P-集合的识别与筛选

在P-集合定义的基础上研究了P-集合的动态特性,得到P-集合族与其相关定理,提出了P-集合的动态识别量-P-扩度,P-扩度可以将P-集合的动态变化程度进行量化,进而得到P-集合的识别与筛选定理,利用该定理可以对系统状态进行检测-识别。     

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-集合的面积特征

将积分的知识引入P-集合之中,提出了P-变化厚度概念,讨论了P-集合的面积特征,给出了P-集合的动态识别,并将集合X的变化程度进行了量化。     

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。     

P-集合与系统状态的动态辨识

应用P-集合认识系统数据变化的理论特征,提出内-动态数据、外-动态数据、内-外动态数据的概念、动态数据离散矩形区域概念;给出动态数据关系和动态数据系数定理、动态数据离散矩形区域内点定理、给出内-动态数据分离-发现定理、外-动态数据分离-发现定理,最后给出系统状态的动态辨识应用.     

P-集合

利用普通集合, 提出包集合(简称P-集合), P-集合是由内P-集合X与外P-集合XF共同构成。 并给出P-集合的结构和P-集合与普通集合的关系, P-集合具有动态特性。 在静态-动态意义下, 普通集合是P-集合的特例, P-集合是普通集合的一般形式, 然后提出P-集合的内P-分解定理与外P-分解定理, 利用P-集合, 给出集成知识与它的结构, 最后给出P-集合在动态知识发现中的应用。     

随机P-集合的数据筛选过滤

在随机P-集合概念的基础上,给出了基于随机P-集合的数据生成,提出了基于随机P-集合的数据筛选-过滤粒度定理、数据筛选-过滤剩余定理和数据筛选-过滤恢复定理等,并给出基于随机P-集合的数据筛选-过滤在医疗诊治系统中的应用。     

外-遗传信息与它的外P-推理辨识

利用P-集合,给出外-遗传信息概念和属性特征;利用外P-推理,给出未知外-遗传信息的外P-推理辨识与外-遗传信息的外P-推理发现,最后得到外-遗传信息的外P-推理生成定理并给出应用。     

P-关系与它的度量特征

利用P-集合,给出P-关系的概念与结构、相关运算及P-关系的数值度量,提出P-关系度量离散区间收缩定理和P-关系生成-恢复定理,最后给出P-关系在信息辨识中的应用。     

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-集合与(,F)-数据生成-辨识

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, P-集合具有动态特性。利用P-集合,给出数据集合, 数据集合,F-数据集合与(,F)-数据集合概念;提出-数据集定理, F-数据集定理, (,F)-数据带定理,数据集合恢复定理, (,F)-数据辨识定理,给出辨识准则。 利用这些结果, 给出(,F)-数据在信息系统中的应用。P-集合是研究动态信息系统的一个新理论与新方法。     

非常态信息系统与逆P-增广矩阵关系

逆P-集合是一个具有动态特征的模型,逆P-增广矩阵是利用逆P-集合改进普通增广矩阵得到的新数学概念。为了讨论方便,定义普通矩阵A是系统的常态,内逆P-增广矩阵A^F与外逆P-增广矩阵A^F是系统的非常态,接着提出矩阵容度概念,给出容度度量与矩阵容度定理。基于上述概念,给出系统非常态与内逆P-增广矩阵关系定理,系统非常态与外逆P-增广矩阵关系定理,以及系统非常态的矩阵容度识别准则。最后给出应用与实验验证。     

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。     

信息规律状态的函数P-推理发现与应用

利用函数P-集合,给出P-信息规律生成、信息规律亏状态、盈状态概念与P-信息规律状态的属性定理,利用函数P-推理给出P-信息规律状态发现与发现定理。最后,给出信息规律状态在经济系统、经济信息中的应用。     

P-集合与信息真度及应用

在P-集合的基础上,给出特征数据、((F),F)-特征数据集合的概念,提出特征数据迭代发现和消除定理、信息真度定理、信息真度距离定理和数据前后域恢复定理,给出数据的信息真度辨识准则,最后给出这些概念与定理在信息安全中的应用方法.     

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.     

随机函数逆P-集合与其属性依赖特征

将随机特性引入函数逆P-集合,对函数逆P-集合进行改进,给出随机函数逆P-集合的概念与结构。随机函数逆P-集合是由随机函数内逆P-集合与随机函数外逆P-集合构成的有序集合对。随机函数逆P-集合是函数逆P-集合的扩展,函数逆P-集合是随机函数逆P-集合的特例。在随机函数逆P-集合的基础上,给出随机函数逆P-集合的随机性定理与随机函数逆P-集合的属性依赖关系定理。随机函数逆P-集合的提出扩大了函数逆P-集合的应用领域。     

P-集合与隐形图像生成-还原

P-集合是把动态特性引入到有限普通集合中,改进普通集合得到的,P-集合(XF,XF)是一个集合对.利用P-集合生成的图像,提出P-隐形图像的概念,给出P-隐形图像的属性特征和度量特征,提出P-隐形图像生成-还原定理,并给出了P-隐形图像在图像信息系统中的应用.     

P-增广矩阵与信息的智能动态发现-辨识

利用普通增广矩阵概念与P-集合动态结构交叉,改进普通增广矩阵概念,提出P-增广矩阵,给出P-增广矩阵结构;P-增广矩阵由内P-增广矩阵与外P-增广矩阵共同构成。给出内P-增广矩阵属性定理,外P-增广矩阵属性定理与P-增广矩阵属性定理;给出P-增广矩阵与普通增广矩阵的还原关系。改进P-推理,提出P-增广矩阵推理,给出推理结构;P-增广矩阵推理由内P-增广矩阵推理与外P-增广矩阵推理共同构成。提出属性的P-增广合取范式,给出属性的P-增广合取范式与属性的普通合取范式的关系,提出属性的P-增广合取范式还原定理;给出满足P-增广矩阵推理条件的信息的智能动态发现-辨识定理,最后给出了应用。