逆P-集合

利用P-集合(Packet sets),提出逆P-集合(Inverse packet sets),给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F(Internal inverse packet set X珔F)与外P-1-集合X珔F珔(Outer inverse packet set X珔F珔)构成的集合对;或者(X珔F,X珔F珔)是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

逆P-集合

利用P-集合（Packet sets）,提出逆P-集合（Inverse packet sets）,给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F（Internal inverse packet set X珔F）与外P-1-集合X珔F珔（Outer inverse packet set X珔F珔）构成的集合对;或者（X珔F,X珔F珔）是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

P-集合的P-分离与应用

P-集合(packet sets)是由内P-集合XF-(internal packet sets)与外P-集合XF(outer packet sets)共同构成的集合对,或者(XF-,XF)是P-集合。利用P-集合,给出它的P-分离(packet-separation)概念,提出P-集合的P-分离定理,给出P-分离在未知信息发现中的应用。     

P-集合与内 P-信息的显性-隐性特征

P-集合（ packet sets）是把动态特性引入到有限普通集合X（ cantor set X）内,改进有限普通集合X被提出的。P-集合具有动态特性,P-集合是由内P-集合XF珔（internal packet set XF）与外P-集合XF（outer packet set XF）构成的元素集合对,或者（XF,XF）是P-集合。利用内P-集合结构与生物学中显性基因和隐性基因概念交叉,给出内P-信息的显性、隐性概念;给出内P-信息显性特征、隐性特征与度量,给出内P-信息的显性、隐性定理和由此生成的属性特征。显性-隐性是P-集合的重要特征之一。     

内P-隐性信息与它的分离

P-集合(packet set)是由内P-集合X-F(internal packet set X-F)与外P-集合X F(outer packet set X F)构成的集合对,或者(X F,X F)是P-集合.P-集合具有显性、隐性特征,但显性、隐性概念具有相对性.把内P-信息显性、隐性概念拓展,对内P-隐性信息进一步研究:给出了内P-隐性、显性信息等概念,给出了内P-隐性信息的度量、特征、分离定理;最后给出内P-隐性信息在动态信息分离中的应用;隐性特征是P-集合的重要特征之一.     

P-规律推理与未知规律发现-应用

函数P-集合(Function packet sets)是由函数内P-集合(Function internal packet set)与函数外P-集合(Functionouter packet set)构成的函数集合对,它具有动态特征与规律特征。利用函数P-集合,给出内P-迭代规律、外P-迭代规律、P-迭代规律概念与存在定理以及P-迭代规律属性补充-删除定理。利用P-迭代规律,给出P-规律推理的定义与结构,得到P-规律推理与未知规律发现定理,最后给出P-规律推理在风险投资中未知规律的发现应用。     

内P-信息融合与信息过滤-辨识

P-集合(packet sets)是一个动态模型,P-集合是由内P-集合X~F(internal packet set X~F)与外P-集合(outer packet set X~F)构成的元素集合对;或者(X~F,X~F)是P-集合.利用内P-集合与信息融合交叉,给出内P-信息融合概念,给出一些基本理论结果,并利用这些特性进行信息过滤-辨识.最后利用这些结果给出应用.     

信息伪装与真-伪信息筛选

P-集合是由内P-集合XF（internal packet set XF）与外P-集合XF（outer packet set XF）构成的集合对,或者（XF,XF）是P-集合。P-集合具有动态特征。利用内P-集合的结构与动态特征,给出F珔-信息伪装的概念、F珔-信息伪装的结构与特征,给出F珔-信息伪装模与真-伪信息筛选定理和真-伪信息筛选的应用。P-集合生成的F珔-信息伪装是P-集合的重要研究分支之一,是信息系统研究中一个新的研究方向。     

内P-信息与它的反动态特性

P-集合(packet sets)是由内P-集合XF(internal packet set XF)与外P-集合XF(outer packet set XF)构成的元素集合对(XF,XF).P-集合具有动态特性,利用内P-集合XF的结构与动态特性,提出它的反动态特性,给出了基信息、内P-信息、珚F-删除信息、内P-反动态信息等概念;给出了内P-反动态信息的范围,内P-反动态信息判定,内P-反动态信息最大度量,内P-有效删除信息,内P-剩余信息定理及推论;最后给出应用实例.     

