[發(fā)明專利]基于ES專家系統(tǒng)模型翻譯粵語口音和阿拉伯語的app

在審

• 申請?zhí)枺?/td>: 201710173284.8
• 申請日: 2017-03-22
• 公開（公告）號: CN108628842A
• 公開（公告）日: 2018-10-09
• 發(fā)明（設(shè)計）人: 邱念
• 申請（專利權(quán)）人: 湖南本來文化發(fā)展有限公司
• 主分類號: G06F17/28
• 分類號: G06F17/28;G06N3/08;H04M1/725
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于ES專家系統(tǒng)模型翻譯粵語口音和阿拉伯語的app，其特征在于，包括：

1）用戶app客戶端；

2）云計算中心大數(shù)據(jù)存儲分區(qū)

3）云計算中心ES專家系統(tǒng)。

2.根據(jù)權(quán)利要求1所述的基于ES專家系統(tǒng)模型翻譯粵語口音和阿拉伯語的app中的1）的特征在于：用戶端的app是搭載在用戶自己的智能手機上的手機軟件，且該app所搭載的智能手機需具備有話筒以及耳機，話筒用于將用戶發(fā)出的聲音進行錄入，耳機用于給需要收聽同傳翻譯的用戶佩戴，用耳機接受同傳翻譯的音頻。

3.根據(jù)權(quán)利要求1所述的基于ES專家系統(tǒng)模型翻譯粵語口音和阿拉伯與的app中的2）的特征在于：在與app通過網(wǎng)絡(luò)相連接的云計算中心內(nèi)具備一個不低于100TB的云端存儲空間，該空間用于存儲翻譯相關(guān)大數(shù)據(jù)，且不同種類的翻譯大數(shù)據(jù)進行分類分庫存儲；大數(shù)據(jù)庫的種類包括：粵語口音的音頻大數(shù)據(jù)庫、阿拉伯語發(fā)音的音頻大數(shù)據(jù)庫、漢語語法數(shù)據(jù)庫、阿拉伯語語法數(shù)據(jù)庫、粵語發(fā)音習(xí)慣發(fā)音規(guī)律數(shù)據(jù)庫。

4.根據(jù)權(quán)利要求1所述的基于ES專家系統(tǒng)模型翻譯粵語口音和阿拉伯與的app中的3）的特征在于：ES專家系統(tǒng)模型在正式對app傳來的用戶音頻數(shù)據(jù)進行翻譯前，需要先與云計算中心內(nèi)的翻譯大數(shù)據(jù)庫信息進行分類勾連后，依照ES專家系統(tǒng)的訓(xùn)練公式和步驟，進行一段時間的ES專家系統(tǒng)的訓(xùn)練，通過訓(xùn)練，成為ES專家系統(tǒng)翻譯模型，然后該模型經(jīng)過測試達到翻譯準確率后才能正式對用戶的語音進行翻譯。

5.根據(jù)權(quán)利要求1所述的基于ES專家系統(tǒng)模型翻譯粵語口音和阿拉伯與的app中的3）與2）內(nèi)的各個大數(shù)據(jù)信息進行勾連的方式具體為：

S h =var h [E(y y y|Z h = α h φ h (x x x))

var(y y y)

其中 , Z Z Z = [Z 1 ,Z 2 ,··· ,Z k ] 是敏感度法的輸入向量 , y y y 是神經(jīng)網(wǎng)絡(luò)輸出量 , y y y 與 Z Z Z 的關(guān)系可表示為 y y y= f(Z 1 ,Z 2 ,··· ,Z k), var h [E(y y y|Z h = α h φ h (x x x))] 是Z h 等于 α h φ h 時對 y y y 方差的影響 , var(y y y) 是 y y y 的方差 , S h 是 α h φ h 對輸出 y y y 的一階靈敏度表示 . 對輸入量 α h φ h 進行傅里葉變換 ( 其中 α h φ h 的范圍是[a h ,b h]):Z h =a h + b h2+b h ? a harcsin(sin(ω h s)其中 , ω h 是選擇的合適的頻率, 通過變換 , 神經(jīng)網(wǎng)絡(luò)輸出可以變換為 [y y y = f(s) =+∞ ?∞(Acos(ω j s) + Bsin(ω j s)其中 , ?π < s < π, A j = 1/2πR ∞?∞ f(s)×cos(ω j s)ds, B j = 1/2πR ∞?∞ f(s)sin(ω j s)ds.Fig由于該傅里葉變換的輸入?yún)?shù)之間不存在相互作用 ,為了減少算法迭次數(shù) , 可以只取基頻上的傅里葉振幅計算靈敏度，

