S-粗集与它的(F)-记忆

利用F-记忆S-粗集与它的F-记忆特性,F-记忆S-粗集与它的F-记忆特性,给出（f,f）-知识,F-乒记忆S-粗集的概念,利用这些概念,提出F-记忆的F-记忆显性定理,F-记忆的F-记忆显性定理,乒记忆的不变性定理,F-记忆可分辨定理,系统状态稳定的记忆识别准则,并给出应用实例．指出了（f,f）-记忆知识与系统状态稳定识别之间存在着必然的联系．     

(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.     

S-粗集与它的F-记忆

利用S-粗集(singular ough sets)和S-粗集的遗传特性,给出知识的f-记忆和S-粗集的F-记忆的概念．利用这些概念,提出S-粗集的F-记忆特性,S-粗集的F-记忆定理,F-记忆链上知识丢失原理．F-记忆是S-粗集的重要特征之一．     

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。     

P-集合与（-↑F,F）-数据生成-辨识

P-集合（packet sets）是一个集合对,它由内P-集合（internal packet sets）与外P-集合（outer packet sets）共同构成,P-集合具有动态特性。利用P-集合,给出数据集合,-↑F-数据集合,F-数据集合与（-↑F,F）-数据集合概念;提出-↑F-数据集定理,F-数据集定理,（-↑F,F）-数据带定理,数据集合恢复定理,（-↑F,F）-数据辨识定理,给出辨识准则。利用这些结果,给出（-↑F,F）-数据在信息系统中的应用。P-集合是研究动态信息系统的一个新理论与新方法。     

F-粗规律与它的属性控制

函数单向S-粗集(Function one direction singular rough sets)是用具有动态特性的R-函数等价类［u］定义的, 函数单向S-粗集具有规律(函数)特征。 利用函数单向S-粗集, 给出F-粗规律(w-(x)F,w-(x)F)的结构, 粗规律(w-(x),w-(x))的属性特征, 属性距离, 状态系数概念, 利用这些概念, 提出F-粗规律与它的属性控制, 给出属性控制准则, 属性控制定理与应用。F-粗规律与它的属性控制是函数S-粗集(Function singular rough sets)中的一个新的应用研究方向。     

外P-集合生成的(-f)-模型

2008年,山东大学史开泉教授提出P-集合(packet sets)的概念,P-集合是一个集合对,它由内P-集合(internal packet sets)与外P-集合(outer packet sets)共同构成;P-集合具有动态特性.本文利用P-集合理论,给出外P-集合的, (-f)-模型与 (-f)-t阶单向动态模型的生成及有关概念,提出 -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上的属性删除.利用这些讨论,给出(-f)-模型生成原理及在动态信息系统中的应用.     

P-集合与(,F)-数据生成-辨识

P-集合(packet sets)是一个集合对, 它由内P-集合(internal packet sets)与外P-集合(outer packet sets)共同构成, P-集合具有动态特性。利用P-集合,给出数据集合, 数据集合,F-数据集合与(,F)-数据集合概念;提出-数据集定理, F-数据集定理, (,F)-数据带定理,数据集合恢复定理, (,F)-数据辨识定理,给出辨识准则。 利用这些结果, 给出(,F)-数据在信息系统中的应用。P-集合是研究动态信息系统的一个新理论与新方法。     

-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.     

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.     

一类单叶函数的Fekete-Szeg问题

设f(z)=z+(∞∑n=2)anzn∈B(α,β,γ),其中B(α,β,γ)是一α型β级巴西列维奇函数类,本文讨论了B(α,β,γ)中函数f(z)的Fekete-Szeg(o)问题,得到了| a3-λa22|(0≤λ≤1)的准确估计,一些已知的结论是本文的特例.     

完全阿基米德半群上关系H^＊

给出了完全阿基米德半群上关系H^＊是同余的若干等价条件．     

非线性Schroedinger方程的近似惯性流

考虑了具有耗散项的非线性Schroedinger方程iaε/at a^2ε/ax^2 g(|ε|^2)ε iaε h=0，构建了它的两个非线性近似惯性流形，进一步得到了这两个近似惯性流形逼近方程全局吸引子的阶数估计。     

Heyting代数上的运算与nucleus

在有零元的Heyting代数上定义了一种运算(○×),并讨论了这种运算和Heyting代数上nucleus的一系列性质.     

内积空间中的Moebius变换

将Moebius变换的概念推广到了内积空间中，并采用一种纯几何的方法，讨论了内积空间中的Moebius变换和保交比映射之间的等价关系．     

遗传正规弱θ↑——空间的无限乘积

主要证明(1)如果X=∏σ∈∑Xσ是遗传∑-仿紧空间,则是遗传正规弱θ-可加空间当且仅当F∈∑<ω,∏σ∈∑FXσ是遗传正规弱θ-可加空间.(2)设X=∏i∈ωXi是遗传可数仿紧的,则下列三条件等价是遗传正规弱θ-可加的;F∈ω<ω,∏i∈FXi是遗传正规弱θ-可加的;n∈ω,∏i≤nXi是遗传正规弱θ-可加的.     

1^＊一次仿紧性的闭Lindeloef逆像

证明了闭Lindeloef映射逆保持1^*一次仿紧性，作为推论，完备映射逆保持1^*一次仿紧性．     

应用Bernouli序列求的一种方法

采用初等数学方法,直接定义Bernouli序列,用数学归纳法证明了Bk(n+1)-Bk(n)=knk-1,并用此式得到∑ n i=1 ik的求和公式.     

超图的最小边数与染色问题

讨论了3一致l-超图的最小边数问题,给出了上色数为2的3一致l-超图的最小边数的一个上界.     

关于强拟凸域上δ-方程解的Hoelder估计

利用拓广的Bochner-Martinelli核和Henkin & Leiterer构造的关于D的Leray映射,研究了Cn中具有C2-光滑边界的强拟凸域D上拓广的Koppelman-Leray公式及( )-方程解的拓广的积分表示.在得到拓广后的BDf的α-H(o)lder估计(0＜α＜1)和Rw( )Df的1/2-H(o)lder估计的基础上,本文给出了强拟凸域D上( )-方程解的拓广式的1/2-H(o)lder估计.