埃及信息学杂志23（2022）259全文通过认知识别信任与强调云机器人Wasim Ahmad Khana，Fahad Ahmadb，Saad Awadh Alanazic，Tayyabah Hasand，Shahid Naseeme，Kottakkaran Sooppy Nisarf，a巴基斯坦拉合尔国家工商管理经济学院计算机科学学院bJouf University，Sakaka，Aljouf 72341，Saudi Arabia，基础科学系，公共一年级主任cJouf大学计算机与信息科学学院计算机科学系，Sakaka，Aljouf 72341，沙特阿拉伯d巴基斯坦拉合尔Kinnaird女子学院计算机科学系巴基斯坦旁遮普省拉合尔市教育大学信息科学系f沙特阿拉伯沙塔姆·本·阿卜杜勒阿齐兹王子大学文理学院数学系，Wadi Aldawaser 11991阿提奇莱因福奥文章历史记录：收到2021年2022年1月10日修订2022年1月18日接受2022年1月28日在线提供保留字：人工智能刺激选择性注意Mamdani模型模糊逻辑置信度经验信任云机器人A B S T R A C T注意力和信任仍然是与云机器人相关的机器人感官知觉的关键它涉及的任务是从机器人本身在其选择性注意模式下采取的几种刺激中争夺注意力，将注意力集中在优先级较高的任务上，并过滤掉其余的任务。机器人可以将存储量大和计算量大的作业卸载到云端，同时保持信任建立的控制。导致这些机器人的可用性、保密性、数据保护和隔离安全性的因素涉及供应商和用户的信任旨在实现支持各种云供应商状态和可访问服务的安全措施它需要来自机器人的几个输入刺激，即，信心，经验和情感，并给出输出作为信任级别，以在机器人之间的社交交互期间注意。输入参数映射到模糊集，采取一系列的输入和输出隶属函数。根据该方案设计了模糊器和解模糊器。使用MATLAB R2021a对所开发的信任标注系统进行了测试和分析。Mamdani模型被授予，产生了一些不寻常但有希望的结果。这些结果表明设计和模拟系统之间的一致性©2022 The Bottoms.出版社：Elsevier B.V.代表计算机与信息学院开罗大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http：//creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍随着日常生活中其他技术的快速发展，社交机器人也通过更准确的自然语言处理和图像处理提供增强的功能，为主导我们的社会铺平了道路由于这一事实，*通讯作者。电子邮件地址：drwasimahmadkhan@gmail.com（W.A.汗），drfahadahmad-mian@gmail.com （ F 。 Ahmad ） ， sanazi@ju.edu.sa （ S.A.Alanazi ） ， mail.com（T.Hasan），shahid. ue.edu.pk（S. Naseem），n. psau.edu.sa（K.S.Nisar）。开罗大学计算机和信息系负责同行审查。这些机器人已从工业到商业部门广泛部署，从而将其应用领域从实验室扩展到日常生活[1由于广泛的知识库有助于提高认知能力，因此这些机器人可以受益于云技术，可以访问由中心化数据中心提供的更强大的计算，存储和其他共享服务，从而实现具有轻量级，紧凑但更智能的机器人的成本效益[4]。云机器人中的注意力和信任被用于几个智能机器中，这种预先编程的机器人由于其精确度、生存（耐力）和认知能力（即，注意和信任。这些认知能力表现在视觉方向所需的细粒度信息上（如鸡尾酒会现象）[5可以强制执行基于信任的方法来与通用计算环境中的隐私漏洞竞争。云机器人中包含的任何应用程序或服务都需要https://doi.org/10.1016/j.eij.2022.01.0031110-8665/©2022 THE COURORS. Elsevier B.V.代表开罗大学计算机和信息学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comWasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259260MX x XXS⊂≤× 2.Σ≤ ≤≤···≤.X轴þ þ··· þ¼XX xXS通过所有单独参数判断自己的完全信任值[8]。