然后再對云計算中心大數(shù)據(jù)庫內(nèi)的翻譯數(shù)據(jù)分類后進行歸一化處理，方法是：定義誤差函數(shù)為 (N 為訓(xùn)練樣本數(shù) )其公式為：α 0ii = α ii (t) = α i (t)φ i (x)φ ii(x)μ μ μ 0 ii (t) = μ μ μ ii (t), σ 0ii (t) = σ ii (t)建立對粵語口音與阿拉伯語之間的動態(tài)邏輯關(guān)系，使用基于ES系統(tǒng)上的輸出層敏感度算法動態(tài)神經(jīng)網(wǎng)絡(luò)模型，ES基于輸出層敏感度算法的 RBF 動態(tài)神經(jīng)網(wǎng)絡(luò)的具體計算方式如下 :

1）設(shè)定X1/X2/X3為隱含層神經(jīng)元為任意的自然數(shù)集合R，ES專家模式對R進行訓(xùn)練；

2）分別找出X1/X2/X3隱含層神經(jīng)元輸出的最大值和最小值 ，分別設(shè)置成為N1，N2；

3）利用日常監(jiān)控數(shù)據(jù)A與X1/X2/X3之間的邏輯聯(lián)系用公式α h φ h (x x x) 進行敏感度分析 , 計算其對輸出的貢獻值 ST h，找出貢獻值 ST h 最大且大于 ? 1 的隱含層，經(jīng)元進行分裂,調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu); 假設(shè)分裂前隱含層神經(jīng)元數(shù)為 K, 運行時刻為t, 貢獻值大于 ?1 的隱含層神經(jīng)元為 j, 則新增加的神經(jīng)元 K+1 的初始參數(shù)和神經(jīng)元 j 的參數(shù)為：

α K+1 (t) = λ × α j (t)μ μ μ K+1 (t) = μ μ μ j (t)

σ K+1 (t) = σ j (t) (12)。

6.根據(jù)權(quán)利要求1所述的基于ES專家系統(tǒng)模型翻譯粵語口音和阿拉伯與的app中的3）ES專家系統(tǒng)模型訓(xùn)練翻譯大數(shù)據(jù)的具體訓(xùn)練方法具體分為五步：

步驟1：初始化ES專家模式，模型初始化為離線訓(xùn)練好的成RBF神經(jīng)網(wǎng)絡(luò)模型，將在線提取的當前檢測模式向量賦值；

步驟2：選擇第一層模型中與向量賦值距離最小的神經(jīng)元n作為獲勝神經(jīng)元，T＝ａｒｇｍｉｎｋｘ － ｗ ｋ

步驟3：如果獲勝神經(jīng)元可用于檢測神經(jīng)元，則跳轉(zhuǎn)至步驟5

步驟4：如果獲勝神經(jīng)元T不是葉神經(jīng)元，則繼續(xù)查找獲勝神經(jīng)元T子層中的獲勝神經(jīng)元，并將該神經(jīng)元賦值給T，然后返回第3）；否則獲勝神經(jīng)元T是葉神經(jīng)元，輸出檢測結(jié)果并調(diào)整獲勝神經(jīng)元的增量訓(xùn)練集：當獲勝神經(jīng)元 T是非覆蓋神經(jīng)元且增量訓(xùn)練集合IT為空，執(zhí)行如下：IT=R∪MT，否則執(zhí)行 IT∪｛ R，算法中不是每次循環(huán)運行都判斷結(jié)構(gòu)的確定性 ,而是每運行一定的步驟以后判斷一次，具體步驟的數(shù)目由研究對象的實時性決定，該算法通過敏感度法，把時域的問題轉(zhuǎn)換到頻域進行研究，提供了一種研究神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)問題的新方法 . 從傅里葉變換的角度看，頻域貢獻較大的神經(jīng)元在時域中也有對應(yīng)的關(guān)系反之亦然；而且由傅里葉變換可知，在時刻 t 對神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的輸出權(quán)值的貢獻值的計算是時刻 t 之前一段時間的貢獻值的綜合，較之一般動態(tài)神經(jīng)網(wǎng)絡(luò) [9?16] 以時刻 t當前值作為判斷依據(jù)更客觀；通過對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整 , 最終獲得的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較緊湊；而且 ε 的選取一般小于目標誤差值，循環(huán)此算法；

第五步：系統(tǒng)測試并進行翻譯準確率的校對，具體為：向ES專家系統(tǒng)輸入不小于1000組需翻譯成阿拉伯語的粵語口音，分別進行交傳翻譯和同傳翻譯，若翻譯的準確率高于交傳95%，同傳70%，則合格，訓(xùn)練完成；若低于該值，則重復(fù)步驟4到步驟5，并延長步驟4的ES專家系統(tǒng)的訓(xùn)練時間，直至步驟5測試出的準確率達標為止。