Resumen

Este trabajo utiliza la red neuronal como modelo predictivo y el algoritmo genético como algoritmo de optimización en línea para simular el procesamiento del ruido del corpus paralelo chino-inglés. Al mismo tiempo, de acuerdo con el potente mecanismo de búsqueda global aleatoria del algoritmo genético, este trabajo estudió el principio y el proceso de procesamiento del ruido en el corpus paralelo chino-inglés. Teniendo en cuenta las insuficiencias de los algoritmos de los algoritmos genéticos estándar y de las redes neuronales, este trabajo propone un algoritmo rápido para el entrenamiento de la red mediante algoritmos genéticos. Mediante cálculos de simulación, se analizan y discuten diferentes parámetros característicos, el número de muestras de entrenamiento, el ruido de fondo y si una persona específica afecta al resultado del reconocimiento, y se comparan con el método tradicional de comparación de tiempo dinámico. Este trabajo introduce la idea del aprendizaje por refuerzo, utiliza diferentes mecanismos de recompensa para resolver la inconsistencia de la función de pérdida y los métodos de medición del índice de evaluación, y utiliza diferentes métodos de decodificación para aliviar el problema del sesgo de exposición. Utiliza varias operaciones genéticas simples y el mecanismo de selección de la supervivencia del más apto para guiar el proceso de aprendizaje y determinar la dirección de la búsqueda, y puede buscar múltiples regiones en el espacio de soluciones al mismo tiempo. Además, también tiene la ventaja de no estar limitado por las condiciones restrictivas del espacio de búsqueda (como diferenciable, continuo y unimodal). Al mismo tiempo, se ofrece un método para utilizar vectores de subpalabras en inglés para inicializar los parámetros del modelo de traducción. Los resultados de la investigación muestran que el método de reconocimiento de la red neuronal basado en el algoritmo genético que se presenta en este trabajo muestra su capacidad de aprender rápidamente los pesos de la red y es superior al estándar en todos los aspectos. El rendimiento del algoritmo en el algoritmo genético y la red neuronal, con una alta tasa de reconocimiento y ventajas de aplicación únicas, puede lograr una ganancia de tiempo y eficiencia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo genético, corpus paralelo en inglés, red neuronal, papel, tratamiento del ruido, métodos de medición de índices, algoritmo de optimización en línea, vector de subpalabras en inglés, mecanismo de selección del más apto, ideas de refuerzo
• Keywords:genetic algorithm, english parallel corpus, neural network, paper, noise processing, index measurement methods, online optimization algorithm, english subword vector, fittest selection mechanism, ideas of reinforcement