导读:本文包含了解释器论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:机器人,人工智能,程序,单元,卷积,神经,词法。
解释器论文文献综述
陈丹[1]（2019）在《嵌入式JavaScript解释器的设计》一文中研究指出伴随当今Internet技术的持续发展与更新,大量信息资源借助WWW服务来实现共享。而要想实现此目标,用超媒体与超文本技术乃是最便捷且最简单的方法与途径。而对于JavaScript脚本语言而言,其具有可交互、动态化且实时性的表达能力,能改变用户与信息之间传统的浏览与显示的关系。本文结合当前实况,首先简要分析了嵌入式JavaScript解释器的总体设计,指出了系统中的核心技术,望能为此领域设计研究有所借鉴。(本文来源于《计算机产品与流通》期刊2019年11期）
刘辉,严碧波[2]（2019）在《一种基于LL1文法实现的解释器》一文中研究指出随着计算机技术的快速发展,越来越多的编程语言出现在了大众的视野中。设计一门新的编程语言,最重要的工作就是实现其对应的编译系统。文章基于LL1文法设计并实现了一款解释器。LL1文法是一种上下文无关的简单文法,使用该文法可以简化解释器的实现过程。解释器主要由前端和后端两大部分组成,前端主要包括词法分析和语法分析,后端主要包括解释执行器和符号表。前端通过词法分析和语法分析将用户的源程序转换成抽象语法树,后端将遍历抽象语法树完成类型检查、符号表的建立以及用户程序的执行。(本文来源于《电脑与信息技术》期刊2019年05期）
C.Wang,C.Hamm,L.Savic,M.Ferrante,I.Schobert[3]（2019）在《深度学习在肝脏肿瘤诊断中的应用（第二部分）：利用影像特征的卷积神经网络解释器》一文中研究指出摘要目的开发一个概念验证"可解释性"深度学习雏形,通过预先训练的肝脏病变分类器来证明其预测的准确性。方法基于494例肝脏病变的多期相MRI设计并训练了(本文来源于《国际医学放射学杂志》期刊2019年05期）
汪权,陈瀚宁[4]（2019）在《GRU:神经程序解释器性能优化》一文中研究指出传统神经程序解释器NPI(Neural Programmer-interpreters)存在运算性能较低的问题,为了提升人工智能自动编码中训练速度,平均损失等性能,在传统神经程序解释器基础上,对其进行重构,通过采用GRU(Gated recurrent unit)为核心计算模块,引入基于枚举的程序空间搜索技术,并使用AMSGrad收敛算法改进神经程序解释器.使得重构后的神经程序解释器在训练速度上相较重构前提升了33%,在平均损失率方面下降了28%.重构后神经程序解释器运算性能方面有较大提升.(本文来源于《哈尔滨商业大学学报(自然科学版)》期刊2019年03期）
刘潇潇,车军,赵娜,韩壮,孙进[5]（2019）在《3D打印控制系统G代码解释器的设计与实现》一文中研究指出针对3D打印控制系统中G代码转换的问题,结合控制系统中运动控制板卡和G代码结构特征,利用C#语言设计开发了一种基于GRETA正则表达式的G代码解释器,实现了对G代码的预处理、检查分析和解释,使其转换成板卡可识别的运动指令,完成对工作台的控制.实例验证了解释器的正确性和有效性.G代码解释器的实现对3D打印控制系统开发具有重要意义.(本文来源于《兰州交通大学学报》期刊2019年03期）
陈旭,陈富林[6]（2019）在《工业机器人语言及其解释器的研究与实现》一文中研究指出为解决工业机器人解释器结构复杂,解释效率低的问题,以6自由度机器人为研究对象,提出了一种解释器分层架构的实现方法的和融合链表型的语法树结构。解释器分为两层,上层为前处理模块,工作在示教器,主要对机器人源程序进行词法分析、语法分析、语义分析和生成中间数据结构。下层为后处理模块,工作在控制器端,主要进行中间数据结构解析,调用控制函数。将链表结构融合进语法树,以优化语法树的结构。实验结果表明,设计的解释器能够正确地解释机器人源程序,并满足控制需求。(本文来源于《组合机床与自动化加工技术》期刊2019年05期）
张智[7]（2019）在《小学教学机器人编程语言解释器设计》一文中研究指出本文首先对小学机器人编程语言需求分析和小学机器人编程语言系统设计进行了概述,然后从词法分析、语法分析和语义分析叁个方面对小学机器人编程语言解释器的实现进行了探究。(本文来源于《电子技术与软件工程》期刊2019年09期）
