逆P-集合的扰动定理与数据的扰动挖掘

逆P-集合是把动态特征引入到有限普通元素集合内提出的,逆P-集合具有动态特征。逆P-集合的动态特征来自集合的元素(属性)迁移,元素迁入使得集合的边界发生扩展扰动,元素迁出使得集合的边界发生收缩扰动。本文基于逆P-集合的概念与结构,提出内逆P-集合的F-扰动度、外逆P-集合的(-overF)-扰动度与逆P-集合的(F,(-overF))-扰动度概念,给出它们的度量,并给出F-扰动定理、(-overF)-扰动定理与(F,(-overF))-扰动定理,以及在扰动存在的条件下,逆P-集合、逆P-集合族与有限普通元素集合X的关系。利用这些结果,提出数据的F-扰动挖掘定理、(-overF)-扰动挖掘定理与(F,(-overF))-扰动挖掘定理。最后给出基于扰动度的数据挖掘应用。     

P-集合与■-信息的动态分离特征

P-集合(packet sets)是改进普通集合得到的,或者用动态特性代替普通集合的静态特性得到的。利用内P-集合,给出■-信息的动态分离概念,给出■-信息分离与依赖特征,给出■-信息的动态分离特征定理与应用。P-集合是动态信息系统研究中的一个新的理论与新方法。     

逆P-集合与信息智能融合挖掘-发现

逆P-集合是一个新的动态数学模型, 它是把动态特性引入到有限普通集合X内, 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-集合构成的元素集合对。或者, (F,)是逆P-集合, 逆P-集合具有动态特性。在一定的条件下, 逆P-集合被还原成有限普通集合。逆P-集合具有P-集合相反的动态特性。逆P-推理是逆P-集合生成的一个动态推理。利用逆P-集合, 逆P-推理, 本文给出信息智能融合生成, 信息智能融合度概念, 给出信息智能融合挖掘-发现与信息智能融合挖掘-发现定理, 给出挖掘-发现准则。最后,利用这些结果给出信息智能融合挖掘-发现的应用。     

P-集合与F-信息的动态分离特征

P-集合（packet sets）是改进普通集合得到的,或者用动态特性代替普通集合的静态特性得到的。利用内P-集合,给出F-信息的动态分离概念,给出F-信息分离与依赖特征,给出F-信息的动态分离特征定理与应用。P-集合是动态信息系统研究中的一个新的理论与新方法。     

属性内-融合与数据融合挖掘

属性融合是潜藏在 P-集合内的一个重要的应用特性,P-集合的动态特性来自 P-集合的属性融合。利用内 P-集合的结构与动态特性,给出属性内-融合概念、结构和定理,最后给出在属性内-融合条件下的数据融合挖掘和数据融合挖掘准则与数据融合挖掘-筛选的应用。     

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。     

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。     

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。     

信息智能融合与它的P-增广矩阵推理生成

P-集合是一个具有动态特征的数学模型,它是把动态特性引入到有限普通元素集合X内,改进有限普通元素集合X被提出的。P-增广矩阵是改进普通增广矩阵,利用P-集合得到的。利用P-集合的动态特性与P-增广矩阵结构,本文给出P-增广矩阵推理与推理结构、信息智能融合以及信息融合与与P-增广矩阵的关系;给出信息智能融合的分离与信息智能融合的分离具有的属性智能特征;给出这些理论研究的应用。     

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。     

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。     

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。     

外P-信息显性-隐性分离与显性-隐性分离定理

把外P-集合XF定义成外P-信息(x)F,利用外P-集合的特性,给出外P-信息显性分离、隐性分离概念和分离定理,给出外P-信息显性-隐性分离生成的属性特征。     

内P-信息显性-隐性分离与显性-隐性分离定理

把内P-集合X定义成内P-信息(x),利用内P-集合的特性,给出内P-信息显性分离、隐性分离概念和分离定理,最后,给出内P-信息显性-隐性分离生成的属性特征。     

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。     

基数余-亏定理与数据外-内挖掘-分离

把基数概念与数据挖掘交叉, 利用逆P-集合结构, 给出动态基数概念, 提出基数余-亏定理、基数离散区间定理, 给出数据挖掘与基数变化关系、基数余-亏准则和应用.     

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。