吕娜

摘 要：自然语言是人类智慧的结晶，自然语言处理是人工智能中最为困难的环节之一。智能化时代的来临给人们带来了不一样的体验，人机对话、人脸识别、在线翻译技术等为现代交互式平台控制技术的发展奠定了基础。利用智能技术获取数据、处理语言、实现与智能机器间的交流成为可能。文章对RNN编码器交互式翻译平台技术开发进行研究，结果显示该交互式平台在RNN编码器嵌入后稳定性和控制能力有一定程度的提升，减少了交互机在工作时被外界干扰的信息，以日汉互译为例对基于RNN编码器的交互式平台控制技术应用进行了论证。

关键词：RNN编码器;交互式平台;控制技术

中图分类号：TP391.2   文献标识码：A      文章编号：1001-5922（2020）10-0162-03

Abstract：Natural language is the crystallization of human intelligence. Natural language processing is one of the most difficult problems in artificial intelligence. The coming of intelligent era brings people different experiences. Human-computer conversation， face recognition， online translation technology and so on lay the foundation for the development of modern interactive platform control technology. It is possible to acquire data， process language and communicate with intelligent machine by using intelligent technology. This paper studies the development of RNN encoder interactive translation platform technology. The results show that the stability and control ability of the interactive platform are improved to a certain extent after the RNN encoder is embedded， which reduces the information that the interactive machine is interfered by the outside world when it is working. Taking Japanese Chinese translation as an example， this paper demonstrates the application of RNN encoder based interactive platform control technology.

Key words：RNN encoder; interactive platform; control technology

0 引言

目前，國内外对于交互式翻译平台控制开发领域研究的比较彻底，技术也越来越成熟[1]。随着国家经济飞速发展，我国与日本等国之间的沟通愈来愈多，针对沟通中的语言障碍，可以将交互式平台装置安装在计算机上解决语言问题。为保证交互式平台工作的准确性，当语言信息发生变化时，该平台也会随之改变[2]。虽然这种交互式翻译控制平台在发展过程中得以应用，但在还是有一些难以攻克的问题，比如工作时容易受到外界的干扰、控制的精准度不达标等。文章主要是以RNN编码器作背景，以研发理论技术为前提，对交互式翻译平台的结构和稳定控制技术做了深切研究，以日语翻译为例对平台的实际应用情况进行了考量。

1 RNN编码器控制下的交互式平台结构

1.1 单级交互式平台

RNN编码器的结构可分两种，分别是单级交互结构和复合式交互结构，是控制平台在RNN控制下划分的交互结构。单级交互结构是为了确保平台的稳定性可以通过旋转框架实现，为确保实现平台控制技术将RNN编码器合理插入[3]。单级交互平台构造简单，成本消耗低，具有一定可靠性是目前采用最多的交互式机器。分别是二框架二轴、三框架三轴2种，由以下图1和图2所示。三框架的形成是RNN在工作过程中，将二框架加入滚动轴，保持各轴与平台平行。因为在滚动轴加入后，各轴直接的耦合性复杂不易控制，所以在控制回路形成时，要保证工作过程的稳定。交互式平台三框架结构示意图如图2所示。

1.2 复合交互式平台

复合式交互式平台有内外框架两个，结构也可分两种，根据平台运行速度的不同，安装方式也有差异。其一是在内框架安排RNN编制码，称之精控制回路;一种是安装在外框架，由内框架移动至中心位置，外框架控制回路跟随着内框架控制回路，为粗控制回路[4]。交互式机器翻译平台复合结构如图3所示。

2 交互式平台控制回路与日汉互译特点融合

2.1 日汉交互式机器翻译特点

日汉交互式机器翻译的特点主要有：①日语依靠助词或者助动词的粘着来表示每个单词在句中的机能，因此，要想建设好日汉交互式机器翻译平台，掌握其助词和助动词的用法极为重要;②日语的动词、形容词、形容动词和助动词虽然有词尾变化，但不像英语那样受性、数、格的影响，在进行日汉交互式机器翻译过程中需要充分考虑这一差异性，避免出现同质化现象;③日语的名词、数词和代词等没有性、数和格的变化，在进行平台构建时需要充分考虑名词在句子中的成分需要用助词来表示;④日语的主语或主题一般在句首，谓语在句尾，其他成分在中间，即日语的一般语序为：主语（——补语）——宾语——谓语，而修饰语（包括相当于汉语的定语或状语等的成分）则在被修饰语之前;⑤日语句子成分多数没有严格的次序，可以灵活放置，有些成分则经常可以省略。

