【考研英语】翻译:句子中出现人名怎么办?

本文详细讲解了考研英语真题中人名的翻译方法,包括名人和非名人的人名翻译原则,以及常见国外名人的标准翻译,帮助考生掌握正确的人名翻译技巧。

之前有同学问:翻译里出现人名需要翻吗?是的,需要。今天就来讲讲考研英语真题中的人名该如何翻译~(*^▽^*)

01 “约定俗成”的人名翻译

如果是名人,中文翻译的名字通行已久,为人接受,约定俗成,那就不必更改,必须按约定俗成的中文翻译用字来写,比如以下这些人名:

 

2018年人名翻译:

 

Shakespeare 莎士比亚(英国戏剧家)

 

2014年人名翻译:

 

Beethoven 贝多芬(德国作曲家)

 

2008年人名翻译:

 

Darwin 达尔文(英国生物学家,进化论的奠基人)

 

Darwinian 达尔文主义者

 

2006年人名翻译:

 

Socratic 苏格拉底(古希腊思想家、哲学家、教育家)

02 其余“非名人”翻译

除去一些我们经常听到的人名外,还有很多相对陌生的人名。遇到这些名字,只要按拼读规则念出来对应到接近中文即可,姓名中不重要的辅音可以省略。不要不恰当地使用那些容易引起联想的、带有明显贬褒意味字词,以免造成误解或闹笑话。

 

2017年人名翻译:

 

David Graddol 大卫·格兰多(英国应用语言学家)

 

2013年人名翻译:

 

T. S. Eliot 托马斯·斯特尔那斯·艾略特(英国诗人、评论家、剧作家)

 

2012年人名翻译:

 

Noam Chomsky 诺姆·乔姆斯基(美国语言学家)

 

2011年人名翻译:

 

James Allen 詹姆斯·艾伦 (英国文人、作家)

 

2004年人名翻译:

 

Franz Boas 弗朗茨·博厄斯(德国裔美国人类学家,语言学家)

 

Edward Sapir 爱德华.萨丕尔(美国人类学家,语言学家)

 

Benjamin Lee Whorf 本杰明·李·沃尔夫(美国人类语言学家)

 

2003年人名翻译:

 

Edward Tylor 爱德华·泰勒(英国文化人类学的奠基人、古典进化论的主要代表人物)

 

03 “名人”翻译

另外,列举一些常见国外名人,如果恰巧遇到了这些人名,就不用自己胡编乱造了,按标准翻译来写。来眼熟一下就好~

 

Edison 爱迪生(美国发明家)

 

Newton 牛顿(英国物理学家)

 

Einstein 爱因斯坦(德国物理学家)

 

Aristotle 亚里士多德(古希腊哲学家)

 

Mark Twain 马克·吐温(美国作家)

 

Hemingway 海明威(美国作家)

 

Victor Hugo 维克多·雨果(法国作家)

 

Maupassant 莫泊桑(法国作家)

 

Napoleon Bonaparte 拿破仑·波拿巴(法国军事家)

 PS:尽量音译,实在不会就只能照搬了

来源于网络

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值