汪权[8]（2019）在《基于GRU的神经程序解释器重构及自动编程加法模型中的应用》一文中研究指出随着近些年计算机技术的快速发展,深度学习在语音处理、图像识别等领域取得了喜人的成果。这些进展使得研究人员开始考虑一个新的问题,使用人工智能相关技术来解决程序合成问题。程序合成的挑战不同于图像识别、语音处理等,其对抽象性以及严谨性的要求使得解决问题异常困难。神经程序合成作为一门迅速发展的学科,尚处于初始阶段。程序合成作为自动编程的核心问题,一旦解决程序合成问题,人类就可以让机器自己写满足任务的代码,从而降低程序员的工作量。本文主要做了以下几方面工作:一、本文先对国内外神经程序合成的相关研究做了综述,指出程序合成面临的挑战,以及当前解决神经程序合成问题存在的方法及应用。二、针对传统神经程序解释器存在训练速度慢等问题,本文对传统神经程序解释器进行重构,采用新的以GRU(Gated Recurrent Units)为核心计算单元的神经程序解释器,同时在神经程序解释器的程序空间搜索上采用了新的搜索技术,并且采用新的收敛算法对重构后的神经程序解释器优化。最后本文将重构后的神经程序解释器应用于加法模型中,研究表明,重构后的神经程序解释器在性能上有了较大提升。叁、本文实验部分基于Linux操作系统,采用Theano作为后端,以及Keras库对神经程序解释器进行重构,可以通过强大的Keras库函数可以更为简洁有效的反应出神经程序解释器的训练过程,以及对测试结果展示。(本文来源于《天津工业大学》期刊2019-01-17）
周子天,叶卫东[9]（2019）在《基于Python的SCPI命令解释器的设计》一文中研究指出目前可编程仪器标准命令(SCPI)依然被广泛使用,因此设计一个高效通用的SCPI命令解释器很重要。常用的SCPI命令解释器多以C语言开发,采用链式二叉树等存储结构,多有如解析效率低、通用性差、不识别等效命令等缺点。因此提出一种基于Python语言的设计。相比于常用的链式二叉树或顺序存储等结构,本设计提出一种基于Python字典结构的新型存储结构,减少了解析时的查询次数,提高了解析效率。而针对常用SCPI命令解释器通用性差的缺点,本设计提出以XML文档描述SCPI命令树,在启动时动态加载进内存的方式提高了解释器的通用性。同时,由于Python跨平台的特性,所设计的SCPI命令解释器也拥有良好的跨平台特性,适于在各平台下工作。(本文来源于《测控技术》期刊2019年05期）
赵奎,陈宏君,吴波,张磊,文继锋[10]（2018）在《IEC61131标准的结构化文本语言解释器设计》一文中研究指出提出了一种符合IEC61131标准的结构化文本语言虚拟机指令高效解释执行的实现方案。结构化文本语言编译器将程序组织单元编译为二进制文件,该文件包括数据区、指令区。解释器内嵌各条指令对应的C执行函数和系统库函数。解释器在初始化中读取指令文件,构建数据区、指令节点链表、以跳转标号为关键字的指令序号hash表。指令节点记录形参地址、执行函数指针。在周期执行的任务中,顺次遍历指令链表。对于常规运算指令,调用指令节点关联的内嵌函数。对于跳转指令,根据跳转标号从hash表获取指令序号,动态调整当前执行的节点位置。该方案解决了线性指令表结构顺序执行时无法支持跳转和可变形参的问题,提高了解释器的执行效率,满足了工控系统的实时性要求。(本文来源于《单片机与嵌入式系统应用》期刊2018年12期）
解释器论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着计算机技术的快速发展,越来越多的编程语言出现在了大众的视野中。设计一门新的编程语言,最重要的工作就是实现其对应的编译系统。文章基于LL1文法设计并实现了一款解释器。LL1文法是一种上下文无关的简单文法,使用该文法可以简化解释器的实现过程。解释器主要由前端和后端两大部分组成,前端主要包括词法分析和语法分析,后端主要包括解释执行器和符号表。前端通过词法分析和语法分析将用户的源程序转换成抽象语法树,后端将遍历抽象语法树完成类型检查、符号表的建立以及用户程序的执行。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
解释器论文参考文献
[1].陈丹.嵌入式JavaScript解释器的设计[J].计算机产品与流通.2019
[2].刘辉,严碧波.一种基于LL1文法实现的解释器[J].电脑与信息技术.2019
[3].C.Wang,C.Hamm,L.Savic,M.Ferrante,I.Schobert.深度学习在肝脏肿瘤诊断中的应用（第二部分）：利用影像特征的卷积神经网络解释器[J].国际医学放射学杂志.2019
[4].汪权,陈瀚宁.GRU:神经程序解释器性能优化[J].哈尔滨商业大学学报(自然科学版).2019
[5].刘潇潇,车军,赵娜,韩壮,孙进.3D打印控制系统G代码解释器的设计与实现[J].兰州交通大学学报.2019
[6].陈旭,陈富林.工业机器人语言及其解释器的研究与实现[J].组合机床与自动化加工技术.2019
[7].张智.小学教学机器人编程语言解释器设计[J].电子技术与软件工程.2019
[8].汪权.基于GRU的神经程序解释器重构及自动编程加法模型中的应用[D].天津工业大学.2019
[9].周子天,叶卫东.基于Python的SCPI命令解释器的设计[J].测控技术.2019
[10].赵奎,陈宏君,吴波,张磊,文继锋.IEC61131标准的结构化文本语言解释器设计[J].单片机与嵌入式系统应用.2018
论文知识图
