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。     

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。     

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.     

Packet sets and -F - drift law recovery

P-集合是研究动态信息系统与动态信息规律的一个新理论与新方法.利用p-集合,给出F-漂移规律生成概念,提出F-漂移规律辨识定理;给出F-漂移规律恢复概念,提出F-漂移规律恢复定理.利用这些结果,给出F-漂移规律恢复的应用与实证.     

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。     

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。     

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。     

-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^-F-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^-F-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,给出^-F-残缺数据的应用。     

P-集合与-漂移规律恢复

P-集合是研究动态信息系统与动态信息规律的一个新理论与新方法.利用P-集合,给出-漂移规律生成概念,提出-漂移规律辨识定理;给出-漂移规律恢复概念,提出-漂移规律恢复定理.利用这些结果,给出-漂移规律恢复的应用与实证.     

基于随机P-集合的规律生成及其在非稳态系统中的应用

在P-集合概念的基础上,根据元素迁移的随机性,提出随机P-集合的概念,给出了随机P-集合的数据规律生成和P-数据规律萎缩-扩张定理,P-数据规律还原定理及P-数据规律分辨定理,给出了随机P-集合在非稳态系统中的应用.     

P-集合与数据挖掘-还原

在P-集合的基础上给出了数据w的(■,F)-挖掘、挖掘尺度和挖掘还原系数的概念,讨论了数据w的属性特征,得到数据w挖掘的可分辨定理、数据的外还原与数据的内还原定理.为数据处理提供了一个新的数学工具.     

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。     

函数P-集合与信息规律动态特征

函数P-集合(function packet sets)是一个新的数学结构,它具有动态特性,规律特性。利用这一特性,讨论函数P-集合生成的动态信息规律特征,提出信息规律区间稳定的概念,给出信息规律区间稳定的内点定理、信息规律区间稳定的外点定理、信息规律区间稳定的属性定理,并给出区间[a,b]上动态信息规律的应用。     

（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。     

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。     

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。