[发明专利]一种基于朴素贝叶斯算法的机器人模块语义分类方法

权利要求书

1.一种基于朴素贝叶斯算法的机器人模块语义分类方法，其特征在于，在用户计算机的命名服务器中依次运行以下步骤：

步骤一，为模块添加语义标签；

在功能模块设计封装时，从模块运行位置、内部传感器、外部传感器和算法类型四个角度为机器人功能模块加入语义标签；模块运行位置分为机器人运行模块与PC机运行模块两个特征词；内部传感器分为里程计与陀螺仪两个特征词；外部传感器分为激光传感器、Kinect、相机与RFID四个特征词；算法类型分为采集、匹配、导航、通信与控制五个特征词；每个模块分配一个语义标签，该语义标签是根据机器人功能模块的特点从以上四个角度选出的一组特征词的组合；

步骤二，根据已知分类的模块建立样本集合；

步骤三，计算模块的后验概率；

将模块注册到命名服务器，命名服务器提取模块语义标签，并根据语义标签计算模块的后验概率；方法如下：

（1）计算样本集合中类别k的先验概率P(c_k)：

P(c_k)等于样本集合中属于类别k的模块数量占样本集合模块总数的比例；c_k代表类别k，k=1,2,…,K，K为类别总数；

（2）计算类别k中语义标签为d_i的概率P(d_i|c_k)：

P(di|ck)=Πj=1nP(tj|ck)]]>

式中，d_i为第i个模块的语义标签，t_j为模块d_i中的特征词，P(t_j|c_k)为类别k中包含特征词t_j的概率，j=1,2,…,n，n为语义标签中特征词的数量；

（3）采用贝叶斯规则计算第i个模块属于类别k的后验概率；

第i个模块d_i属于类别k的后验概率为：

P(ck|di)=p(ck)p(di|ck)p(di)]]>

步骤四，对模块进行分类；

分类规则为：第i个模块d_i所属类别为后验概率P(c_k|d_i)最大的类别；

步骤五，显示分类结果。

2.根据权利要求1所述的一种基于朴素贝叶斯算法的机器人模块语义分类方法，其特征在于，由于p(d_i)均相等，且模块d_i所属类别为后验概率P(c_k|d_i)最大的类别，所以实际计算时用p(c_k)p(d_i|c_k)代替P(c_k|d_i)来简化后验概率的计算。