逆P-等价类的逆P-推理分离-还原

 逆P-集合是把动态特性引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。逆P-集合是由内逆P-集合F与外逆P-集合构成的集合对;或者,(F,)是逆P-集合。逆P-集合具有动态特性。逆P-推理是逆P-集合生成的一个动态推理,它是由内逆P-推理与外逆P-推理共同构成的。利用逆P-集合和逆P-推理, 给出逆P-等价类、内逆P-等价类和外逆P-等价类概念,逆P-等价类与普通等价类的关系,逆P-等价类的逆P-推理分离-还原与分离-还原定理。在静态-动态条件下,普通等价类是逆P-等价类的特例,逆P-等价类是普通等价类的一般形式。     

内逆 P-信息智能融合与属性析取扩展关系

逆P-集合是由内逆P-集合与外逆P-集合共同构成的动态模型。逆P-推理是由逆P-集合生成的动态推理,它由内逆P-推理与外逆P-推理共同构成。利用内逆P-集合与内逆P-推理交叉、渗透,给出内逆P-信息智能融合生成与它的属性特征、信息智能融合度与信息智能融合系数概念、外-信息智能融合环定理与融合度-融合系数定理,最后给出内逆P-信息智能融合与它的属性析取扩展结构与属性析取扩展定理。     

内逆P-信息智能融合与属性析取扩展关系

逆P-集合是由内逆P-集合与外逆P-集合共同构成的动态模型。逆P-推理是由逆P-集合生成的动态推理,它由内逆P-推理与外逆P-推理共同构成。利用内逆P-集合与内逆P-推理交叉、渗透,给出内逆P-信息智能融合生成与它的属性特征、信息智能融合度与信息智能融合系数概念、外-信息智能融合环定理与融合度-融合系数定理,最后给出内逆P-信息智能融合与它的属性析取扩展结构与属性析取扩展定理。     

函数逆P-集合与信息规律融合

利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F,珔SF珔)是函数逆P-集合。在一定条件下,函数逆P-集合(S珔F,S珔F珔)被还原成有限普通函数集合S。逆P-集合是把动态特征引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。函数逆P-集合具有与函数P-集合相反的动态特征、规律(函数)特征。本文给出函数逆P-集合的结构、还原和它的函数等价类特征。利用数据拆分-合成原理,给出逆P-信息规律融合与它的生成;给出逆P-信息规律融合的属性特征与属性定理。利用这些结果,给出逆P-信息规律融合生成的隐形信息图像与它的应用。函数逆P-集合与函数P-集合是两个独立的、特征不同的新模型。     

信息智能融合与它的P-增广矩阵推理生成

P-集合是一个具有动态特征的数学模型,它是把动态特性引入到有限普通元素集合X内,改进有限普通元素集合X被提出的。P-增广矩阵是改进普通增广矩阵,利用P-集合得到的。利用P-集合的动态特性与P-增广矩阵结构,本文给出P-增广矩阵推理与推理结构、信息智能融合以及信息融合与与P-增广矩阵的关系;给出信息智能融合的分离与信息智能融合的分离具有的属性智能特征;给出这些理论研究的应用。     

P-信息规律智能融合与软信息图像智能生成

函数P-集合是P-集合的函数形式,函数P-集合具有动态特性、规律(函数)特性;函数P-集合是一个动态规律模型。函数P-集合是由函数内P-集合SF珔与函数外P-集合SF构成的函数集合对;或者,(SF珔,SF)是函数P-集合。P-信息规律推理是把函数概念引入到P-推理内,改进P-推理得到的;P-信息规律推理是一个动态信息规律推理;P-推理是利用P-集合被提出的。P-信息规律推理是由内P-信息规律推理与外P-信息规律推理共同构成。利用函数P-集合与P-信息规律推理交叉、渗透,本文研究了P-信息规律智能融合与软信息图像智能生成。给出P-信息规律推理结构,给出P-信息规律智能融合与它的P-信息规律推理生成;给出智能融合冗余-缺失与属性内-外融合特性;给出P-信息规律智能融合与它的属性合取范式扩展-收缩定理;给出P-信息规律智能融合的智能P-分离与还原;给出信息规律的拆分-合成与软信息图像智能生成。函数P-集合是研究信息规律融合的新方法与新理论。     

逆P-集合

利用P-集合(Packet sets),提出逆P-集合(Inverse packet sets),给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F(Internal inverse packet set X珔F)与外P-1-集合X珔F珔(Outer inverse packet set X珔F珔)构成的集合对;或者(X珔F,X珔F珔)是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

逆P-集合

利用P-集合（Packet sets）,提出逆P-集合（Inverse packet sets）,给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F（Internal inverse packet set X珔F）与外P-1-集合X珔F珔（Outer inverse packet set X珔F珔）构成的集合对;或者（X珔F,X珔F珔）是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

P-集合与内 P-信息的显性-隐性特征

P-集合（ packet sets）是把动态特性引入到有限普通集合X（ cantor set X）内,改进有限普通集合X被提出的。P-集合具有动态特性,P-集合是由内P-集合XF珔（internal packet set XF）与外P-集合XF（outer packet set XF）构成的元素集合对,或者（XF,XF）是P-集合。利用内P-集合结构与生物学中显性基因和隐性基因概念交叉,给出内P-信息的显性、隐性概念;给出内P-信息显性特征、隐性特征与度量,给出内P-信息的显性、隐性定理和由此生成的属性特征。显性-隐性是P-集合的重要特征之一。     

外P-信息生成与它的推理-搜索发现

利用P-集合,给出P-等价类。P-等价类是由内P-等价类[X]F珔与外P-等价类[x]F构成的等价类对;或者,([x]F珔,[x]F)是P-等价类。P-等价类具有动态特征。在一定条件下,P-等价类能被还原成普通等价类[x]。给出P-等价类度量与度量的离散区间定理。利用P-等价类与P-推理,给出未知P-信息推理发现与发现定理。最后给出外P-信息推理发现在信息系统中的应用。     

P-规律推理与未知规律发现-应用

函数P-集合(Function packet sets)是由函数内P-集合(Function internal packet set)与函数外P-集合(Functionouter packet set)构成的函数集合对,它具有动态特征与规律特征。利用函数P-集合,给出内P-迭代规律、外P-迭代规律、P-迭代规律概念与存在定理以及P-迭代规律属性补充-删除定理。利用P-迭代规律,给出P-规律推理的定义与结构,得到P-规律推理与未知规律发现定理,最后给出P-规律推理在风险投资中未知规律的发现应用。     

外P-推理与外发散信息的搜索-发现

利用P-集合得到P-推理(packet reasoning),P-推理是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的.P-推理是一个动态推理,具有智能特征;外P-推理生成的信息具有外发散特性,把这种特性应用于未知信息查找中,提出了外发散信息等概念;并对外发散信息进行了研究,给出了几个基本理论结果;并由这些结果得到外发散信息的外P-推理搜索算法;最后给出应用实例.     

函数P-集合

把函数概念引入到P-集合（packetsets）中,改进P-集合,提出函数集合（function packet sets）,给出函数集合的结构。函数P-集合具有动态特性和规律特性。函数P-集合是由函数内P-集合S^F（function internal packet set S^F）与函数外P-集合S^F（function outer packet set S^F）构成的函数集合对;或者,（S^F,S^F）是函数P-集合。P-集合是函数P-集合的特例,函数P-集合是P-集合的一般形式。在一定条件下,函数P-集合能够回到函数集S的“原点”。给出函数P-集合在未知信息规律发现中的应用,这些未知的信息规律潜藏在信息系统中,它们不被人们事先知道。     

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。