身份管理系统负责保护身份的分配，这是身份验证检查的一个安全问题。授权是一个双向条约。从一个云迁移到另一个云时需要数据服务隐私和保密[2]。通信介质应足够安全，以纳入私有、机密的对话，因为虚拟化（在计算机上模拟或仿真或使用云计算）会产生管理程序，从而保护此类障碍或风险[4]。许多企业和企业正在向生产型转变建立以人为本的系统，以人的需求为目标，模糊集合的表示项的状态变化（E）。假设集合如果任何机器人EXY2½0;1]1而且对于“Ey1Ey2Eym#XEyj提维斯在过去几十年中，对人类生活造成了严重的社会经济影响。信任的诱导X1x1xmj¼1XJ在云中，机器人技术帮助机器人信任人类，只执行由可信任的人类指挥的任务[5]。即使在家庭环境中，社交类人机器人也不能执行所有分配的任务，因为其中一些任务可能会对居住在房子里的人或他自己造成危险。此外，在云机器人中开发信任还可以减少机密性和隐私问题，因为所需信息将仅提供给受信任的人或机器[6]。为了处理这些机器，主要的工作是处理通过多个传感器连续接收的大量事实[7，8]。机器人可见信念中冗余数据的控制存在严重困难因此，为机器人建模灵长类动物般的视觉兴趣机制在许多机器人研究人员中变得越来越流行[10]。视觉兴趣模型允许机器人选择性地和自主地挑选随着云基础及其物联网惯例集的利用，资产可以提供机器人和机械化框架[12]。机器人和机器人化框架的操作依赖于系统提供的信息[13]。我们可以利用云来增强机器人和计算机化框架，无论是通过访问手册，生产模型，基准测试，娱乐工具，计划和框架的公开竞争，还是开源编程，都可以为上述事业做出贡献[14]。模糊逻辑是一种高级布尔逻辑形式，其值总是介于0和1之间。真理被认为是完全正确和完全错误的（包括极端值）。上述技术对于展示非人类代理的类人行为或决策至关重要，以实现机械化目的，其中机器人和自动化是突出的前景[15]。通常，机器人通过其传感器感知各种环境信息，这些信息作为模糊系统的输入，然后模糊化过程将清晰的输入转换为模糊值，最后，我们通过解模糊化过程获得清晰的输出[9，10，16]。下面的模型表示图1中模糊逻辑的工作。在本文中，机器人一组需求规格说明被视为对象，并满足模糊隶属度属性。会员期望-其中y1，y2，.. . ，y m是X的成员，E y1，E y2，. ，E_（？ ）y_m_（？）是Y_1，Y_2，. . ，Ym.Fuzzy测度（E）是空间Y上相似性的扩张，Y是Y的子集到单位区间E的映射：2Y？[0，1]使得E（Y）= 1，E（Y）= 0，并且如果X D，则E（X）E（D）。模糊化是将清晰的输入值转化为可比较的隶属函数，以获得相应值的模糊测度的技术用于创建模糊推理系统的用户输入变量的模糊化在很大程度上依赖于模糊语言变量的使用[17]。因此，解模糊化将聚合的模糊值转换为用户理解的精确量任何成员等级大于或等于“E”的元素XO设E是关于“Y”的模糊测度，即函数g：Y [0，1]在模糊测度下的Sugeno积分。等式（3）用于定义E：gydEmax 16j6mminyj;E Xj 3其中g（y 1），g（y 2），g（y 3），. ，g（ym）是范围，并且它们被定义为g（y1）g（y2）g（y3）g（ym）.模糊决策树将决策树的概念与处理模糊系统的模糊性和不精确性的能力相此外，模糊决策树继承了决策树的必要品质，例如低计算成本和以图形或规则集合形式表达信息在三个方面，模糊决策树不同于典型的决策树：它使用基于模糊限制的分裂标准，它使用替代推理过程，并且必须定义表示信任级别信息的模糊集[18]。属性的选择是基于它们的信息增益，这减少了决策表中对信任级别进行分类所等式（4）给出了对数据集DT中的信任级别进行分类所需的预测MTD-Pb j log 2j1Pbj是DT中的任意信任级别适合类别Cj的概率，并且通过添加信任级别熵来预测。假设Cj中的信任级别具有m个不同的值，{c1，c2，. . ，c，s}，C，j中的信任等级可以用于将DT划分为m个分区或子集，{D1，D2，.. . 其中D1（k = 1，s）包括DT中的那些样本（S）。然后，信任等级Ci的熵（En）由等式（5）给出：ENk¼1分支属性是根据信任级别选择的，从而获得最多的信息。等式（6）表示给定子集Ds的信息增益：Fig. 1. 