F-知识与它的隐藏-依赖特征

S-粗集(singular rough sets) 存在三种形式: 单向S-粗集(one direction singular rough sets), 单向S-粗集对偶(dual of one direction singular rough sets)和双向S-粗集(two direction singular rough sets)。 S-粗集具有动态特性, 遗传特性, 记忆特性和隐藏特性。 利用S-粗集, 给出了f-隐藏知识, F-隐藏知识, 隐藏度和隐藏-依赖度的概念, 提出了关于隐藏知识的隐藏定理和隐藏-依赖定理, 并给出应用。     

F-粗规律与它的属性控制

函数单向S-粗集(Function one direction singular rough sets)是用具有动态特性的R-函数等价类［u］定义的, 函数单向S-粗集具有规律(函数)特征。 利用函数单向S-粗集, 给出F-粗规律(w-(x)F,w-(x)F)的结构, 粗规律(w-(x),w-(x))的属性特征, 属性距离, 状态系数概念, 利用这些概念, 提出F-粗规律与它的属性控制, 给出属性控制准则, 属性控制定理与应用。F-粗规律与它的属性控制是函数S-粗集(Function singular rough sets)中的一个新的应用研究方向。     

F-规律挖掘

函数单向S-粗集对偶（dual function one direction singular rough sets）是以R-函数等价类[u]定义的,ui∈[u]是一个函数,函数是一个规律。利用函数单向S-粗集对偶的规律特征,给出F-规律挖掘的概念,提出F-规律挖掘定理。F-规律挖掘是寻找经济发展中未知规律的一个新的研究方向。     

F-规律挖掘

函数单向S-粗集对偶(dual function one direction singular rough sets)是以R-函数等价类[u]定义的,uiε[u]是一个函数,函数是一个规律.利用函数单向S-粗集对偶的规律特征,给出(F)-规律挖掘的概念,提出(F)-规律挖掘定理.(F)-规律挖掘是寻找经济发展中未知规律的一个新的研究方向.     

基于单向S-粗集的数据分层挖掘

S-粗集(singular rough sets)是对Pawlak Z粗集的改进,单向S-粗集(One direction singular rough sets)是S-粗集的基本形式之一.利用单向S-粗集,本文给出数据属性,数据分层挖掘概念,数据分层挖掘序定理,合成数据分层挖掘定理,及数据分层挖掘准则,利用这些结果,给出应用.说明单向S-粗集是动态数据分层挖掘研究的一个新工具.     

S-粗集与它的■干扰依赖还原

利用单向S-粗集对偶(dual of one direction singular rough sets)给出了知识的f-干扰生成与还原,单向S-粗集对偶的F-干扰生成与还原的概念,在这些概念的基础上提出了F-干扰定理,F-干扰盈余定理,F-干扰分辨定理,干扰依赖还原定理,干扰依赖还原原理,给出F-干扰的应用.     

S-粗集与它的-F干扰依赖还原

利用单向S-粗集对偶（dual of one direction singular rough sets）给出了知识的f^-干扰生成与还原,单向S-粗集对偶的F^-干扰生成与还原的概念,在这些概念的基础上提出了F^-干扰定理,F^-干扰盈余定理,F^-干扰分辨定理,干扰依赖还原定理,干扰依赖还原原理,给出F^-干扰的应用.     

粗规律与它的单向安全

利用函数单向S-粗集(function one direction singular rough sets),给出粗规律的概念,粗规律是被w(x)-,w(x)-构成的规律对{w(x)-,w(x)-};因为函数单向S-粗集的属性集{α-,α-}发生变化,粗规律{w(x)-,w(x)-}也发生变化.利用椭圆曲线,给出粗规律锁住概念,提出粗规律锁住定理,并给出应用.     

系统的-fp-状态与它的动态识别

函数单向S-粗集对偶是函数S-粗集（function singular rough sets）的基本形式之一．函数单向S-粗集对偶是研究系统规律入侵预测的一个重要的理论与方法．利用函数单向S-粗集楚偶（Dual of function one direction singular rough sets）,本文给出^-fp-状态,状态距离的概念,系统状态被^-fp-规律随机入侵的概念．进而给出系统状态被^-fp-规律入侵呈婴的状态特征及对这些状态特征的识别准则和应用.     

函数S-粗集

利用S-粗集(singular rough sets)，提出了函数S-粗集，给出了函数S-粗集的数学结构和特性．函数S-粗集具有两类形式：函数单向S-粗集，函数双向S-粗集．提出了函数S-粗集与S-粗集的关系定理．函数S-粗集是S-粗集的一般形式，S-粗集是函数S-粗集的特例．函数S-粗集是粗集研究的一个新方向．     

函数单向S-粗集对偶与F--预测规律发现

函数S-粗集理论是粗集理论的拓展,函数单向S-粗集对偶是函数S-粗集的三类形式之一. 函数S-粗集具有规律特性、动态特性、遗传特性、记忆特性与预测特性. 利用函数单向S-粗集对偶的动态特征, 给出-预测规律、F-预测规律和预测度概念, 提出预测规律的预测定理, 并在通信传输识别系统中给出应用. 函数S-粗集(函数单向S-粗集、函数单向S-粗集对偶、函数双向S-粗集)与信息系统融合、交叉是粗集理论中的一个新的研究方向.     

变异S-粗集与它的变异结构

提出了变异S-粗集，给出单向变异S-粗集与双向变异S-粗集的数学结构；提出变异S-粗集与S-粗集的对偶性定理与变异一对偶原理．变异S-粗集是S-粗集研究的一个新方向．     

概率S-粗集与它的生成结构

提出了概率S-粗集,给出了概率单向S-粗集与概率双向S-粗集的数学结构,分析了概率S-粗集与概率粗集以及Pawlak粗集的关系.     

多元函数单向S-粗集

给出了二元函数单向S-粗集的数学结构和特性.提出了二元函效单向S-粗集与一元函数单向S-粗集、单向S-粗集的关系定理,二元函数单向S-粗集与二元函数粗集的关系定理.最后以实例说明二元函数单向S-粗集的存在.     

S-粗信息矩阵与它的两类形式

利用粗信息矩阵,提出了S-粗信息矩阵概念,给出了S-粗信息矩阵的结构和特征。S-粗信息矩阵具有两类形式:单向S-粗信息矩阵,单向对偶S-粗信息矩阵,双向S-粗信息矩阵。给出了S-粗信息矩阵与粗信息矩阵、S-粗集、Z.Pawlak粗集的关系定理。     

函数S-粗集与投资风险F-规律发现

利用函数F-粗集概念给出了规律的f-遗传, f-遗传规律生成,函数单向S-粗集的F-遗传, F-遗传规律生成等概念.提出了F-遗传规律包络定理, F-传递规律分离定理.利用这些结果,给出函数单向S-粗集与投资风险F-规律的发现与应用.     

S-粗集与它的F-记忆

利用S-粗集(singular ough sets)和S-粗集的遗传特性,给出知识的f-记忆和S-粗集的F-记忆的概念．利用这些概念,提出S-粗集的F-记忆特性,S-粗集的F-记忆定理,F-记忆链上知识丢失原理．F-记忆是S-粗集的重要特征之一．