外 P-推理信息恢复与属性潜藏特征

利用外P-集合与外P-推理,给出外P-信息恢复概念与外P-信息恢复特征,给出外P-信息恢复的外P-推理生成与它的属性潜藏,给出外P-信息恢复的信息元删除定理和依赖性定理,给出外P-推理信息恢复的属性潜藏定理与潜藏属性发现定理。     

知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识［x］内的元素个数被减少;利用属性集α内的部分属性被删除, 知识［x］内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。     

内P-集合与数据外-恢复

内P 集合是P 集合的一个部分,它是P 集合的一个概念。利用内P 集合,提出 数据与 数据外-恢复概念,给出 数据外-恢复定理,外-恢复的属性补充冗余原理,利用这些结果给出应用。     

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。     

属性基数余-亏值定理与信息规律动态内-外分离

函数P-集合是一种特殊的P-集合,在对函数P-集合的属性集合研究的基础上,给出属性基数余-亏与信息规律动态分离概念,给出信息规律内-分离定理、外-分离定理与内-外分离定理。利用这些结果,给出属性基数余-亏在信息图像伪装-隐藏中的应用。     

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-集合与基数亏-余定理

利用有限普通元素集合概念与P-集合的结构,给出P-集合基数亏-余特征,提出基数亏-余定理,基数离散区间定理与属性基数余-亏准则,给出这些理论结果的应用.     

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。     

外P-集合生成的(-f)-模型

2008年,山东大学史开泉教授提出P-集合(packet sets)的概念,P-集合是一个集合对,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.本文利用P-集合理论,给出外P-集合的, (-f)-模型与 (-f)-t阶单向动态模型的生成及有关概念,提出 -单向动态模型序关系定理及动态分离定理,(-f)-模型的动态特征依赖于属性集α上的属性删除.利用这些讨论,给出(-f)-模型生成原理及在动态信息系统中的应用.     

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。     

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。     

内P-模糊集并-分离及其属性特征

P-模糊集(Packet fuzzy sets)是由P-集合(Packet sets)得到的一个新的模糊集,P-模糊集具有动态特性。P-模糊集是由内P-模糊集AF珔(Internal packet fuzzy set AF珔)与外P-模糊集AF(Outer packet fuzzy set AF)构成的模糊集合对;或者(AF珔,AF)是P-模糊集。利用内P-模糊集,本文给出内P-并分离系数、内P-模糊信息概念、内P-模糊集的并-分离定理、内P-模糊集并-分离与它的属性集合的关系定理、内P-模糊集并-分离的几何特征和内P-模糊集并-分离的应用。     

函数S-粗集与F隐形图像生成-辨识

利用函数S 粗集, 给出图像生成, 提出 隐形图像的概念、构成结构、 隐形图像的属性特征和分离定理与还原定理, 给出 隐形图像在图像信息系统中的应用。     

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。     

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。     

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。