模糊逻辑模型M不 D1 jD2 jD1 sj¼-Pb jklog 2Pb jk6j1X¼ð2ÞWasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259261-最后，信任级别Cj的信息增益由下式给出：拟议工作的细节将在本文件以下各节中讨论。第二部分是文献研究。第3节阐述了拟议工作的方法。通过所提出的工作获得的结果在第4节中介绍和分析，然后在第5节中的结论性意见。2. 相关工作在本节中，研究了不同作者提出的不同作品，以了解社交机器人的应用以及模糊逻辑对以某种方式优化认知能力的贡献。2.1. 基于模糊逻辑的机器人在医疗和保健中的应用包括几种类型，即，手术、康复、远程呈现、卫生等。由于它是一个敏感的应用领域，因此需要格外关注。医疗和医疗保健中机器人的主要问题是它们的安全使用，无论是对患者还是代理人。作者已经评估了使用机器人系统进行腕关节和肘关节康复的风险，特别是从安全性的角度[11]。通过模糊逻辑对结果进行分析，了解其安全程度。然后，在18名患者中成功测试了这种创新的风险评估方法，验证了安全性问题。2.2. 基于封闭词的在这项研究中，作者为机器人提供了一种强大的运动检测算法，该算法使用背景减除技术检测运动速率[19]。它捕获静态图像，并且每当它检测到任何变化时，它从先前捕获的图像中减去当前图像以分析差异。它给出了与检测到对象的最后一个图像帧相比的对象斑点。通过这种方式，可以从背景中检测运动[20]。2.3. 使用模糊逻辑的一种自校正模糊调节器，其中控制规则、登记工作或比例因子是自平衡的。其中，控制规则和比例因子承担了重要的工作。因此，作者对产量缩放因子进行了持续调整与一般FLC相比，它的主要优点是更接地的控制能力，扩展的适应性和心脏。PI型模糊调节器通常提供出色的，consis- tent状态执行，但有瞬态执行，不是所有的伟大。作者遵循了[21]中的一种技术，以获得显著的瞬态和一致的状态执行。该技术是，最初，框架具有实质性的正加速，因此缩放变量增加到这样的程度，即上升和稳定时间减少。接近框架具有负加速的设定时刻，缩放变量被减小，最终目标是减小或分配过冲。在控制工厂的同时，有才华的人类管理员控制程序输入（即，调节器收益率），模糊逻辑控制是一种基于信息的控制框架。对于富有成效的和复杂的FLC，应谨慎解决产量SF[21，22]。2.4. 基于模糊遗传算法的移动机器人控制器模糊调节器允许机器人改善其运动，并达到最终目标。具体地说，当机器人在其转移过程中遇到障碍物时，模糊调节器进入一个办公室，该办公室允许机器人直接和熟悉地远离障碍物用于模糊调节器的边界是来自便携式机器人小工具的自然传感器的数据具体而言，作为调节剂的贡献，研究人员利用了这些伴随因素[24]：距离障碍物Dx展示了多功能机器人和障碍物之间的分离和距离障碍物Dy表示多功能机器人与障碍物之间的分离和距离障碍物Dx和Dy都被认为与固定威慑物相关[25]。2.5. 模糊逻辑在自主机器人中的应用近年来，模糊程序在实现自主性方面的应用已遍及行为结构、行为协调、观察、限制等各个应用领域，其中以承诺为中心的研究达到了顶峰，直到20世纪90年代末，机械自主性的基本点是基本实践的执行。近年来，自主实施的审议转向了建造在自然条件下独立工作的机器人。模糊方法在机械技术网络中的实际效果并不像在开始阶段应用自治或在其他应用领域中的价值那样深刻。然而，机械技术中新的新兴领域，例如人类和类人通信，或固定的领域，例如识别，是新的预期使用领域的真正实例，其中混合模糊方法无疑将适合于显示其管理这种复杂和动态情况的能力[26]。2.6. 基于模糊逻辑的文化感知机器人框架文化差异，即，机器人的实践与其客户的文化标准和倾向的协调是实现任何辅助应用的显著的尽管如此，文化从属的机器人实践通常由建筑师进行验证，因此，没有考虑到各种社会的编程和直接变化[27]。提出了一种文化意识机器人计划的策略，这些机器人可以调整自己的行为以适应给定的文化[28]。从文化成分到机器人实践的相关限制的规划取决于语义因素以统一的形式主义对异质文化元素进行编码，以及模糊准则对各种因素之间的主观关系进行编码[29]。这在两个合理的上下文分析中得到了证明[30]。3. 材料和方法3.1. 拟议工作所提出的技术环境，机器人的信任依赖于三个基本的认知因素：信心水平，情感的互动机器，和经验与另一台机器。