基于粒子群优化的神经网络算法的英语翻译

发布时间：2021-08-29 16:38

　　近年来出现的粒子群优化算法与神经网络相结合,可以有效地提升全局搜索最优的能力,同时也提升了收敛的速度。将粒子群算法与神经网络结合应用于英语教学,通过对提取的学生翻译样本进行学习训练,用训练好的粒子群优化的神经网络模型对学生的英语翻译能力进行正确程度的分析,帮助教师估计学生的翻译能力水平,为下一步的教学提供参考。深入从粒子群优化算法的数学模型和算法流程何人工神经网络模型的基本原理出发,提出了学习能力分析模型,确定该模型的神经网络的拓扑结构和隐藏层的节点数。案例应用结果表明,该研究模型可以促进英语翻译教学质量的提高和教学相长。 

【文章来源】：科学技术与工程. 2020,20(18)北大核心

【文章页数】：5 页

【部分图文】：

图1 粒子群优化的步骤

在英语翻译的教学过程中,如何获得客观的数据并利用这些数据进行正确的分析是非常重要的。因此,提出一个应用模型来分析学生在英语翻译教学过程中的学习能力,即学习能力分析模型,如图2所示。学习能力分析模型的目的是分析学生在英语翻译学习过程中的一些与学习相关的特点,通过分析得出学生学习状态的相关信息,并且利用分析的结果,为学生制定有针对性的教学任务,从而促进英语翻译教学的发展。在数据采集阶段,主要通过问卷调查的方式进行初步的数据采集。在数据提取阶段,需要对原始数据进行预处理,消除无用数据对整个分析过程的干扰。由于原始数据的部分缺失和遗漏,不完整,需要按照一定的标准填写填充过程,然后将处理后的数据输入神经网络进行分析。

式(3)中:J为隐藏层节点数;M为输出层节点数;N为输入层节点数。根据式(3)可以得到网络训练次数与隐藏层节点数之间的关系。为了简化两者之间的关系,绘制网络训练次数和隐藏层节点数。如图3所示,当神经网络隐藏层的节点数为4时,整个网络模型的训练次数最短。2.3 基于粒子群优化神经网络的应用求解


本文编号：3371005