外P-集合与数据内-恢复

外P-集合(outer packet sets)是P-集合(packet sets)的一个部分,它是P-集合的一个概念;利用外P-集合,提出F-数据与F-数据内-恢复概念;给出F-数据内-恢复定理及内-恢复的属性删除无效原理,利用这些结果给出应用。     

外P-集合与F-信息伪装

P-集合（packet sets）是一个集合对,它是由内P-集合（internal packet sets）与外P-集合（outer packet sets ）共同构成。P-集合具有动态性,利用外P-集合,给出F-信息伪装与F-信息伪装生成概念;提出F-信息伪装度量定理与信息伪装被恢复〖CD*2〗还原定理;给出辨识准则与方法。利用这些结果,给出F-信息伪装被恢复还原的应用。P-集合是研究动态信息系统的一个新理论和新方法。     

内P-集合与F-内嵌入信息发现-辨识

P-集合是由内P-集合X^F 与外P-集合X^F 构成的有序集合对,它具有动态特性。利用内P-集合X^F,给出F-内嵌入信息(x)^F、F-内嵌入系数IEC(x)^F 与F-内嵌入度IED(x)^F的概念,得到F-内嵌入信息存在性定理、依赖关系定理与可辨识性定理。在这些概念与结果的基础上,给出F-内嵌入信息在目标搜索中的应用。     

P-集合与动态信息的依赖-发现

P-集合是一个集合对,它是由内P-集合(internal packet set)与外P-集合(outer packet set)共同构成。P-集合具有动态特征,是通过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,也可得到P-集合。利用P-集合的结构与动态特性,给出动态信息生成和动态度的概念,提出动态信息生成的依赖特性、动态信息依赖、信息依赖-发现定理和信息依赖-发现准则等。最后,给出动态信息依赖-发现在信息状态识别中的应用。     

数据离散区间特征与数据发现-应用

P-集合(packet-sets)具有动态特性,它是由内P-集合 X^F- (internal packet set X^F- )与外P-集合 X^F(outer packet set X^F )构成的集合对 ( X^F-, X^F )。利用P-集合,给出F- -数据离散区间、F-数据离散区间的概念;利用这些概念,给出信息系统输出数据的数据离散区间特征,给出数据过滤概念;提出数据离散区间定理、数据还原定理、数据过滤定理、数据过滤剩余与数据辨识定理,给出应用。P-集合是研究信息系统输出数据变化的一个新理论与新方法。     

内P-信息伪装与真伪信息辨识

P-集(Packet sets)是把动态特征引入到有限普通集X中，改进有限普通集X而提出的。利用P-集的结构与动态特征，提出内P-信息伪装的概念，给出内P-信息伪装生成，内P-信息伪装结构；得到内P-信息伪装的圆环定理、真伪信息认证定理及内P-信息伪装的还原-辨识，给出真伪信息辨识的应用。     

逆P-信息智能融合与信息智能隐藏的隐性传递

利用逆P-集合与逆P-推理交叉、渗透,给出逆P-信息智能融合生成;利用逆P-集合的属性析取特征,给出属性析取扩展收缩条件下的逆P-信息智能融合发现。给出逆P-信息智能融合生成的信息智能外-隐藏,信息智能内-隐藏与信息智能隐藏。给出信息智能隐藏还原;给出信息智能隐藏在信息隐性传递中的应用。     

迭代F-内嵌入信息生成及其遗传发现－应用

F-半P-集合是把动态特性引入到康托集合X中得到的一个新的数学结构与数学模型。F-半P-集合是由内P-集合X^F与康托集合X构成的集合对。利用内P-集合,给出迭代F-内嵌入信息与迭代F-内嵌入信息的F-遗传概念。迭代F-内嵌入信息的F-遗传是把生物学中的遗传与迭代F-内嵌入信息进行交叉获得的。利用这些概念,给出迭代F-内嵌入信息存在性定理、迭代F-内嵌入信息的F-遗传定理与F-遗传信息的还原定理。在此基础上,给出迭代F-内嵌入信息的F-遗传发现与应用。F-半P-集合是研究动态系统工程的一个新理论。     

单向S-粗集对偶与数据筛选-过滤的扩展应用

S-粗集(singular rough sets)是对Z.Pawlak粗集的改进,单向S-粗集对偶(dual of one direction sin-gular rough sets)是S-粗集的基本形式之一。利用单向S-粗集对偶,给出数据属性,数据筛选-过滤概念,数据筛选-过滤序定理,合成数据筛选-过滤定理,及数据筛选-过滤准则。利用这些结果,给出应用。单向S-粗集对偶是动态数据筛选-过滤研究的一个新工具。     

基于P-中值模型的电网检修公司分部选址模型

检修公司分部选址是电网公司实施专业化集中检修模式中的一个重要问题。按照建立电网检修公司分部所需满足的时效性以及经济成本最小化要求,构建了基于P-中值模型的电网检修公司分部静态选址方案和改进的P-中值模型的动态选址方案,并分别通过运用贪婪算法和枚举法进行实例分析,为集约化检修模式下检修公司分部的选址提供了一种有效的分析方法和决策依据。     

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。     

数组微分方程组广义同步系统理论研究

实现数组微分动力系统广义同步是进行图像保密通信的前提。在引入映射在矩阵域中下降这一新定义的基础上,提出了一个实现数组微分动力系统广义同步的新定理,给出了广义系统初始条件选取的方法,据此可构造通过线性变换达到广义同步的数组微分动力系统,即理论上可以构造出图像保密通信的发射系统和接收系统。通过引入实例,说明该定理构造一个广义同步的数组微分动力系统。数值模拟结果结果表明,运用定理构造成的数组广义同步系统实现了混沌广义同步。     

模糊判断矩阵的满意一致性检验

针对多属性决策中模糊判断矩阵的一致性问题,提出了影子排序因子及增序模糊判断矩阵的概念,证明了模糊判断矩阵满足满意一致性的充要条件。根据该充要条件给出了一种对模糊判断矩阵进行满意一致性检验的简便算法,最后结合算例介绍了模糊判断矩阵在满足满意一致性时的排序方法,并分析了其在不满足满意一致性时影响其满意一致性的可能因素。这种算法不仅较为简便实用,而且为专家对原始判断信息进行针对性修正提供了参考依据,对方案排序研究提供了新的思路。     

Hiding dependence-discovery of F-hiding laws and system laws

Function one direction S-rough sets have dynamic characteristics and law characteristics. By using the function one direction S-rough sets, this article presents the concepts of the f-hiding law, F-hiding law, f-hiding law dependence and F-hiding law dependence. Based on the concepts above, this article proposes the hiding-dependence theorem of f-hiding laws, the hiding-dependence theorem of F-hiding laws, the hiding-dependence separation theorem, the hiding dependencs-discovery principle of unknown laws. Finally, the application of the hiding dependence of hiding laws in the discovery of system laws is given.