为了强调基于信任的注意力，Mamdani模糊推理系统（MFIS）模块名为信任注释器，正在云中设计和实现，它可以利用Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259262←←←←←←使用集中式知识库以及机器人访问集中式MFIS模块的区域的本地规则库，如图所示。 二、MSIF模块用于通过机器到云（M2C）通信确定机器人中的信任级别，以获得对云机器人中的机器到机器（M2M）通信中的社交交互的关注所提出的场景算法如下，其中S是在时间间隔t期间为机器人代理服务而获得的区域。和其他探员MFIS模块通过基于智能体的认知、感觉输入发展信任来诱导认知能力，从而有助于交互在接下来的小节中，阐明了图1中呈现的信任注释器模块的方法，它的直观性对于选择这种模型至关重要，这种模型生成一个使用集合从更易于解释的规则库中提取语言规则，算法：用于在M2M通信目标：通过信任级别寻求关注，使机器人代理更具社交能力。第一步：初始化不同地域的云监控周期步骤2：MSIF的输入参数和输出信号声明：前经验E情感C信心第三步：为t返回S步骤4：来自S的MSIF模块步骤5：机器人代理感知Ex、E和C的输入刺激步骤6：在测试期间通过M2C通信共享信息步骤7：返回代理的T步骤8：基于T步骤9：更新集中知识库步骤10：t t +1重复步骤3。在某个时间，获取一组新的区域机器人代理以建立机器到云通信链路，在社交交互之前，某个代理从该链路访问MFIS模块通过经验丰富的操作人员获得。由于这一事实，它们与需要类人知识的专家系统有关。清晰度值就像分配给任何（输入刺激）语句答案的二进制值，但总是存在于0和1之间。更表面地，它被定义为值是真或假，像二进制值一样变化。但在模糊的情况下，我们将采取中间值（0 1之间的任何实数）。获得的输入刺激的清晰值被提供给模糊化器，该模糊化器以模糊输入集的形式传输到推理机，在那里，定义的规则被应用。其结果是，模糊输出集得到的defuzzifier和transferred作为清晰的输出给用户。3.2. 模糊器输入刺激的给定清晰值与具有确定水平的模糊器相关联，并为每个输入变量产生语言值[31]。推理机用模糊标准、结果和推理来模拟模糊逻辑中的人类决策[32]。 对于三个输入变量和输出，使用MATLAB R2021A创建的三角形隶属函数如图所示。3a、3b、3c和3d。这些三角形成员函数可以在数学上写成分段函数，用l表示，每个函数定义0到100之间的不同范围。所以，分段函数 l低（x）、l中（x）和l高（x）通过等式图二、使用Mamdani-Type模糊推理系统的云机器人之间的信任发展Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259263图3a. 输入“置信度”的隶属函数图3b. 输入“经验”的隶属函数图3c. 输入“情感”的隶属函数Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259264.ðÞ ¼.ðÞ ¼× 2f g.ðÞ ¼.- 我的天.ðÞ ¼.ðÞ ¼.ðÞ ¼图3d.输出“Trust”的成员函数公式（7）、公式（8）和公式（9），用于“置信度”输入，其中× 2 fC g.l快乐xx-50：0= 75： 0- 50：0 50： 0≤x≤75： 0100-xð16Þl低x0x≤ 033：33-x = 33： 33-0 0≤x≤ 33： 33我吃了100克。x-0ð7Þ类似的情况是输出变量Trust具有lreliable（x）， l部分可靠（x）和其中T在定义的范围0-100内，并且通过等式（17）、等式（18）和等式（19）表示。66：66- xð8Þ我不可靠，我不可靠。0x≤ 033：33-x = 33： 33-0 0≤x≤ 33： 33ð17Þl高xx-33：33= 66： 66- 0 33： 33≤x≤ 66： 66100-xð9Þl部分可靠xx-0= 33：33-0 0≤x≤ 33： 3366：66- x同样，Experience输入的隶属函数具有相同的定义范围，因此分段函数lbad（x），l通过等式（10）表示的不坏（x）和l好（x），等式（11）等式（11）和等式（12）类似于上面提到的l可靠xx-33：33= 66： 66-0 33： 33≤x≤ 66： 66100-xð18Þð19Þ其中× 2 fExg.我不好意思。0x≤ 0ð10Þ因此，输入的隶属函数总数为10，输出的隶属函数总数为3。