基于机器学习的英语翻译机器人异常智能诊断模型构建及仿真

摘要

针对英语翻译机器人在出现故障时诊断反馈速度慢且准确度不高的问题,基于机器学习的方法提出一种异常智能诊断模型。仿真实验结果表明,加入动态时间步改进方法以及RF-GBDT特征选择算法的LSTM神经网络故障诊断模型在进行异常诊断时反馈速度快且准确度得到了提高。相较于未经特征的故障诊断模型,基于RF-GBDT特征选择算法的故障诊断模型在进行特征选择时准确率均得到了提升,而经过动态时间步改进的LSTM神经网络故障诊断模型相比于未改进前,数据分类准确度提高到了93%,每帧序列数据计算时间步长减少了39%,经过最后的故障诊断系统测试,证明了设计的诊断模型具体有较高的准确性和实用性。