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。     

P-信息规律智能融合与软信息图像智能生成

函数P-集合是P-集合的函数形式,函数P-集合具有动态特性、规律(函数)特性;函数P-集合是一个动态规律模型。函数P-集合是由函数内P-集合SF珔与函数外P-集合SF构成的函数集合对;或者,(SF珔,SF)是函数P-集合。P-信息规律推理是把函数概念引入到P-推理内,改进P-推理得到的;P-信息规律推理是一个动态信息规律推理;P-推理是利用P-集合被提出的。P-信息规律推理是由内P-信息规律推理与外P-信息规律推理共同构成。利用函数P-集合与P-信息规律推理交叉、渗透,本文研究了P-信息规律智能融合与软信息图像智能生成。给出P-信息规律推理结构,给出P-信息规律智能融合与它的P-信息规律推理生成;给出智能融合冗余-缺失与属性内-外融合特性;给出P-信息规律智能融合与它的属性合取范式扩展-收缩定理;给出P-信息规律智能融合的智能P-分离与还原;给出信息规律的拆分-合成与软信息图像智能生成。函数P-集合是研究信息规律融合的新方法与新理论。     

P-信息智能动态融合与信息规律状态智能识别

利用函数P-集合,给出P-信息规律融合的概念及其智能动态融合。提出函数P-集合生成的信息规律融合概念,给出在P-信息规律推理条件下的P-信息规律智能动态融合生成与智能融合定理。利用这些理论结果,给出P-信息规律智能动态融合在信息规律状态智能识别的应用。     

函数逆P-集合与逆P-信息规律动态分离

利用函数逆P-集合, 给出逆P-信息规律生成与生成定理、逆P-信息规律的动态分离与分离特征和动态分离准则,利用这些结果给出逆P-信息规律动态分离在信息图像隐藏中的应用。     

函数P-集合与信息规律动态特征

函数P-集合(function packet sets)是一个新的数学结构,它具有动态特性,规律特性。利用这一特性,讨论函数P-集合生成的动态信息规律特征,提出信息规律区间稳定的概念,给出信息规律区间稳定的内点定理、信息规律区间稳定的外点定理、信息规律区间稳定的属性定理,并给出区间[a,b]上动态信息规律的应用。     

信息规律智能变换-伪装与P-规律增广矩阵

利用函数P-集合的动态结构,改进普通增广矩阵概念,提出规律矩阵、内P-规律增广矩阵、外P-规律增广矩阵与P-规律增广矩阵,给出它们的结构、生成和属性关系。提出P-规律增广矩阵推理和推理结构,给出在P-规律增广矩阵推理条件下的规律智能分离、智能分离定理、信息规律智能分离算法及其在信息图像智能变换-伪装中的应用。     

外-扰动与属性合取收缩规律挖掘-分离

利用函数 P-集合模型与它的动态特性和规律特征，给出函数 P-集合的结构与规律扰动、扰动恢复概念、扰动度量，利用这些概念得到外-扰动与属性合取收缩定理、属性合取收缩与外-扰动规律挖掘-分离定理、外-扰动与规律挖掘辨识定理和不变性定理。     

P-集合的属性函数与P-信息融合的属性合取特征及应用

利用P-集合的结构,给出P-集合中元素的属性及属性函数的概念,讨论P-集合与属性函数的关系以及单属性函数和满属性函数的计数问题。给出P-信息融合的属性合取扩展-收缩特征、内P-信息融合的属性合取扩展定理、外P-信息融合的属性合取收缩定理、具有属性合取扩展特征的内P-信息融合发现定理、具有属性合取收缩特征的外P-信息融合发现定理。最后,给出具有属性合取扩展特征的内P-信息融合生成-发现的应用实例。     

P-集合与-漂移规律恢复

P-集合是研究动态信息系统与动态信息规律的一个新理论与新方法.利用P-集合,给出-漂移规律生成概念,提出-漂移规律辨识定理;给出-漂移规律恢复概念,提出-漂移规律恢复定理.利用这些结果,给出-漂移规律恢复的应用与实证.     

函数逆P-集合与信息规律融合

利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F,珔SF珔)是函数逆P-集合。在一定条件下,函数逆P-集合(S珔F,S珔F珔)被还原成有限普通函数集合S。逆P-集合是把动态特征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。函数逆P-集合具有与函数P-集合相反的动态特征、规律(函数)特征。本文给出函数逆P-集合的结构、还原和它的函数等价类特征。利用数据拆分-合成原理,给出逆P-信息规律融合与它的生成;给出逆P-信息规律融合的属性特征与属性定理。利用这些结果,给出逆P-信息规律融合生成的隐形信息图像与它的应用。函数逆P-集合与函数P-集合是两个独立的、特征不同的新模型。     

P-信息的属性合取扩展-收缩特征与P-信息的智能发现

利用P-集合与P-推理,给出P-信息的属性合取扩展-属性合取收缩概念、特征、定理;属性合取扩展-属性合取收缩是P-集合的一个重要应用特性。利用内P-推理与属性合取扩展,给出内P-信息智能发现定理;利用外P-推理与属性合取收缩,给出外P-信息智能发现定理和准则。最后给出具有属性合取扩展特征的内P-信息智能发现在信息辨识中的应用。     

P-信息隐藏挖掘的数量特征及应用

经典的集合具有静态特性。在科技迅猛发展的今天,海量数据变化更新之迅速,用经典集合来研究数据挖掘问题受到了限制,需要把动态特性引入到普通集合中,用“动态性”代替普通集合的“静态性”,而P-集合具有上述特征。利用P-集合与它的属性迁移,提出内、外k阶P-信息的粒度、挖掘度,讨论了属性迁移与信息挖掘的数量关系;给出迁移信息链式定理及最小、最大挖掘度定理。P-信息是动态信息系统知识挖掘的一个新的理论与方法,最后给出P-信息在数据挖掘中的应用。     

P-对偶信息的依赖与获取-发现

利用P-集合与它的动态特性,定义了内、外P-对偶信息及P-对偶属性信息。利用这些概念,提出了P-信息依赖度、依赖系数,P-对偶信息依赖度、依赖系数;讨论了内、外P-属性信息依赖定理,P-对偶信息获取-发现定理及内潜藏原理,得出P-对偶信息依赖-获取两个准则。最后给出P-对偶信息的应用。     

粗规律生成与它的分离

利用函数S-粗集(function singular rough sets), 给出粗规律生成, 粗规律生成定理; 利用这些结果, 提出粗规律分离与粗规律分离定理, 粗规律带复合生成定理与粗规律带原理; 给出粗规律分离在利润风险规律识别中的应用。     

函数P-集合

把函数概念引入到P-集合（packetsets）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S^F（function internal packet set S^F）与函数外P-集合S^F（function outer packet set S^F）构成的函数集合对;或者,（S^F,S^F）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。     

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.