[發明專利]用RBH神經網絡模型翻譯德語和普通話的方法

在審

• 申請號: 201710174091.4
• 申請日: 2017-03-22
• 公開（公告）號: CN108628849A
• 公開（公告）日: 2018-10-09
• 發明（設計）人: 邱念
• 申請（專利權）人: 湖南本來文化發展有限公司
• 主分類號: G06F17/28
• 分類號: G06F17/28;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.用RBH神經網絡模型翻譯德語和普通話的方法，其特征在于，包括：1）RBH神經網絡模型、2）普通話的音頻大數據庫、3）德語的音頻大數據庫、4）漢語語法數據庫、5）德語語法數據庫、6）音頻采集與輸出裝置，六個模塊構成。

2.根據權利要求1所述的用RBH神經網絡模型翻譯德語和普通話的方法，其特征在于：將權利要求1所述的模塊2）、3）、4）、5）四個大數據庫，分別輸入1）RBH神經網絡模型中，通過RBH神經網絡系統對普通話和德語翻譯大數據的深度學習，能夠替代德語和漢語互譯的翻譯人員的工作。

3.根據權利要求1所述的用RBH神經網絡模型翻譯德語和普通話的方法，其特征在于：RBF神經網絡的學習分成兩階段，自組織學習階段和監督學習階段；在自組織學習階段獲取隱含層中心，在監督學習階段獲取隱含層到輸出層之間的權值，各部分參數都可以快速學習，因此翻譯的速度較快該方法對翻譯速度要求高的同傳翻譯。

4.根據權利要求1所述的用RBH神經網絡模型翻譯德語和普通話的方法，其特征在于包括如步驟：

步驟一、在云計算中心將：普通話大數據和德語音頻大數據錄入，漢語語法和德語語法數據錄入，中文與德語詞典錄入，行業專有名稱數據錄入；

步驟二、在云計算中心對RBH神經網絡模型的輸入層與隱含層進行數據建模，RBF神經網絡是一種三層前向網絡，通過輸入層空間到隱含層空間的非線性變換以及隱含層空間到輸出層空間的線性變換，實現輸入層空間到輸出層空間的映射；

這兩個層間變換參數的學習可以分別進行，使得RBF神經網絡的學習速度較快且可避免局部極小問題；RBF(Radial Basis Function，徑向基函數)是翻譯數據沿徑向對稱的標量函數，通常定義為空間中點到某一中心之間歐氏距離的單調函數，最常用的徑向基函數是高斯函數，形式為：

其中為函數中心向量，為寬度向量；

高斯函數的作用域表現出局部性，即當遠離時函數取值較小；RBF神經網絡的結構從左至右分為三層，依次是輸入層、隱含層和輸出層；

步驟三、將搭載了普通話與德語翻譯大數據庫的RBH神經網絡模型進行訓練，其訓練方法和公式為：

步驟四：訓練完成后，隨機輸入100組普通話發音的漢語和德語聲音信息，通過錄入RBH神經網絡系統進行翻譯，再人為測定其翻譯準確率，若同傳準確率高于75%且翻譯速度無需等待，則RHB神經網絡翻譯模型訓練成功；若低于該值，則重復步驟三，直至測試值達標為止。