马尔可夫英语怎么说及英文翻译

A. 英语论文中的参考文献翻译成中文

1。 Frosini A, Gori M, Priami P (1996) A neural network-based model弗罗西尼甲，普里亚米P（下1996）哥里的神经网络的M -基于模型
for paper currency recognition and verification.为纸币识别和验证。 IEEE Trans Neural电机及电子学工程师联合会跨神经
Network 7:1482-1490网络7:1482-1490
2. 2。 Kosaka T, Taketani N, Omatu S (1999) Classification of Italian小坂吨，武谷ñ，Omatu工作主任（1999年）意大利分类
bills by a competitive neural network.法案通过有竞争力的神经网络。 Trans Inst Elec Eng Jpn中国科学院利安达反英Jpn
119-C:948-954 119 - ç :948 - 954
3. 3。 Fukunaga K (1972) Introction to statistical pattern recognition.福永度（1972年）介绍统计模式识别。
Academic, New York学术，纽约
4. 4。 Tipping ME, Bishop CM (1999) Probabilistic principal component小费我，主教厘米（1999年）的主要组成部分概率
analysis.分析。 J Roy Stat Soc B 61:611-622 ĵ罗伊统计芯片乙61:611-622
5. 5。 Haykin S (1999) Neural networks. Haykin工作主任（1999年）神经网络。 Prentice Hall, New Jersey普伦蒂斯大厅，新泽西
6. 6。 Kohonen T (1995) Self-organization maps.基于Kohonen T（下1995）自组织地图。 Springer, Berlin施普林格，柏林
Heidelberg New York海德堡纽约
7. 7。 Rabiner LR (1989) A tutorial on hidden Markov models and拉比娜的LR（1989）关于隐马尔可夫模型和教程
selected applications in speech recognition.在语音识别选定的应用程序。 Proceedings of IEEE诉讼的IEEE
77:257-286 77:257-286
8. 8。 Kohavi R (1995) A study of cross-validation and bootstrap for accuracy Kohavi住宅（1995年）的交叉研究，验证和引导的准确性
estimation and model selection.估计和模型选择。 Proceedings of the 14th International程序的第14届国际
Joint Conference on Artificial Intelligence IJCAI,联席会议人工智能IJCAI，
Montreal, Canada, pp 1137-11加拿大蒙特利尔，第1137至1111年

B. HMM隐马尔可夫模型的例子、原理、计算和应用

隐马尔可夫模型（HMM），在语音识别、机器翻译、中文分词、命名实体识别等众多领域展现其广泛应用价值。本文详尽解析了HMM的各个方面，旨在构建全面的知识框架。

首先，我们回顾马尔可夫理论，包括马尔可夫性、马尔可夫链及其计算方法，这些是HMM的基础。马尔可夫性意味着当前状态独立于过去，只依赖于当前状态，通过马尔可夫链模型状态转移。接着，深入理解HMM的核心，即其假设、图结构以及联合概率分布，通过实例阐明其原理。

在HMM的实践应用中，概率计算算法如前向算法和维特比算法占据重要地位。前向算法用于识别问题，如语音识别中的声学模型预测，而维特比算法在解码问题中，如中文分词的最优路径搜索中表现卓越。学习算法，如鲍姆-韦尔奇算法，用于模型参数的估计，如声学模型和翻译模型的训练。

然而，HMM并非完美，它存在局限，需要与朴素贝叶斯和条件随机场模型进行对比理解。尽管有这些限制，HMM凭借其简洁的数学形式和高效的算法，在处理时序数据时展现出强大的能力，特别是在大数据场景中。

总之，HMM是一种描述时序数据的有力工具，通过理解其基本原理、算法和应用，我们可以更好地驾驭它在众多领域的实践应用。

C. 英语翻译！

手工翻的，但不是学相应专业的，将就看看吧，至少比翻译机有逻辑

For all the results presented thus far,
对于所有迄今为止的结果，
the Markov model for the channel has a single transition time in each interval between consecutive packets.
在连续的数据包之间，马尔可夫信道模型在每个区间里都有一个单一的过渡时间。
In some situations, there might be a few packet intervals between some consecutive pairs of packets in a session,
在某些情况下，一次会话里的一些连续数据包之间可能有多个数据包区间，
in which case the channel might change a few times between the determination of the adaptation statistic from one packet
在这种情况下，此信道可能发生变化，主要发生在单一数据包中统计量适配性侦测
and its application to the choice of code-molation combination for the next packet.
以及选择下个数据包相应的代码调试组合之间这段时间里。
Because of this possibility, we investigated the performance of the adaptive transmission protocol
因为这种可能性，我们要调查分析自适性传输协议的进行状况
for a six-state Markov model with NT transition times between consecutive packets.
（分析方式可）使用连续的数据包之间的NT过渡时间来建立一个六态马尔可夫模型。
The results in Table IV are for the protocol that uses the error count.
在表四里的结果显示了协议使用了错误的计数。
From Table IV, we see that if there are three or fewer transition times between consecutive packets,
从表四我们看到，如果连续数据包之间的过渡时间只有三个或少于三个，
then the throughput is within approximately 6.1% of the throughput for
a single transition time.
这样的通过量是单一过渡时间的通过量的约6.1 ％之内。
For five or fewer transition times,
在五个或更少的过渡时间中，
the throughput is within approximately 11.1% of the throughput for a single transition time.
这样的通过量是单一过渡时间的通过量的约11.1 ％之内。
For some values of CENR0, these percentages are much lower;
对于一些CENR0值，上述这些百分比要低得多，
for example, for 4 dB they are 1.6% and 4.7%, respectively,
例如， 4dB（分贝？）时他们分别是1.6％和4.7％，
and for 12 dB they are 0.8% and 2.3%, respectively.
12dB（分贝？）时他们分别是0.8％和2.3％。
We also observed that the percentages are approximately the same for the PPSI protocol.
我们还注意到，如采用PPSI协议，这个百分比数也大致相同。