函数P-集合

把函数概念引入到P-集合(packet sets)中,改进P-集合,提出函数集合(function packet sets),给出函数集合的结构。函数P-集合具有动态特性和规律特性。函数P-集合是由函数内P-集合SF珔(function internal packet setSF珔)与函数外P-集合SF(function outer packet set SF)构成的函数集合对;或者,(SF珔,SF)是函数P-集合。P-集合是函数P-集合的特例,函数P-集合是P-集合的一般形式。在一定条件下,函数P-集合能够回到函数集S的"原点"。给出函数P-集合在未知信息规律发现中的应用,这些未知的信息规律潜藏在信息系统中,它们不被人们事先知道。     

外P-模糊集的截集与扩展粗集模型

P-模糊集是由内、外P-模糊集构成的集合对,内、外P-模糊集是两类不同的动态模糊集。截集方法是研究模糊集理论最常用的方法,提出外P-模糊集的λ-截集、λ-强截集、区间截集及其截集粒度的概念,讨论了外P-模糊集的截集序列粒度定理、区间截集序列粒度定理,给出外P-模糊集区间截集分解定理。利用外P-模糊集粗隶属度函数的概念,给出外P-模糊集A^F的(α_F,β_F)粗集、(1_F,0_F)粗集、(α_F,β_F)概率粗集、(α_F,β_F)的变精度粗集四种粗集扩展模型,讨论了外P-模糊集的(α_F,β_F)粗集定理,并给出其数量特征及关系讨论。     

内 P-信息融合与它的属性合取特征

P-集合是由内P-集合XF珔与外P-集合XF 构成的元素集合对,或者（ XF珔,XF ）是P-集合,P-集合具有动态特征。利用内P-集合给出内P-信息融合生成、内P-信息融合剩余生成与内P-信息融合度量概念,得到内P-信息融合生成定理、依赖定理、还原定理,还给出内P-信息融合的属性合取定理与属性合取扩展定理和属性合取扩展-内P-信息融合发现原理。最后利用这些结果给出应用。     

内P-集合副集的σ-生成和σ-强生成

在内P-集合的基础上给出内P-集合副集A(X)、 内P-集合副集σ-生成和内P-集合副集σ-强生成的概念与结构, 并讨论了三者的关系, 得到了内P-集合副集σ-生成内P-集合副集σ-强生成的关系定理、 辨识定理及生成定理, 扩大了P-集合的应用范围.     

内-外数据圆与动态数据-恢复

P-集合(packet sets)是由内P-集合XF-(internal packet setXF-)与外P-集合XF(outer packet setsXF)构成的集合对;P-集合具有动态特性。利用P-集合,给出内-数据圆,外-数据圆的概念,利用这些概念,给出动态数据恢复定理,动态数据恢复准则与数据恢复-辨识定理,给出应用。P-集合是动态数据分析-辨识研究的一个新工具。     

P-集合副集与它的性质定理

 P-集合是由内P-集合与外P-集合构成的集合对,它具有动态特性。在P-集合的基础上,给出P-集合副集、P-集合副集的(σ,τ)-生成概念与结构,讨论了P-集合副集之间、P-集合副集的(σ,τ) 生成之间的关系,得到P-集合副集的生成定理与不可辨识定理。     

内逆 P-信息智能融合与属性析取扩展关系

逆P-集合是由内逆P-集合与外逆P-集合共同构成的动态模型。逆P-推理是由逆P-集合生成的动态推理,它由内逆P-推理与外逆P-推理共同构成。利用内逆P-集合与内逆P-推理交叉、渗透,给出内逆P-信息智能融合生成与它的属性特征、信息智能融合度与信息智能融合系数概念、外-信息智能融合环定理与融合度-融合系数定理,最后给出内逆P-信息智能融合与它的属性析取扩展结构与属性析取扩展定理。     

外P-信息与它的反动态特性

P-集合(packet sets)是由内P-集合X(internal packet set X)与外P-集合XF(outer packet set XF)构成的元素集合对;或者,(X,XF)是P-集合;P-集合具有动态特性。利用外P-集合XF的结构与动态特性,对它的反动态特性给出研究,提出了基信息、外P-信息、F-补充信息、外P-反动态信息的概念;利用这些概念给出几个基本理论结果,利用这些基本结果,给出外P-反动态信息在信息系统中的应用。     

P-集合的记忆特征研究

P-集合(packet sets)是一个集合对,它由内P-集合(internal packet sets)与外P-集合(outer packet sets)共同构成;利用P-集合的概念与结构,给出内P-集合的f-记忆集合概念,内P-集合的f-记忆度量方法;f-变异度量方法;提出内P-集合的f-记忆f-变异关系定理;外P-集合的軃f-记忆集合概念,外P-集合的軃f-记忆度量方法;軃f-变异度量方法;提出并证明了外P-集合的軃f-记忆軃f-变异关系定理。     

逆P-等价类的逆P-推理分离-还原

 逆P-集合是把动态特性引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。逆P-集合是由内逆P-集合F与外逆P-集合构成的集合对;或者,(F,)是逆P-集合。逆P-集合具有动态特性。逆P-推理是逆P-集合生成的一个动态推理,它是由内逆P-推理与外逆P-推理共同构成的。利用逆P-集合和逆P-推理, 给出逆P-等价类、内逆P-等价类和外逆P-等价类概念,逆P-等价类与普通等价类的关系,逆P-等价类的逆P-推理分离-还原与分离-还原定理。在静态-动态条件下,普通等价类是逆P-等价类的特例,逆P-等价类是普通等价类的一般形式。