S-粗集与它的-F干扰依赖还原

利用单向S-粗集对偶（dual of one direction singular rough sets）给出了知识的f^-干扰生成与还原,单向S-粗集对偶的F^-干扰生成与还原的概念,在这些概念的基础上提出了F^-干扰定理,F^-干扰盈余定理,F^-干扰分辨定理,干扰依赖还原定理,干扰依赖还原原理,给出F^-干扰的应用.     

F-干扰规律生成与特征识别

利用单向S-粗集对偶给出知识的f-干扰生成与f-干扰规律生成,单向S-粗集对偶的F-干扰生成与F-干扰规律生成的概念,基于这些概念提出了F-干扰盈余与F-干扰度关系定理、F-干扰盈余规律与F-干扰度规律关系定理、F-干扰分辨定理、F-干扰规律分辨定理,给出了F-干扰规律识别准则与应用。     

F-干扰规律生成与它的特征识别

利用单向S-粗集概念给出了知识的f-干扰生成与f-干扰规律生成，单向S-粗集的F-干扰生成与F-干扰规律生成的概念.提出了F-干扰损失与F-干扰度关系定理，F-干扰损失规律与F-干扰度规律关系定理，F-干扰分辨定理，干扰规律分辨定理，给出了F-干扰规律识别准则与应用.     

■-知识与它的还原

利用单向S-粗集对偶,给出■-知识与■知识的F-还原概念,提出■-知识的F-还原定理与F-还原的属性补充冗余原理;单向S-粗集对偶是S-粗集的基本形式之一.     

(F)-知识与它的还原

利用单向S-粗集对偶, 给出(F)-知识与知识的F-还原概念,提出(F)-知识的F-还原定理与F-还原的属性补充冗余原理;单向S-粗集对偶是S-粗集的基本形式之一.     

-干扰规律生成与特征识别

利用单向S-粗集对偶给出知识的(-f-)干扰生成与(-f-)干扰规律生成,单向S-粗集对偶的(-F-)干扰生成与(-F-)干扰规律生成的概念,基于这些概念提出了(-F-)干扰盈余与(-F-)干扰度关系定理、(-F-)干扰盈余规律与(-F-)干扰度规律关系定理、(-F-)干扰分辨定理、(-F-)干扰规律分辨定理,给出了(-F-)-干扰规律识别准则与应用.     

F-知识与它的隐藏-依赖特征

S-粗集(singular rough sets) 存在三种形式: 单向S-粗集(one direction singular rough sets), 单向S-粗集对偶(dual of one direction singular rough sets)和双向S-粗集(two direction singular rough sets)。 S-粗集具有动态特性, 遗传特性, 记忆特性和隐藏特性。 利用S-粗集, 给出了f-隐藏知识, F-隐藏知识, 隐藏度和隐藏-依赖度的概念, 提出了关于隐藏知识的隐藏定理和隐藏-依赖定理, 并给出应用。     

函数S-粗集与投资风险F-规律发现

利用函数F-粗集概念给出了规律的f-遗传, f-遗传规律生成,函数单向S-粗集的F-遗传, F-遗传规律生成等概念.提出了F-遗传规律包络定理, F-传递规律分离定理.利用这些结果,给出函数单向S-粗集与投资风险F-规律的发现与应用.     

函数单向S-粗集对偶与F--预测规律发现

函数S-粗集理论是粗集理论的拓展,函数单向S-粗集对偶是函数S-粗集的三类形式之一. 函数S-粗集具有规律特性、动态特性、遗传特性、记忆特性与预测特性. 利用函数单向S-粗集对偶的动态特征, 给出-预测规律、F-预测规律和预测度概念, 提出预测规律的预测定理, 并在通信传输识别系统中给出应用. 函数S-粗集(函数单向S-粗集、函数单向S-粗集对偶、函数双向S-粗集)与信息系统融合、交叉是粗集理论中的一个新的研究方向.     

