉中非常重要的一个领域。在卷积神经网络出现之前，都利用一些传统方法手动提取图像特征进行目标检测及定位，这些方法不仅耗时而且性能较低。而在卷积神经网络出现之后，目标检测领域发生了翻天覆地的变化。最著名的目标检测系统有RCNN系列、YOLO和SSD，本文将介绍RCNN系列的开篇作RCNN。 RCNN系列的技术演进过程可参见 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 。 目标检测分为两步：第一步是对图像进行分类，即图像中的内容是什么；第二步则是对图像进行定位，找出图像中物体的具体位置。简单来说就是图像里面有什么，位置在哪。 然而，由于不同图片中物体出现的大小可能不同（多尺度），位置也可能不同，而且摆放角度，姿态等都可以不同，同时一张图片中还可以出现多个类别。这使得目标检测任务异常艰难。上面任务用专业的说法就是：图像识别+定位两个不同的分支分别完成不同的功能，分类和定位。回归（regression）分支与分类分支（classification）共享网络卷积部分的参数值。 还是刚才的分类识别+回归定位思路。只是现在我们提前先取好不同位置的框，然后将这个框输入到网络中而不是像思路一将原始图像直接输入到网络中。然后计算出这个框的得分，取得分最高的框。 如上，对于同一个图像中猫的识别定位。分别取了四个角四个框进行分类和回归。其得分分别为0.5,0.75,0.6,0.8，因此右下角得分最高，选择右下角的黑框作为目标位置的预测（这里即完成了定位任务）。 这里还有一个问题——检测位置时的框要怎么取，取多大？在上面我们是在257x257的图像中取了221x221的4个角。以不同大小的窗口从左上角到右下角依次扫描的话，数据量会非常大。而且，如果考虑多尺度问题的话，还需要在将图像放缩到不同水平的大小来进行计算，这样又大大增加了计算量。如何取框这个问题可以说是目标检测的核心问题之一了，RCNN，fast RCNN以及faster RCNN对于这个问题的解决办法不断地进行优化，这个到了后面再讲。 总结一下思路： 对于一张图片，用各种大小的框将图片截取出来，输入到CNN，然后CNN会输出这个框的类别以及其位置得分。 对于检测框的选取，一般是采用某种方法先找出可能含有物体的框（也就是候选框，比如1000个候选框），这些框是可以互相重叠互相包含的，这样我们就可以避免暴力枚举所有框了。讲完了思路，我们下面具体仔细来看看RCNN系列的实现，本篇先介绍RCNN的方法。 R-CNN相比于之前的各种目标检测算法，不仅在准确率上有了很大的提升，在运行效率上同样提升很大。R-CNN的过程分为4个阶段： 在前面我们已经简单介绍了selective search方法，通过这个方法我们筛选出了2k左右的候选框。然而搜索出的矩形框大小是不同的。而在AlexNet中由于最后全连接层的存在，对于图像尺寸有固定的要求，因此在将候选框输入之前，作者对这些候选框的大小进行了统一处理——放缩到了统一大小。文章中作者使用的处理方法有两种： （1）各向异性缩放因为图片扭曲可能会对后续CNN模型训练产生影响，于是作者也测试了各向同性缩放的方法。有两种方法： 此外，作者对于bounding box还尝试了padding处理，上面的示意图中第1、3行就是结合了padding=0，第2、4行结果采用padding=16的结果。经过最后的试验，作者发现采用各向异性缩放、padding=16的精度最高。 卷积神经网络训练分为两步：（1）预训练；（2）fine-tune。 先在一个大的数据集上面训练模型（R-CNN中的卷机模型使用的是AlexNet），然后利用这个训练好的模型进行fine-tune（或称为迁移学习），即使用这个预训练好的模型参数初始化模型参数，然后在目标数据集上面进行训练。 此外，在训练时，作者还尝试采用不同层数的全连接层，发现一个全连接层比两个全连接层效果要好，这可能是因为使用两个全连接层后过拟合导致的。 另一个比较有意思的地方是：对于CNN模型，卷积层学到的特征其实就是基础的共享特征提取层，类似于传统的图像特征提取算法。而最后的全连接层学到的则是针对特定任务的特征。譬如对于人脸性别识别来说，一个CNN模型前面的卷积层所学习到的特征就类似于学习人脸共性特征，然后全连接层所学习的特征就是针对性别分类的特征了。 最后，利用训练好的模型对候选框提取特征。 关于正负样本的问题：由于选取的bounding box不可能与人工label的完全相同，因此在CNN训练阶段需要设置IOU阈值来为bounding box打标签。在文章中作者将阈值设置为0.5，即如果候选框bounding box与人工label的区域重叠面积大于0.5，则将其标注为物体类别（正样本），否则我们就把他当做背景类别（负样本）。 作者针对每一个类别都训练了一个二分类的SVM。这里定义正负样本的方法与上面卷积网络训练的定义方法又不相同。作者在文章中尝试了多种IoU阈值（0.1~0.5）。最后通过训练发现，IoU阈值为0.3的时候效果最好（选择为0精度下降了4个百分点，选择0.5精度下降了5个百分点）。即当IoU小于0.3的时候我们将其视为负样本，否则为正样本。 目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。在实现边界回归的过程中发现了两个微妙的问题。第一是正则化是重要的：我们基于验证集，设置λ=1000。第二个问题是，选择使用哪些训练对(P,G)时必须小心。直观地说，如果P远离所有的检测框真值，那么将P转换为检测框真值G的任务就没有意义。使用像P这样的例子会导致一个无望的学习问题。因此，只有当提案P至少在一个检测框真值附近时，我们才执行学习任务。“附近”即，将P分配给具有最大IoU的检测框真值G（在重叠多于一个的情况下），并且仅当重叠大于阈值（基于验证集，我们使用的阈值为0.6）。所有未分配的提案都被丢弃。我们为每个目标类别执行一次，以便学习一组特定于类别的检测框回归器。 在测试时，我们对每个提案进行评分，并预测其新的检测框一次。原则上，我们可以迭代这个过程（即重新评估新预测的检测框，然后从它预测一个新的检测框，等等）。但是，我们发现迭代不会改进结果。 使用selective search的方法在测试图片上提取2000个region propasals ，将每个region proposals归一化到227x227，然后再CNN中正向传播，将最后一层得到的特征提取出来。然后对于每一个类别，使用为这一类训练的SVM分类器对提取的特征向量进行打分，得到测试图片中对于所有region proposals的对于这一类的分数，再使用贪心的非极大值抑制（NMS）去除相交的多余的框。再对这些框进行canny边缘检测，就可以得到bounding-box(then B-BoxRegression)。 参考： Rich feature hierarchies for accurate object detection and semantic segmentation. RCNN-将CNN引入目标检测的开山之作-晓雷的文章 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN R-CNN 论文翻译