2.2 交互式平台控制回路融合分析

为扩大平台工作范围，采用整体控制法使内框架一直处于工作状态，并且是在稳定的前提下运行。当装有RNN编制码器内框架受到外界因素干扰时，会影响到平台稳定性。当敏感信号传送至内框架电机过程中如果RNN能感受的干扰和干扰速率时，将敏感信号进行筛选并加以抑制，保证平台运行的稳定。保证控制回路传给外框架中的电机紧随着内框架运行。为了保证主动轴工作处于稳定状态，在加入RNN编码器后首要需要客服在翻译过程中的平台振动。切合实际发展情况，使平台在今后的工作中，完成多项任务，实现多功能，在RNN运行并与平台结构相结合[5]，对平台控制工作以及自动控制工作予以实现。图4为平台基本控制回路该具备的功能。

3 基于RNN编码器交互式平台稳定控制

智能设备中交互式机器翻译平台居多，为了保证翻译精度，可利用RNN进行控制，保证平台稳定性并减少误差和干扰信息[6]。当平台的稳定性受到干扰时，安装在内部的传感器会产生误差，误差的大小和翻译速率有关，为控制稳定，可使用主动稳定法和被动隔离法，在缺点干扰信息后，尽力弥补及平衡干扰信息对翻译平台造成的影响，确保该平台在工作状态下的稳定。交互式机器翻译平台稳定控制工作流程如图5所示。根据图5所示，当RNN编码器经过参数初始化设置后，进行翻译任务，在对翻译内容进行编码时，当平台收到外界干扰，可以设定平衡力矩来控制;如果未收到干扰则不用启动控制工作[7]。

4 交互式平台控制技术性能测试

4.1 准备试验

RNN编码器的平台控制系统，是否具有效应和使用性。运用传统技术进行对比，评估该平台的控制性能，前提条件是在操作系统为windows10，Intel处理器的硬件环境下。将外界干扰力和数字信号处理器进行参数设置，再对翻译信号进行去噪音处理。

4.2 结果分析

根据试验准备，对同一个交互机器翻译平台的翻译工作过程进行分析，在伺服编码器的控制技术与RNN控制技术下同时开始。再对输出和输入响应曲线加入常值后分析。表1是在常值干扰情况下，输出和输入响应曲线的对比。输入响应曲线与传统控制比较，波动减小，对翻译平台的抗干扰性能提高了[8]。输出在保留伺服编码控制时，加强了动态响应性能，降低了干扰信号对平台造成的影响。

4.3 实验结论

据表1所示的数据对比，伺服编码器虽然对交互式机器翻译平台的开发有增益作用，但在开拓过程中的会降低平台运行的稳定性，动态响应能力差，非常容易受到外在信息的干扰。RNN编码器能够满足翻译平台的快速性和稳定性，而且有效对输入响应曲线和输出响应曲线的降低[9-10]。控制能力也比伺服编码器要高一些。近几年现代科技发展速度递增，促使我国在智能领域中对RNN编码器的交互式机器翻译平台控制技术研究与开发，确保该平台工作的稳定性，有着推进的关键作用。

5     结语

文章根据在RNN编码器控制下交互式翻译平台不同结构分析与控制回路的研究，包括以日汉互译为例进行测试试验，都为验证该平台的控制技术。文章重点分析了基于RNN编码器的交互式日汉互译复合框架结构，更好地对平台控制系统的稳定性进行优化处理，通过引入速率控制回路、位置与回路控制。在平台工作过程中，如果受到外界干扰因素时，使用被动隔离法和主动稳定法进行控制执行，保证干扰信息在平台中传播时抑制，更加了精准RNN编码器交互式日汉互译平台工作的稳定性。

參考文献

[1]曲媛媛，宫莉莹，贺维.一种RNN-DBN的网络购物风险评估方法[J].哈尔滨理工大学学报，2019，24（4）：105-109.

[2]周旭峰，王醒策，武仲科.基于组合RNN网络的EMG信号手势识别[J].光学精密工程，2020，28（2）：424-442.

[3]朱晶晶，韩立新.基于RNN句子编码器的聊天机器人[J].计算机与现代化，2018（1）：32-35.

[4]黄河，陈君，邓浩江.基于循环神经网络的Modbus/TCP模糊测试算法[J].计算机工程，2019（7）：164-169.

[5]李晓晖，方芳，邓天民.基于RNN的智能网联汽车高精度定位方法[J].汽车工程学报，2019，9（4）：260-267.

[6]刘恒勇，史帅彬，徐旭辉，等.一种关联RNN模型的非侵入式负荷辨识方法[J].电力系统保护与控制，2019，47（13）：162-170.

[7]胡家琦，孙连山，石敏，等.基于RNN-FCNN的多尺度油水层识别方法[J].高技术通讯，2020，30（3）：305-313.

[8]胡六四.基于RNN的视频模型构建和动作识别策略研究[J].佳木斯大学学报（自然科学版），2019，37（5）：752-754.

[9]周楠，艾剑良.基于HMM和RNN的无人机语音控制方案与仿真研究[J].系统仿真学报，2020，32（3）：464-471.

[10]李伟，杨向东，陈恳.基CNN和RNN联合网络的心音自动分类[J].计算机工程与设计，2020（1）：46-51.