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.     

P-集合的（σ,τ）-扩展模型与其性质

P-集合是由内P-集合XF珔与外P-集合XF 构成的集合对，P-集合副集的（σ，τ）-生成是由内副集的σ-生成Aσ（ XF珔）与外副集的τ-生成Aτ（ XF ）构成的集合对。本文在P-集合与P-集合副集的（σ，τ）-生成的基础上，给出P-集合的（σ，τ）-扩展模型，得到P-集合与它的（σ，τ）-扩展的关系定理，讨论了P-集合的（σ，τ）-扩展性质。 P-集合的（σ，τ）-扩展模型拓宽了P-集合的研究范围。     

函数内P(σ)-集合及其规律的动态特征

在函数内P-集合的基础上,给出函数内P-集合副集、函数内P-集合σ-副集和函数内P(σ)-集合的概念与结构及函数内P-集合与函数内P(σ)-集合的关系,证明了函数内P(σ)-集合动态变化的属性依赖、阈值依赖定理,并探讨函数内P(σ)-集合的规律动态变化依赖因素,得到了规律变化的可辨识定理.     

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 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。     

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-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.     

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。     

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。     

逆P-集合

利用P-集合(Packet sets),提出逆P-集合(Inverse packet sets),给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F(Internal inverse packet set X珔F)与外P-1-集合X珔F珔(Outer inverse packet set X珔F珔)构成的集合对;或者(X珔F,X珔F珔)是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

逆P-集合

利用P-集合（Packet sets）,提出逆P-集合（Inverse packet sets）,给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F（Internal inverse packet set X珔F）与外P-1-集合X珔F珔（Outer inverse packet set X珔F珔）构成的集合对;或者（X珔F,X珔F珔）是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

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。     

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。     

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。     

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。     

一类扩展P-集合模型及其特征

P-集合是由内P-集合XF(internal packet sets XF与外P-集合XF(outer packet sets XF)构成的集合对.利用P-集合理论,给出P-集合的扩展模型——层次P-集合,研究层次P-集合的特征.层次P-集合是普通P-集合的扩展,提供了多角度、多层次分析和研究问题的方法.     

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。