基于自我认知的机器人忠诚度的建模与度量方法与流程

本发明是基于自我认知的机器人忠诚度的建模与度量方法，本发明属于信息技术与软件工程交叉领域。

背景技术：

进程是计算机中的程度关于某数据集合上的依次运行活动，是系统进行资源分配和调度的单位，是操作系统结构的基础；在当代面向线程设计的计算机结构中，进程是线程的容器；程序是指令、数据及其组织形式的描述，进程是程序的实体；当运行中的用户程序提出某种请求后，系统将专门创建一个进程来提供用户所需要的服务，例如，用户程序要求进行文件打印，操作系统将为它创建一个打印进程，这样，不仅可以使打印进程与该用户进程并发执行，而且还便于计算出为完成打印任务所花费的时间；

自我认知是行为主体对作为具有客体属性的主体的认知和评价等多方面的活动；主体实行自我认知和评价过程中首先对价值客体评价结构的建构，即主体对其评价的价值客体和参考客体信息的认识和把握；

本发明是基于自我认知的机器人忠诚度的建模与度量方法，根据机器人的自我认知和评价目的，对机器人的服务进程进行认知验证，认知验证分为认知和不认知两个结果，并将服务进程对应的认知验证结果存入验证集；对于未验证的服务进程，与验证集中已有的认知验证结果进行与运算，根据运算结果判定机器人的忠诚度，符合认知验证结果即为忠诚，否则为不忠诚；再结合时间，得到机器人的最终忠诚值。

技术实现要素：

体系结构

自我认知（e）：e包含主体的认知（eack）和评价（ecom），即e=（eack，ecom），eack指已形成的目的、知识水平、经验、情感和意志信念的信息型结构，根据评价目的在确立参照外部信息系统（eo）后对所获取的信息在选择、加工和改造的基础上，对eack进行ecom；

自我认识判定（ce）：ce=（getp’，savevp，getce），包含三个算法：

（1）getp’（pi，α）→p’：取进程函数getp’在输入机器人的服务进程（p），p={p1，p2…pn}；后从中取出概率α的p进行验证，α的值由外源数据挖掘得到；

（2）savevp（p’）→vp：在getp’函数取出概率α的p后，将这些被取出的p存入验证集vp，vp={p’1，p’2…p’n}，p’i指验证集中的机器人服务进程；

（3）getce（p’i）→ce=1|0：验证集赋值函数getce对vp中的每一个p’都进行验证，当且仅当p’达到评价目的时认定p’i符合自我认知，记为ce=1；否则记为ce=0；vp可视为外部信息系统eo；

忠诚度（loyal）：loyal=（inrol，rol），包含两个算法：

（1）inrol（p’i,,ce）→re：忠诚度判定函数inrol将未验证的服务进程与vp中的p’i进行与运算，若与p’i的ce相同，即认为忠诚，记为re=ce，否则re=┐ce；

（2）rol（βi，re，t）→countre：忠诚度度量函数rol将inrol函数中得到的re输入，并根据外源数据挖掘得到的βi确定在服务进程在某场景下的系数值，t是re维持的时间，最终得到机器人忠诚值，计算公式如下：

图2给出了一个具体的例子，假设有一个讲故事机器人要讲故事给用户，在vp中存入讲故事机器人的p1和p2两个服务进程，p1是微笑进行，p2是讲笑话进程，并根据自我判定ce算法得到该两个服务进程的ce，p1的ce记为ce1，p2的ce记为ce2；用户的要求是机器人讲两个笑话，接受要求后，机器人执行了p3和p4；p3和p4是两个未验证进程，根据ce1和ce2得到p3和p4的re，最后根据时间计算countre，判定讲故事机器人的忠诚值。

有益效果：

本发明是基于自我认知的机器人忠诚度的建模与度量方法，根据机器人的自我认知和评价目的，对机器人的服务进程进行认知验证，认知验证分为认知和不认知两个结果，并将服务进程对应的认知验证结果存入验证集；对于未验证的服务进程，与验证集中已有的认知验证结果进行与运算，根据运算结果判定机器人的忠诚度，符合认知验证结果即为忠诚，否则为不忠诚；再结合时间，得到机器人的最终忠诚值；具有如下优点：

1）本发明分别对自我认知和忠诚度进行建模，提供了机器人忠诚度计算的可行方案；

2）使用本发明设计的忠诚度度量方法后，可以为机器人的忠诚度进行量化处理，根据量化结果，判定机器人的可靠性；

3）本发明为机器人制造提供了新的考虑因素，具有好的应用前景。

附图说明

图1是基于自我认知的机器人忠诚度的建模结构图；

图2是基于自我认知的机器人忠诚度度量的一个具体实施例；

图3是基于自我认知的机器人忠诚度的建模和度量的具体实施流程图。

具体实施方式

基于自我认知的机器人忠诚度的建模和度量的具体流程如下：

步骤1）对应图3中001所示，输入机器人的服务进程（p），p={p1，p2…pn}；

步骤2）对应图3中002所示，后从中取出概率α的p进行验证，α的值由外源数据挖掘得到，将这些被取出的p存入验证集vp，vp={p’1，p’2…p’n}，p’i指验证集中的机器人服务进程；

步骤3）对应图3中003所示，获得自我认识判定（ce），ce=（getp’，savevp，getce），包含三个算法：

（1）getp’（pi，α）→p’：取进程函数getp’在输入机器人的服务进程（p），p={p1，p2…pn}；后从中取出概率α的p进行验证，α的值由外源数据挖掘得到；

（2）savevp（p’）→vp：在getp’函数取出概率α的p后，将这些被取出的p存入验证集vp，vp={p’1，p’2…p’n}，p’i指验证集中的机器人服务进程；

（3）getce（p’i）→ce=1|0：验证集赋值函数getce对vp中的每一个p’都进行验证，当且仅当p’达到评价目的时认定p’i符合自我认知，记为ce=1；否则记为ce=0；vp可视为外部信息系统eo；

步骤4）对应图3中004所示，用忠诚度判定函数inrol函数获得未验证服务进程的re；inrol（p’i,i,ce）→re：将未验证的服务进程与vp中的p’i进行与运算，若与p’i的ce相同，即认为忠诚，记为re=ce，否则re=┐ce；

步骤5）对应图3中005所示，用忠诚度度量函数rol计算机器人的忠诚值，rol（βi，re，t）→countre：将inrol函数中得到的re输入，并根据外源数据挖掘得到的βi确定在服务进程在某场景下的系数值，t是re维持的时间，最终得到机器人忠诚值，计算公式如下：

步骤6）对应图3中006所示，结束整个方法。