单向S-对偶粗决策规律与决策规律挖掘

利用单向S-粗集对偶,给出单向S-对偶粗决策规律生成方法;给出上决策规律,下决策规律,单向S-对偶粗决策规律核,单向S-对偶粗决策规律带的概念. 利用这些概念,提出下决策规律传递定理, 上决策规律传递定理,分离的属性定理,粗决策规律挖掘定理与粗决策规律挖掘准则.     

函数单向S-粗集生成的F-模型

利用函数单向S-粗集, 给出R-函数等价类［u(x)］的f-模型与f-t阶单向动态模型的生成及有关概念, 给出F-模型与F-单向动态模型生成及有关概念, 提出F-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上的属性补充。利用这些讨论, 给出F-模型生成原理及应用。     

F-规律挖掘

函数单向S-粗集对偶（dual function one direction singular rough sets）是以R-函数等价类[u]定义的,ui∈[u]是一个函数,函数是一个规律。利用函数单向S-粗集对偶的规律特征,给出F-规律挖掘的概念,提出F-规律挖掘定理。F-规律挖掘是寻找经济发展中未知规律的一个新的研究方向。     

函数S-粗集与系统状态F-识别

利用函数单向S-粗集对偶, 给出系统状态规律生成概念;提出系统状态识别第一定理与第二定理, 给出系统状态识别准则. 利用这些结果,给出函数S-粗集在系统状态-识别中的应用.     

函数S-粗集与系统状态■-识别

利用函数单向S-粗集对偶,给出系统状态规律生成概念;提出系统状态识别第一定理与第二定理,给出系统状态识别准则.利用这些结果,给出函数S-粗集在系统状态-F-识别中的应用.     

S-粗决策及其F-干扰生成

针对动态决策系统具有的干扰特性和决策的不确定性,利用双向S-粗集提出了F-干扰粗决策与F-干扰粗决策规律的概念,并对F-干扰粗决策生成与F-干扰粗决策规律生成的特性进行了讨论,给出了F-干扰粗决策规律不可分辨定理与识别准则和应用.通过讨论和应用,说明利用F-干扰粗决策规律有助于在动态决策系统中分辨-识别出异常干扰,修正系统做出的决策,保证决策的安全.     

S-粗等价类与知识动态挖掘-发现

在单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)基础上,给出S-粗等价类、S-粗等价类对偶与粗等价类的概念与结构;讨论了三种等价类之间的关系;得到S 粗等价类与S-粗等价类对偶的属性定理与动态分离定理;给出S 粗等价类在知识动态挖掘-发现中的应用。     

函数单向S-粗集对偶的信度特征

利用函数单向S-粗集对偶的结构,给出函数迁移的信度特征,函数集Q'的下近似信度特征,函数集Q'的上近似信度特征,利用这些结果,给出函数单向S-粗集对偶的信度特征,提出函数单向S-粗集对偶的随机结构与随机定理.函数单向S-粗集对偶的结构是函数单向S-粗集对偶的随机结构的特例,函数单向S-粗集对偶的随机结构是函数单向S-粗集对偶结构的一般形式.     

单向变异S-粗集对偶的概率特征

利用单向变异S-粗集对偶的结构,给出属性迁移的概率特征:属性集α的下近似概率特征,属性集α的上近似概率特征,利用这些结果,给出单向变异S-粗集对偶的概率特征,提出单向变异S-粗集对偶的随机结构与随机定理.单向变异S-粗集对偶的结构是单向变异S-粗集对偶的随机结构的特例,单向变异S-粗集对偶的随机结构是单向变异S-粗集对偶结构的一般形式.     

函数S-粗集与它生成的F-隐形图像特征

利用甬数S-粗集,给出图像生成;提出F-隐形图像的概念,给出F-隐形图像的构成结构;给出F-隐形图像的属性特征;提出F-隐形图像分离定理与还原定理,给出F-隐形图像在图像信息系统中的应用.     

单向S-粗模糊集对偶及其结构

基于动态系统,结合模糊集理论和单向S-粗集理论,提出了单向S-粗模糊集对偶的概念及其结构,对F-特性进行了讨论,给出了应用.