输入隶属函数及其语言值、占用区域的范围和规则映射-33：33-x = 33： 33-0 0≤x≤ 33： 33L.x-0ping在表1和表2中给出。在每个采样周期之后，该算法采用置信度、经验和情感来通过应用模糊逻辑[33]来测量信任级别。不- 坏66：66- xð11Þ模糊化过程需要三个不同的模糊器，它需要三个变量。这种模糊化器的模型在图1中示出。 四、使用预定义的投入值，l好xx-33：33= 66： 66-0 33： 33≤x≤ 66：66100-xð12Þ表3中列出了三个模糊化器。这些结果是使用信心、情感和经验的模糊化模型第 三 个输 入 参 数 Emotion具 有 四个 隶 属 函 数langry （ x） 、lsad（x）、lneutral（x）和lhappy（x），具有定义在0和100之间的不同范围。 因此，分段函数通过等式（13）、等式（14）、等式（15）和等式（16）表示，其中× 2 fEg。摄入量3.3. 推理引擎（Inference）该引擎由六个AND运算符组成，选择最可忽略的值输入作为输出。最大最小排列被应用以通过接受我很生气。我很难过。0x≤ 0125：0-x125 = 125： 0-000≤x≤25： 0x- 0ð13Þð14Þ六个来自模糊器的入口[34]。总的活动规则可以计算为k*m*n，其中k、m和n分别是每个输入所采用的级别。这里描述的三个输入变量由两个三和一个四隶属函数组成。上-050：0-x050 = 050： 0- 25：0 055： 0≤x≤50： 0l中性xx-25：0= 50： 0- 25：0 25： 0≤x≤ 50： 075：0-xWasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259265ð15Þ这些规则合起来就是36条。在当前情况下，对于三个变量的特定值，仅需要八个规则，其被设计为通过等式（20）到等式（27）：Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259表1266136245246所有模糊化区域中输入变量的隶属函数和语言值输入变量隶属函数语言变量第一区第二区域第3区域第四区输入1 =置信度输入2 =经验输入3 =情感低中等高不良不错不错生气伤心q1q2q3q4q5q6q7q1[q4[q7[-25，25]q2[0，66.66]q5[0，66.66]q8[0，50]q3[33.33，100]q6[33.33，100]中性快乐第九季第十季q9[25，75]q10[50，100]表2使用占用区域的规则映射。号输入1 =置信度输入2 =经验输入3 =情感规则an[b] =会员1月1月1第一第二第三第四q1[q1[q1[q1[23月1月1月1月1第一第二第三第四月1q1[q1[q1[q1[q1[第2第3q1[q1[月4q1[4第一第二第三第四q3[33.33，100] ^ q6[33.33，100] ^ q7[-25，25] = P33q3[33.33，100] ^ q6[33.33，100] ^ q8[0，50] = P34q3[33.33，100] ^ q6[33.33，100] ^ q9[25，75] = P35q3[33.33，100]^q6[33.33，100]^q10[50，100]= P36[2019 - 06 - 12 00 ：00 ：00][2019 -06 - 12 00：00：00][2019 - 06-1200：00][2019 - 06 -12 00：00][2019 - 06 - 12 00：00][2019 - 06 - 0100：00][2019 - 06- 01 00：00][2019 - 06 - 0100：00][2019 - 06 - 01 00：00][2019 - 01 00：00]2019 - 01 - 1900：00：00 00：00 00：00 00：00 00：0000[2019 -02 - 0200：00：00][2019 -02 - 02 00：00：00 ][2019 - 02 - 02 00：00][2019- 02 - 0100：00][2019 -02 - 01 00：00]表3模糊结果。见图4。 模糊器块。3.4. 规则选择器规则选择器获得信心、情感和经验的清晰值。