数据的动态挖掘与P-增广矩阵关系

P-增广矩阵是通过利用P-集合的结构与动态特征,改进普通增广矩阵A^*提出的。P-增广矩阵是由内P-增广矩阵A^(-overF)与外P-增广矩阵A^F构成的矩阵对,或者(A^(-overF),A^F)是P-增广矩阵。在一定条件下,P-增广矩阵(A^(-overF),A^F)被还原成普通增广矩阵A^*。利用P-增广矩阵的结构与动态特征,给出数据的动态挖掘研究及其与P-增广矩阵的关系。提出数据的动态挖掘的内P-增广矩阵判定定理,外P-增广矩阵判定定理与P-增广矩阵判定定理,给出数据的动态挖掘的P-增广矩阵准则,利用这些理论结果,给出一个简单应用。     

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。     

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-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。     

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。     

基数余-亏与逆P-增广矩阵

利用逆P-集合的动态特征,改进普通增广矩阵概念,提出内逆P-增广矩阵,外逆P-增广矩阵与逆P-增广矩阵,给出它们的结构、生成与关系。利用基数余-亏与逆P-增广矩阵交叉,提出基数余值与内逆P-增广矩阵关系定理,基数亏值与外逆P-增广矩阵关系定理,以及基数余-亏值与逆P-增广矩阵关系定理,最后给出这些理论结果的应用。     

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。     

P-信息融合与它的P-矩阵推理智能生成

利用P-增广矩阵推理,给出信息融合智能筛选-发现的理论与应用研究,信息融合智能筛选-发现是在P-增广矩阵推理条件下得到的。P-增广矩阵是利用P-集合的结构、动态特征及改进普通增广矩阵被提出的。论文给出利用P-集合生成P-增广矩阵的方法与P-增广矩阵结构,提出P-增广矩阵推理模型并给出信息融合的智能生成方法和其筛选-发现定理,最后给出这些理论结果的应用。     

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。     

P-增广矩阵及其动态跟踪识别应用

P-增广矩阵是利用P-集合的动态特征改进普通增广矩阵得到的增广矩阵新结构.利用P-集合的结构与动态特征，给出P-增广矩阵与普通增广矩阵的关系，及P-增广矩阵的合取范式扩展-收缩逻辑特征；利用P-增广矩阵动态特性与系统工作状态吻合的规律，把P-增广矩阵数学模型应用于动态跟踪识别系统，为判断系统的状态特征提供了新的方法.     

信息规律智能变换-伪装与P-规律增广矩阵

利用函数P-集合的动态结构,改进普通增广矩阵概念,提出规律矩阵、内P-规律增广矩阵、外P-规律增广矩阵与P-规律增广矩阵,给出它们的结构、生成和属性关系。提出P-规律增广矩阵推理和推理结构,给出在P-规律增广矩阵推理条件下的规律智能分离、智能分离定理、信息规律智能分离算法及其在信息图像智能变换-伪装中的应用。     

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。     

P-信息规律智能融合与软信息图像智能生成

函数P-集合是P-集合的函数形式,函数P-集合具有动态特性、规律(函数)特性;函数P-集合是一个动态规律模型。函数P-集合是由函数内P-集合SF珔与函数外P-集合SF构成的函数集合对;或者,(SF珔,SF)是函数P-集合。P-信息规律推理是把函数概念引入到P-推理内,改进P-推理得到的;P-信息规律推理是一个动态信息规律推理;P-推理是利用P-集合被提出的。P-信息规律推理是由内P-信息规律推理与外P-信息规律推理共同构成。利用函数P-集合与P-信息规律推理交叉、渗透,本文研究了P-信息规律智能融合与软信息图像智能生成。给出P-信息规律推理结构,给出P-信息规律智能融合与它的P-信息规律推理生成;给出智能融合冗余-缺失与属性内-外融合特性;给出P-信息规律智能融合与它的属性合取范式扩展-收缩定理;给出P-信息规律智能融合的智能P-分离与还原;给出信息规律的拆分-合成与软信息图像智能生成。函数P-集合是研究信息规律融合的新方法与新理论。     

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。     

内P-信息融合与信息过滤-辨识

P-集合(packet sets)是一个动态模型,P-集合是由内P-集合X~F(internal packet set X~F)与外P-集合(outer packet set X~F)构成的元素集合对;或者(X~F,X~F)是P-集合.利用内P-集合与信息融合交叉,给出内P-信息融合概念,给出一些基本理论结果,并利用这些特性进行信息过滤-辨识.最后利用这些结果给出应用.     

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。     

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。     

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。     

308外P-隐性信息与它的生成-融合

P-集合(packet set)是由内P-集合X-F(internal packet set X-F)与外P-集合XF(outer packet set XF)构成的集合对,或者(XF,XF)是P-集合.把生物学中"隐性","显性"概念与外P-信息交叉、嫁接,得到P-集合具有显性、隐性特征;对外P-集合的隐性特征进行研究,提出了外P-隐性信息、显性信息等概念,给出了外P-隐性信息特征与外P-推理生成定理,给出了外P-隐性信息的外P-推理搜索算法;最后给出外P-隐性信息在动态信息挖掘中的应用.