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。     

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。     

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。     

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。     

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。     

P-集合与双P-数据恢复-辨识

利用P-集合（packet sets）,介绍内P-数据、外P-数据、 双P-数据概念;双P-数据由内P-数据与外P-数据共同构成;分析双P-数据动态特性。利用这些概念,描述双P-数据依赖与双P-数据依赖的同心圆定理,提出双P-数据恢复-辨识定理与双P-数据恢复-辨识准则,并给出应用。双P-数据恢复-辨识是信息系统中的一个新的研究领域,P-集合是这个研究领域中的一个新工具。     

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。     

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。     

F-规律推理与规律挖掘

对S-粗集给出改进,把函数这个分析工具引入到S-粗集中,提出函数S-粗集(function singularrough sets)。函数单向S-粗集(function one direction singular rough sets)是函数S-粗集的基本形式之一,它是以R-函数等价类[u]定义的;ui∈[u]是一个函数,函数是一个规律。函数单向S-粗集具有单向动态特性与规律特征:利用函数单向S-粗集的规律特征,给出F-规律推理与F-规律推理的规律挖掘概念,提出F-规律推理的规律挖掘定理,F-规律推理的规律挖掘原理与F-规律推理的规律挖掘应用。F-规律推理的规律挖掘是寻找系统中未知规律研究的一个新的研究方向。     

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。     

红外隐身涂料涂敷效果仿真

通过涂料的涂敷实现隐身是装备隐身的主要手段之一。针对涂敷过程的特点,提出了一种涂敷效果的红外仿真模型。首先,根据海上目标的特定环境,基于目标面元的计算,建立了海上目标的红外隐身涂料辐射模型;其次,根据探测器目标检测特点,给出了相应的红外检测模型;最后,综合目标的辐射与探测器的接收效果,给出了整体的涂敷仿真方法,建立了相应的涂敷效果仿真平台。多种实验证明,本文的算法速度快,红外仿真效果与实际接近,并且可以通过参数方便地进行调整,以显示不同涂敷方法和不同环境下的影响效果。     

基于迁移学习和注意力机制的伪装图像分割

不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重...     

基于背景还原的红外伪装效果评价方法

针对复杂环境背景下目标红外伪装效果评价问题, 提出了一种基于背景还原的红外伪装效果评价方法。首先利用改进的Criminisi算法对目标遮蔽下的背景区域进行修复, 得到背景还原图像, 然后与原图进行相似性度量; 考虑到实际还原背景与理想还原背景之间因图像修复算法局限性而引起的偏差, 使用IL-NIQE模型对背景还原图像的修复质量和还原效果进行评价; 最后将相似性度量值与还原效果度量值进行非线性融合, 完成目标红外伪装效果的综合评价。实验表明, 该评价方法符合人眼视觉特性, 能够对复杂环境背景下目标的红外伪装效果进行较好的客观评价。