根据应用于所设计系统的算法规则，需要八个规则来符合单例值G1，G2，G3，G4，G5，G6，输入值选定区域计算模糊集置信度J = 17第一区域q1=（50-17）/50= 0.66q2 = 1-q1 = 1Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259表1267235经验J = 49第二区域q3=（50-49）/50= 0.02q4 = 1-q3 = 1情绪J = 70第三区域q5=（100-70）/66.6= 0.45q6 = 1-q5 = 1G7和G8，每个用于三个输入变量，如下表4每个区域都有三个模糊变量，规则库接受三个明确的输入值，将话语的宇宙分配到区域中，规则得到应用，并给出与每个输出变量一致的单例值作为输出。规则库的基本模块如图所示。 五、P1¼135P2¼136P3¼145P4¼146P502019- 02- 2500：02：002019 - 05 - 2500：02：0245分之 0秒 45秒22秒55分之 0秒 55秒23秒2019- 02-02 00：00：3.5. 解模糊器在解模糊过程中，在近似其摄入量之后提供脆值生产率。对于三个解模糊器中的每一个，给出十六个输入;来自蕴涵引擎的生产力的八个值P1、P2、P3、P4、P5、P6、P7、P8，以及八个值G1、G2、G3、G4、G5、G6、G7和G8，如图11所下图6。解模糊器采用由D表示的以下数学表达式舍入到清晰值，其中i = 1到8.[2019 -06 - 21]2019-06-0100：02：00第0章：[2019 -01-2200：01：02]第0章：[2019 - 06-21] 2019 -06 -11 00：00：00第0章：Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259268XX表4针对输入的预定义规则的单例值。号输入输出信心经验情感信任单例值Singleton值1低坏生气T1G125%信任度2低坏伤心T2G225%信任度3低坏中性T3G325%信任度4低坏快乐T4G425%信任度5低不错生气T5G525%信任度6低不错伤心T6G625%信任度7低不错中性T7G750%信任8低不错快乐T8G850%信任33高好生气T33G3375%信任度34高好伤心T34G34100%的信任35高好中性T35G35100%的信任36高好快乐T36G36100%的信任图五. 规则库（关键块）。见图6。解模糊器块。4. 结果和讨论通过比较MATLAB R2021A中的设计值和仿真值，讨论了信任注释器MFIS。表5列出了推理引擎表5为信任而设计的价值观。我PiGIPi*Gi10.020020.020030.450040.550.250.13750.020060.020.500.0170.340.500.1780.340.750.255根据推理机通过公式（28）至公式（30）的设计值的结果：电话：021- 8888888传真：021-8888888时间：2019- 01- 21 00： 00：00推理机的生产率和来自规则库的生产率的乘积的总和Pi Gi¼0：572 29然后，Vc<$Pi Gi=Pi<$0： 308<$30：8%这里，Vc 确定输出变量的清晰值。然后将结果赋予MATLABR2021A仿真。这些结果进行了比较，并发现正是根据设计的系统。置信度的规定值为17，属于第1区域;对于体验，则为49，再次落在第一区域;对于情感，它是70，落在第三区域。根据该测距方案，将这八条规则应用于MATLAB R2021A仿真。使用MATLAB R2021A规则查看器，实现的值被确定为代表图。第七章表6显示了系统的设计值和相应的模拟值的比较结果我们已经进行了详尽的实验，以更好的表现在这项研究中。所提出的结果是优化的，因为我们已经验证了这些结果后，改变模糊集的数量和形状的模糊集，但我们得到了最好的结果与所提出的配置。评估和模拟的结果是足够接近，被认为是有前途的，错误率为8.0%。在这个模型中，信任依赖于信心，情感和经验的选择属性。怎么--XXWasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259269见图7。 MATLAB R2021a规则查看器。表6支持向量机特征。分析结果值系统设计值30.8MATLAB R2021A模拟系统值30错误率8.00%然而，信任对这些因素的依赖性可以利用表面图更精确和有效地图图8（a）、8（b）和8（c）表示信任与其认知因素之间的关系，即，信心、情感和经验。