函数S-粗集与粗规律挖掘-分离

研究了函数S-粗集的本质和特性,及其用于挖掘系统的潜在规律。利用函数S-粗集(单向函数S-粗集,双向函数S-粗集)的数学结构和特性,给出系统中粗规律模型的生成方法。给出了利用函数S-粗集进行系统中的粗规律挖掘与分离的讨论,和系统中粗规律分离的应用。例子证明,函数S-粗集是系统规律挖掘的一个有力工具。     

知识过滤和它的依赖推理发现

知识具有颗粒，知识具有粒度；颗粒，粒度是知识的两个基本特征；知识的颗粒特征，知识的粒度特征与知识的属性保持着紧密联系，属性的变化引起知识颗粒特征，知识粒度特征的变化．本文将物理学中物质具有颗粒的概念和过渡的概念引入到粗集（rough set）理论与应用的研究中，提出了知识过滤的概念，给出知识过滤的数值度量，知识筛子原理．利用知识过滤的概念，给出知识过滤在依赖推理中的推理结构，依赖推理的数值关系和在知识发现中的应用．知识过滤与依赖推理相互交叉，互补共享，是知识发现研究的一个新方向．     

S-粗集和它的一般结构

给出论域U上元素迁移F，F，单向奇异集合，双向奇异集合的概念；利用这些概念，提出奇异粗集，简称S－粗集，给出S－粗集的数学结构，S－粗集的存在背景和意义解释。S－粗集包含两种结构：单向S－粗集，双向S－粗集；S－粗集是研究系统动态近似特性，知识挖掘，知识发现的一个新的理论工具。     

粗糙集代数关系的图结构分析

粗糙图理论是知识发现、知识挖掘的新的理论工具.结合粗糙图理论,构造了基于代数算子的粗糙图结构,将分析多个粗糙集之间的代数关系映射为相应粗糙图的结构分析.结合粗糙图理论中的类最短路算法,以情感计算中挖掘性格规律为例说明了该方法的应用过程.粗糙集代数关系的图结构分析是粗糙集理论中又一研究方向.     

(F,■)-规律推理与规律挖掘

给出了(F,■)-规律推理以及(F,■)-规律推理的规律挖掘概念,提出了(F,■)-规律推理的规律挖掘定理与(F,■)-规律推理的规律挖掘原理.     

(-F)-生成规律与系统规律识别

一个系统(控制系统、通讯系统)没有受到某个规律的干扰(或攻击),则系统处于稳定运动状态或者按预定的规律运动.未知规律进入到系统中,对系统进行干扰,使得系统的运动规律紊乱.利用函数单向S-粗集对偶(dual of function one direction singular rough sets),给出系统中(-F)-生成规律的概念,给出(-F)-生成规律的生成模型和对系统规律的识别.函数单向S-粗集对偶是识别系统中存在干扰规律,识别系统规律的一个新的理论与方法.     

P-增广矩阵推理与信息的智能分解挖掘

利用内P-增广矩阵推理、外P-增广矩阵推理与P-增广矩阵推理分别给出信息智能内-分解、信息智能外-分解与信息智能内-外分解, 给出它们的属性关系、内-分解生成的信息智能分解挖掘、外-分解生成的信息智能分解挖掘与内-外分解生成的信息智能分解挖掘、分解挖掘定理与分解挖掘准则,最后,给出信息智能分解挖掘的应用。     

内P-信息显性-隐性分离与显性-隐性分离定理

把内P-集合X定义成内P-信息(x),利用内P-集合的特性,给出内P-信息显性分离、隐性分离概念和分离定理,最后,给出内P-信息显性-隐性分离生成的属性特征。     

混合记忆信息与记忆信息筛选

P集合（packet sets）是把动态特性引入到有限普通集合X中,改进有限普通集合X而提出的;P集合具有动态特性。信息系统存在丢失信息元与增加信息元的现象,把生物的记忆特征引入到这两个现象中,利用P集合,给出F-记忆信息,F-记忆信息与混合记忆信息的概念与特征,给出记忆度量概念与记忆信息的筛选定理。此外,提出记忆信息的依赖性定理及混合记忆不变性定理,给出记忆信息的应用。信息被记忆是P 集合具有的诸多应用特性之一。