The Hiding Characteristic of F-interior Hiding Image and Its Applications

, By using function one direction S-rough sets, the concept of F-interior hiding image is presented; the theorem of F-interior hiding and the recognition criteria of interior hiding are proposed;and the applications of F-interior hiding image are given. F-interior hiding image is a new application area of function S-rough sets, and function S-rongh sets is a new theory and new tools for iconology research.     

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。     

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。     

基于元素干扰S-粗集知识的推理-识别

利用数理逻辑中命题逻辑的形式,给出元素干扰与关系因子的逻辑推理表示,然后给出知识系统受到外部因素干扰时,知识的逻辑推理表示,以及S-粗集的逻辑推理表示,给出知识的动态推理与识别定理,S-粗集的动态推理与识别定理。解决了元素干扰对系统进行干扰时,S-粗集知识的动态推理与识别问题。     

数据智能分类与分类智能检索-识别

基于具有动态特征的P-集合模型,针对∧型大数据,定义新概念α^F-数据等价类、α^(-overF)-数据等价类和(α^F,α^(-overF))-数据等价类,分析数据边界特征与度量,提出数据推理及推理结构。论文的主要结果是针对数据元的冗余与缺失定义数据边界收缩与扩张的度量,分析数据推理得到数据分类生成定理,设计数据智能检索算法与数据智能检索-识别准则,给出应用。     

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.     

F-粗积分的度量与药效识别

在函数单向S-粗集的基础上给出了F-粗积分的概念,利用F-粗积分给出了萎缩度与萎缩率的概念,萎缩度与萎缩率可以将F-粗积分的动态变化过程量化, 在医学领域中用这两个量来比较不同药物或同一药物不同剂量对同一种病变的治疗效果。     

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。     

信息向量的粗相似度与知识掺掘

利用粗信息矩阵与相似度的概念，提出信息向量的粗相似度矩阵的概念，完整地讨论了粗相似度、粗相似度矩阵的性质，给出了粗相似度矩阵的生成特性及重要的定理。     

粗规律与它的单向安全

利用函数单向S-粗集(function one direction singular rough sets),给出粗规律的概念,粗规律是被w(x)-,w(x)-构成的规律对{w(x)-,w(x)-};因为函数单向S-粗集的属性集{α-,α-}发生变化,粗规律{w(x)-,w(x)-}也发生变化.利用椭圆曲线,给出粗规律锁住概念,提出粗规律锁住定理,并给出应用.