从这些图形的可视化显示，信任的水平随着其认知因素的价值观的变化而逐渐变化。然而，信任的依赖性不太倾向于机器人的信心和经验。而第三输入参数，即，情绪，与其他两个因素相比，对基于信任的注意力的吸引具有更关键的影响，即，如果它是快乐的，并且只有在与交互机器人的良好体验方面还不错，则它建立完全信任（参见图8（c））。相反，如果交互机器人同样，如果情绪是中性和快乐的，并且置信水平较高，则信任水平为75图8（b））。从上述陈述中观察机器人情感的影响5. 结论本文提出了一种基于云的FLC系统，用于在社交交互过程中开发机器人之间的信任，称为信任注释器。经过如此多的迭代和配置，该系统被设计为理想的结果，然后使用MATLAB R2021a进行测试。所开发的信任标注器的设计结果与仿真结果基本一致。设计的模型可以延长任何范围的感官输入和结果。使用注意力水平开发信任在云机器人中的应用具有更广泛的范围。它涵盖了隐私和访问控制的问题，并保护所有众生在自然环境中。所提出的系统，是一个更精确的方式来发展信任，使用注意力和情感的比较，可以导致一个更好的解释，在人类机器人的陪伴。在未来，在所提出的系统Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259270图八、a. 信心、情绪和信任之间的关系;b.情感、经验和信任之间的情节;c。信心、经验和信任之间的关系Wasim Ahmad Khan，F.Ahmad，Saad Awadh Alanazi等.埃及信息学杂志23（2022）259271竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] Yi L等.路面清扫机器人运动过程中的 视 觉 系 统 反馈控制重构。 IEEE Access2020;8：113355-70.[2] HruškaL，SincákP，FerencíkN，CíkI，2020年IEEE第18届应用机器智能和信息学世界研讨会（SAMI），2020年，第18页。57-62：IEEE。[3] Kudo R，Cochrane M，Takahashi K，Inoue T，Mizuno K.在无线局域网系统中使用移动机器人的精确自我状态进行链路质量预测的实验验证。2020年IEICE交通通讯。[4] UrreaC，Matteoda R. 开发虚拟现实模拟器，用于使用云计算协调协作机械手机器人的策略。RobAuton Syst 2020;126：103447.[5] 刘 晓波 ， 李晓 波. 社 会辅 助机 器人 行 为适 应 的整 体方 法 。 Int J Social Robotics2020;12（3）：617-37.[6] Andriella A，Torras C，Alenyà G.基于人机交互的脑训练认知系统框架。认知计算2020;12（4）：793-810.[7] Charalambous G，Fletcher S，Webb P.工业人机协作信任评估量表的开发。Int JSocial Robotics 2016;8（2）：193-209.[8] CameronD等. 社会认知恢复策略对社交机器人的可爱性、能力和信任的影响。Comput Behav2021;114：106561.[9] Dias LA，de Oliveira Silva RW，da Silva Emanuel PC，Filho AF，Bento RT. 应用模糊逻辑于自主避障机器人之研制。 Int J Control Autom Syst 2018;16（2）：823-33.[10] Singh NH，Thongam K.静态环境中使用模糊逻辑的移动机器人导航。ProcediaComput Sci2018;125：11-7.[11] Tucan P，Gherman B，Major K，Vaida C，Major Z，Plitea N，et al.基于模糊逻辑的肘关节和腕关节康复并联机器人风险评估 Int J Environ Res PublicHealth 2020;17（2）：654. doi：https://doi.org/10.3390/ijerph17020654.