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。     

内P-集合与F-优化数据-筛选

应用内P-集合的内-动态特性及其结构,提出了F-优化数据概念,讨论F-优化数据的生成与筛选,获得F-优化数据-筛选定理及F-优化数据的生成-筛选算法,并给出F-优化数据-筛选的应用.研究结果为动态信息系统的数据优化提供了一种新方法.     

P-未知数据集及其过滤-分离

当普通集合X的属性集合α发生动态变化时,X中隐藏着未知数据信息.根据这一情况,利用X生成的P-集合((X)F,XF)和∧-型大数据的结构,提出内P-未知数据集、外P-未知数据集、P-未知数据集概念,给出它们的数值特征.定义未知数据集的P-依赖度、P-过滤度概念,讨论未知数据集的P-依赖度与P-过滤度的关系.利用过滤度分...     

P-集合与（-↑F,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,-↑F-数据集合,F-数据集合与（-↑F,F）-数据集合概念;提出-↑F-数据集定理,F-数据集定理,（-↑F,F）-数据带定理,数据集合恢复定理,（-↑F,F）-数据辨识定理,给出辨识准则。利用这些结果,给出（-↑F,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。     

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。     

内 P（ρ，σ）-集合的随机特性-应用

P（ρ,σ）-集合是P-集合的一般形式,在P（ρ,σ）-集合（XPFρ,XPFσ）概念的基础上,探讨了内P（ρ,σ）-集合与内P-集合的关系：给出内P（ρ,σ）-集合与内P-集合关系定理、内P（ρ,σ）-集合XPF珔ρ与数值ρ关系定理和内P（ρ,σ）-集合的范围、内P（ρ,σ）-集合的生成、还原、辨识定理、过滤生成原理,探讨了内P（ρ,σ）-集合的其他特性和有限性定理,链定理、概率区间有限分割定理、属性集合关系定理及其推论,最后给出了内P（ρ,σ）-集合的应用。     

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。     

大数据结构-逻辑特征与大数据规律

P-集合、逆P-集合是把动态特征引入到有限普通元素集合X内,改进有限普通元素集合X得到的两个模型,利用P-集合、逆P-集合与它们的动态特征、逻辑特征分别给出具有属性合取扩展-收缩特征的∧型大数据结构与生成、具有属性析取扩展-收缩特征的∨型大数据结构与生成、∧型大数据与∨型大数据混合的∧-∨型大数据结构与生成;给出大数据融合与生成、大数据融合智能挖掘定理;给出大数据的颗粒特征与颗粒过滤定理;给出大数据遗传与生成、大数据遗传智能分离与分离定理;给出在P-增广矩阵推理条件下大数据隐藏-伪装与智能生成、大数据隐藏-伪装定理;给出大数据规律生成模型与方法以及大数据规律状态;利用大数据规律状态,给出投资-利润大数据的风险估计。     

知识过滤与属性f-迁移依赖

依据S-粗集,给出f-迁移知识,F-迁移知识,知识过滤度和知识过滤属性f-迁移依赖的概念,提出知识过滤属性f-迁移依赖定理,给出知识过滤属性f-迁移依赖在知识识别中的应用,揭露了知识过滤的本质.     

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。     

F-畸变数据的生成与修复

P-集合是研究动态信息系统的一个新数学工具,应用P-集合的外P-集合与补充集合的关系,提出了F-畸变数据与-冗余数据的概念;给出F-畸变数据的生成定理和修复定理,包括F-畸变数据的辨识定理.最后给出F-畸变数据的修复准则与修复实例,其结果为研究动态信息系统的数据扩张提供了1种新方法.     

（F,F）-数据离散矩形区域在数据辨识中的应用

应用新数学模型P-集合,提出数据传输中三种异常数据的概念：F-异常数据、F-异常数据与（F,F）-异常数据;提出（F,F）-数据离散矩形区域概念;给出丢失-侵入数据发现定理、系统输出数据分离定理、系统输出数据类型辨识定理、（F,F）-异常数据在（F,F）-数据离散矩形区域的定位定理;给出（F,F）-数据离散矩形区域在系统输出数据类型辨识中的应用。丢失-侵入数据发现定理与系统输出数据分离定理是系统输出数据类型辨识的基础,（F,F）-数据离散矩形区域的提出,为系统数据的几何辨识和系统出现异常数据的预警提供了一种新的理论与方法。     

F-残缺数据的辨识与恢复

利用P-集合结构中的内P-集合与F-元素删除集合,给出声．残缺数据的概念,它是由（x）F与（x）-构成的一个数据对（（x）F,（x）-）。由F-残缺数据,给出F-残缺数据的生成与豇残缺度。利用这些结果,给出F-残缺数据的关系定理,F-残缺度定理,F-残缺数据的辨识定理,F-残缺数据的恢复定理,并给出F-残缺数据的应用。     

数据分离与属性状态特征

给出数据分离与它的属性状态特征生成的基本理论。利用逆P-集合的结构与动态特征,给出数据外分离,数据内分离与数据外-内分离概念,给出数据分离特征,给出数据分离生成的属性状态特征。给出数据补充定理,数据删除定理与数据补充-删除定理。给出数据外分离的属性基数定理,数据内分离的属性基数定理与数据外-内分离的属性基数定理。论文给出的理论结果是数据分离生成的特征。     

基于S-粗集的粗数据规律识别

利用S-粗集,给出粗数据的概念,粗数据具有动态特性;给出粗数据规律生成;提出粗数据规律生成定理,粗数据规律还原定理;给出粗数据规律识别准则与可分辨定理;给出粗数据规律的应用。     

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.     

内-外数据圆与动态数据-恢复

P-集合(packet sets)是由内P-集合XF-(internal packet setXF-)与外P-集合XF(outer packet setsXF)构成的集合对;P-集合具有动态特性。利用P-集合,给出内-数据圆,外-数据圆的概念,利用这些概念,给出动态数据恢复定理,动态数据恢复准则与数据恢复-辨识定理,给出应用。P-集合是动态数据分析-辨识研究的一个新工具。     

两指数总体带缺失数据的参数估计和检验

本文讨论了含有缺失数据的两个服从指数总体的参数估计和检验,证明了该估计的强相合性与渐近正态性,给出了两组对比检验的检验统计量.讨论了基于极限分布的检验问题,并且在此基础上给出了总体参数差的渐近置信区间.