[发明专利]基于ES专家系统模型翻译粤语口音和阿拉伯语的app

权利要求书

1.基于ES专家系统模型翻译粤语口音和阿拉伯语的app，其特征在于，包括：

1）用户app客户端；

2）云计算中心大数据存储分区

3）云计算中心ES专家系统。

2.根据权利要求1所述的基于ES专家系统模型翻译粤语口音和阿拉伯语的app中的1）的特征在于：用户端的app是搭载在用户自己的智能手机上的手机软件，且该app所搭载的智能手机需具备有话筒以及耳机，话筒用于将用户发出的声音进行录入，耳机用于给需要收听同传翻译的用户佩戴，用耳机接受同传翻译的音频。

3.根据权利要求1所述的基于ES专家系统模型翻译粤语口音和阿拉伯与的app中的2）的特征在于：在与app通过网络相连接的云计算中心内具备一个不低于100TB的云端存储空间，该空间用于存储翻译相关大数据，且不同种类的翻译大数据进行分类分库存储；大数据库的种类包括：粤语口音的音频大数据库、阿拉伯语发音的音频大数据库、汉语语法数据库、阿拉伯语语法数据库、粤语发音习惯发音规律数据库。

4.根据权利要求1所述的基于ES专家系统模型翻译粤语口音和阿拉伯与的app中的3）的特征在于：ES专家系统模型在正式对app传来的用户音频数据进行翻译前，需要先与云计算中心内的翻译大数据库信息进行分类勾连后，依照ES专家系统的训练公式和步骤，进行一段时间的ES专家系统的训练，通过训练，成为ES专家系统翻译模型，然后该模型经过测试达到翻译准确率后才能正式对用户的语音进行翻译。

5.根据权利要求1所述的基于ES专家系统模型翻译粤语口音和阿拉伯与的app中的3）与2）内的各个大数据信息进行勾连的方式具体为：

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 ] 是敏感度法的输入向量 , y y y 是神经网络输出量 , y y y 与 Z Z Z 的关系可表示为 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 时对 y y y 方差的影响 , var(y y y) 是 y y y 的方差 , S h 是 α h φ h 对输出 y y y 的一阶灵敏度表示 . 对输入量 α h φ h 进行傅里叶变换 ( 其中 α h φ h 的范围是[a h ,b h]):Z h =a h + b h2+b h − a harcsin(sin(ω h s)其中 , ω h 是选择的合适的频率, 通过变换 , 神经网络输出可以变换为 [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由于该傅里叶变换的输入参数之间不存在相互作用 ,为了减少算法迭次数 , 可以只取基频上的傅里叶振幅计算灵敏度，

然后再对云计算中心大数据库内的翻译数据分类后进行归一化处理，方法是：定义误差函数为 (N 为训练样本数 )其公式为：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)建立对粤语口音与阿拉伯语之间的动态逻辑关系，使用基于ES系统上的输出层敏感度算法动态神经网络模型，ES基于输出层敏感度算法的 RBF 动态神经网络的具体计算方式如下 :

1）设定X1/X2/X3为隐含层神经元为任意的自然数集合R，ES专家模式对R进行训练；

2）分别找出X1/X2/X3隐含层神经元输出的最大值和最小值 ，分别设置成为N1，N2；

3）利用日常监控数据A与X1/X2/X3之间的逻辑联系用公式α h φ h (x x x) 进行敏感度分析 , 计算其对输出的贡献值 ST h，找出贡献值 ST h 最大且大于 † 1 的隐含层，经元进行分裂,调整神经网络结构; 假设分裂前隐含层神经元数为 K, 运行时刻为t, 贡献值大于 †1 的隐含层神经元为 j, 则新增加的神经元 K+1 的初始参数和神经元 j 的参数为：

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.根据权利要求1所述的基于ES专家系统模型翻译粤语口音和阿拉伯与的app中的3）ES专家系统模型训练翻译大数据的具体训练方法具体分为五步：

步骤1：初始化ES专家模式，模型初始化为离线训练好的成RBF神经网络模型，将在线提取的当前检测模式向量赋值；

步骤2：选择第一层模型中与向量赋值距离最小的神经元n作为获胜神经元，T＝ａｒｇｍｉｎｋｘ － ｗ ｋ

步骤3：如果获胜神经元可用于检测神经元，则跳转至步骤5

步骤4：如果获胜神经元T不是叶神经元，则继续查找获胜神经元T子层中的获胜神经元，并将该神经元赋值给T，然后返回第3）；否则获胜神经元T是叶神经元，输出检测结果并调整获胜神经元的增量训练集：当获胜神经元 T是非覆盖神经元且增量训练集合IT为空，执行如下：IT=R∪MT，否则执行 IT∪｛ R，算法中不是每次循环运行都判断结构的确定性 ,而是每运行一定的步骤以后判断一次，具体步骤的数目由研究对象的实时性决定，该算法通过敏感度法，把时域的问题转换到频域进行研究，提供了一种研究神经网络结构问题的新方法 . 从傅里叶变换的角度看，频域贡献较大的神经元在时域中也有对应的关系反之亦然；而且由傅里叶变换可知，在时刻 t 对神经网络隐含层神经元的输出权值的贡献值的计算是时刻 t 之前一段时间的贡献值的综合，较之一般动态神经网络 [9−16] 以时刻 t当前值作为判断依据更客观；通过对神经网络结构的调整 , 最终获得的神经网络结构比较紧凑；而且 ε 的选取一般小于目标误差值，循环此算法；

第五步：系统测试并进行翻译准确率的校对，具体为：向ES专家系统输入不小于1000组需翻译成阿拉伯语的粤语口音，分别进行交传翻译和同传翻译，若翻译的准确率高于交传95%，同传70%，则合格，训练完成；若低于该值，则重复步骤4到步骤5，并延长步骤4的ES专家系统的训练时间，直至步骤5测试出的准确率达标为止。