[12] Magyar G，Vircikova M，“从人类实验者那里学习的社会人类-机器人交互的基于云的代理的建议”，2015年IEEE第19届智能工程系统国际会议（INES），2015年，pp. 107-111：IEEE。[13] Knox WB ， Stone P. Reinforcement learning from simultaneous humanandMDP reward. AAMAS2012：475-82。[14] Jeong S，Lee M，Arie H，Tani J，“整合视觉注意力转移和双手物体抓取和操作任务的发展学习”，2010年IEEE第9届国际发展与学习会议，2010年，第101页。165-170：IEEE。[15] Yanes N，Bououd I，Alanazi SA，Ahmad FJIA，“基于模糊逻辑的通过严肃游戏进行外语学习的前景识别系统”，第9卷，pp. 63173-63187，2021。[16] ShahzadiS，Khaliq B，Rizwan M，Ahmad F. 基于自适应神经模糊推理系统的云计算安全性研究。安全与通信网络2020;2020：1-15。[17] 纳加拉詹河基于模糊的决策代理，用于有效识别和选择云基础设施服务。软计算2019;23（19）：9669-83.[18] Nagarajan R，Selvamuthuaran S，Thirunavukarasu R，1-5：IEEE。[19] 吕 华 ， 董 晓 . 基 于 改 进 高 斯 混 合 模 型 的 篮 球 运 动 图 像 目 标 检 测 算 法 。Microprocess Microsyst2021;83：104010.[20] Jian J-Y，Bisantz AM，Drury CG.自动化系统中经验确定的信任度的基础。国际认知工效学杂志2000;4（1）：53-71.[21] Szjie，Kacprzyk J，“关于直觉模糊集在决策中的一些应用的评论”，关于IFS的注释，卷。1996年2月[22] 米纳克希河模糊矩阵：理论与应用。 MJP Publishing 2019.[23] 李文，李文，李文，等.基于模糊控制器的控制器设计.北京：机械工程出版社，2000，24（3）：119 - 119. Int Electr Eng J（IEEJ）2014;5：1452-8.[24] Vicente A，[25] PennacchioS，Raimondi T，Raimondi FM，Bosco G. 基于模糊逻辑和遗传算法的移动机器人控制器。 WSEAS Trans Circuits andSystems 2004;3（9）：1871-5.[26] Islam MS，Sarker MSZ，Rafi KAA，Othman M.空调系统之模糊控制器演算法之发 展 。 2006 年 IEEE InternationalConference on Semiconductor Electronics 。IEEE; 2006年。p. 830- 4[27] Vircikova M，Magyar G，Sincak P.基于云的社交机器人，学习激励儿童作为背痛治疗的助手和外语导师。在：新朋友2015年第一届社会机器人治疗和教育国际会议论文集。p. 44比5[28] LangloisL，Régis C. 分析道德宪章对构建人工智能治理未来的贡献。在：对人类人工智能的反思。Springer; 2021. p.150比70[29] Sugar E，Mayora O，de Cote EM.未来互联网的应用。施普林格;2017年。[30] Khan MS，Benkrid K，[31] 放大图片作者：Mohanty SK，Premsankar G，Di Francesco M.对开源无服务器计算框架的评估。CloudCom2018：115-20.[32] 杨C，吴S-K，杨B，Pedrycz W，傅Z.模糊拟线性SVM分类器：设计与分析。模糊集系统2020.[33] 施克，王军，钟树，唐勇，程军。基于切换模糊采样控制的TS模糊延迟神经网络非脆弱记忆滤波。模糊集系统2020;394：40-64.[34] Al-Janabi A，Al-Zubaidi EA，Al Sagheer RHA.使用基于模糊逻辑的策略对教育质量进行依赖性估计的案例研究（库法大学）。印度尼西亚电气工程和计算机科学杂志2020;17（1）：472-80。
我的内容管理
展开