翻译：Inspection of moving taregt

原文： Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.

译文参考： Faster R-CNN论文翻译——中英文对照

目标检测网络依赖于Region Proposal算法假设目标位置，通过引入Region Proposal（网络RPN），与检测网络共享全图像卷积特征，使得Region Proposals的成本近乎为零。

如下图所示，图a采用的是图像金子塔（Pyramids Of Images）方法；图b采用的是滤波器金字塔（Pyramids Of Filters）方法；图c引入“锚”盒（"Anchor" Boxes）这一概念作为多尺度和长宽比的参考，其可看作回归参考金字塔（Pyramids Of Regression References）方法，该方法可避免枚举图像、多尺度滤波器和长宽比。

为了将RPN与Fast R-CNN相结合，本文提出了一种新的训练策略：在region proposal任务和目标检测任务之间交替进行微调，同时保持proposals的固定。该方案能够快速收敛，两个任务之间并共享具有卷积特征的统一网络。

Faster R-CNN由两个模块组成：

RPN以任意大小的图像作为输入，输出一组矩形的目标proposals，每个proposals都有一个目标得分。在实验中，假设两个网络（RPN和Fast R-CNN）共享一组共同的卷积层，并研究了具有5个共享卷积层的 Zeiler和Fergus模型（ZF） ，以及具有13个共享卷积层的 Simonyan和Zisserman模型（VGG-16） 。

为了生成region proposals，对最后的共享卷积层输出的卷积特征图谱使用一个小网络。该网络以卷积特征图谱的 空间窗口作为输入，且每个滑动窗口映射到一个低维特征，所有空间位置共享全连接层。

该低维特征作为两个子全连接层———边界框回归层（box-regression layer, reg）和边界框分类层（box-classification layer, cls）的输入，其卷积核均为 大小。

对于每个滑动窗口位置，可同时预测多个region proposals，最大region proposals数为 。因此，reg层具有 个输出，用于编码k个边界框的坐标；cls层具有 个得分，用于估计每个proposal是目标或不是目标的概率。

Anchors：k个proposals相对于 个参考框是参数化形式。

anchor位于滑动窗口的中心，并与尺度和长宽比相关。默认情况，使用3个尺度和3个长宽比，在每个滑动位置产生 个anchors。对于大小为 的卷积特征图谱，共产生 个anchors。

基于anchor的方法建立在anchors金字塔（pyramid of anchors）上，参考多尺度和长宽比的anchor盒来分类和回归边界框，用于解决多尺度和多长宽比问题。

为了训练RPN，为每个anchor分配一个二值标签。

正标签：

负标签：IoU值低于0.3。

对Fast R-CNN中的多任务损失进行最小化。图像的损失函数为：

其中， 是mini-batch数据中anchor的索引， 是第i个anchor作为目标的预测概率。若anchor为正标签，真值 ；反之， 。 是表示预测边界框4个参数化坐标的向量， 是正真值框的向量。分类损失 为两个类别的对数损失；回归损失 ，其中 为在 Fast R-CNN 一文中定义的鲁棒损失函数（平滑 ）。 表示回归损失仅对正anchor激活，否则被禁用（ ）。cls和rge层的输出分别由 和 组成。该两项使用 和 进行标准化，并使用平衡参数 加权处理。等式中cls项根据mini-batch的大小进行归一化，而reg项根据anchor位置的数据进行归一化。默认情况下， 从而使得cls和reg项的权重大致相等。

对于边界框回归，采用 Rich feature hierarchies for accurate object detection and semantic segmentation 一文中的4个坐标参数化方法：

其中， 和 表示边界框的中心坐标及其宽和高。变量 和 分别表示预测边界框、anchor和真值框。

采样策略：以图像为中心。

在图像中随机采样256个anchors，用于mini-batch数据中损失函数的计算，正负样本的比例为 。

从标准差为0.01的零均值高斯分布中提取权重来随机初始化所有的新网络层，而共享卷积层通过预训练ImageNet分类模型来初始化。同时，调整ZF网络的所有网络层，以及VGG网络的conv3_1之上的网络，用于节省内存的使用。对于60k的mini-batch数据，学习率为0.001；对于PASCAL VOC数据集中的20k的mini-bacth数据，学习率为0.0001。随机梯度下降算法的动量设置为0.9，重量衰减率为0.0005。

训练具有共享特征网络的三个方法：

版权印版权标识