外P-信息与它的反动态特性

P-集合(packet sets)是由内P-集合X(internal packet set X)与外P-集合XF(outer packet set XF)构成的元素集合对;或者,(X,XF)是P-集合;P-集合具有动态特性。利用外P-集合XF的结构与动态特性,对它的反动态特性给出研究,提出了基信息、外P-信息、F-补充信息、外P-反动态信息的概念;利用这些概念给出几个基本理论结果,利用这些基本结果,给出外P-反动态信息在信息系统中的应用。     

内P-信息与它的反动态特性

P-集合(packet sets)是由内P-集合XF(internal packet set XF)与外P-集合XF(outer packet set XF)构成的元素集合对(XF,XF).P-集合具有动态特性,利用内P-集合XF的结构与动态特性,提出它的反动态特性,给出了基信息、内P-信息、珚F-删除信息、内P-反动态信息等概念;给出了内P-反动态信息的范围,内P-反动态信息判定,内P-反动态信息最大度量,内P-有效删除信息,内P-剩余信息定理及推论;最后给出应用实例.     

P-集合副集与它的性质定理

 P-集合是由内P-集合与外P-集合构成的集合对,它具有动态特性。在P-集合的基础上,给出P-集合副集、P-集合副集的(σ,τ)-生成概念与结构,讨论了P-集合副集之间、P-集合副集的(σ,τ) 生成之间的关系,得到P-集合副集的生成定理与不可辨识定理。     

P-集合与■-信息的动态分离特征

P-集合(packet sets)是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得到的。利用内P-集合,给出■-信息的动态分离概念,给出■-信息分离与依赖特征,给出■-信息的动态分离特征定理与应用。P-集合是动态信息系统研究中的一个新的理论与新方法。     

P-集合与F-信息的动态分离特征

P-集合（packet sets）是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得到的。利用内P-集合,给出F-信息的动态分离概念,给出F-信息分离与依赖特征,给出F-信息的动态分离特征定理与应用。P-集合是动态信息系统研究中的一个新的理论与新方法。     

P-集合

利用普通集合, 提出包集合(简称P-集合), P-集合是由内P-集合X与外P-集合XF共同构成。 并给出P-集合的结构和P-集合与普通集合的关系, P-集合具有动态特性。 在静态-动态意义下, 普通集合是P-集合的特例, P-集合是普通集合的一般形式, 然后提出P-集合的内P-分解定理与外P-分解定理, 利用P-集合, 给出集成知识与它的结构, 最后给出P-集合在动态知识发现中的应用。     

p-集合及其测度空间

将P-集合的概念从有限集合推广到任意集合,在给定测度空间的基础上依据测度论的有关知识给出了P-集合的动态盯一代数,提出了具有动态特征的P-测度空间。在任意普通集合的基础上研究P-集合,为P-集合在信息安全中的应用提供了可靠的理论保证。     

P-集合及其测度空间

将P-集合的概念从有限集合推广到任意集合,在给定测度空间的基础上依据测度论的有关知识给出了P-集合的动态σ-代数,提出了具有动态特征的P-测度空间。在任意普通集合的基础上研究P-集合,为P-集合在信息安全中的应用提供了可靠的理论保证。     

逆P-集合与信息智能融合挖掘-发现

逆P-集合是一个新的动态数学模型, 它是把动态特性引入到有限普通集合X内, 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-集合构成的元素集合对。或者, (F,)是逆P-集合, 逆P-集合具有动态特性。在一定的条件下, 逆P-集合被还原成有限普通集合。逆P-集合具有P-集合相反的动态特性。逆P-推理是逆P-集合生成的一个动态推理。利用逆P-集合, 逆P-推理, 本文给出信息智能融合生成, 信息智能融合度概念, 给出信息智能融合挖掘-发现与信息智能融合挖掘-发现定理, 给出挖掘-发现准则。最后,利用这些结果给出信息智能融合挖掘-发现的应用。     

P-集合的面积特征

将积分的知识引入P-集合之中,提出了P-变化厚度概念,讨论了P-集合的面积特征,给出了P-集合的动态识别,并将集合X的变化程度进行了量化。     

属性内-融合与数据融合挖掘

属性融合是潜藏在 P-集合内的一个重要的应用特性,P-集合的动态特性来自 P-集合的属性融合。利用内 P-集合的结构与动态特性,给出属性内-融合概念、结构和定理,最后给出在属性内-融合条件下的数据融合挖掘和数据融合挖掘准则与数据融合挖掘-筛选的应用。     

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-集合的识别与筛选

在P-集合定义的基础上研究了P-集合的动态特性,得到P-集合族与其相关定理,提出了P-集合的动态识别量-P-扩度,P-扩度可以将P-集合的动态变化程度进行量化,进而得到P-集合的识别与筛选定理,利用该定理可以对系统状态进行检测-识别。     

内-外数据圆与动态数据-恢复

P-集合(packet sets)是由内P-集合XF-(internal packet setXF-)与外P-集合XF(outer packet setsXF)构成的集合对;P-集合具有动态特性。利用P-集合,给出内-数据圆,外-数据圆的概念,利用这些概念,给出动态数据恢复定理,动态数据恢复准则与数据恢复-辨识定理,给出应用。P-集合是动态数据分析-辨识研究的一个新工具。     

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。     

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。     

P-集合与隐形图像生成-还原

P-集合是把动态特性引入到有限普通集合中,改进普通集合得到的,P-集合(XF,XF)是一个集合对.利用P-集合生成的图像,提出P-隐形图像的概念,给出P-隐形图像的属性特征和度量特征,提出P-隐形图像生成-还原定理,并给出了P-隐形图像在图像信息系统中的应用.     

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。     

外-递推数据的依赖-还原与应用

基于一类数据具有不断放大的特性,应用外P-集合的结构与动态特性,将P-集合串的基集合动态化,提出外-递推数据概念,获得外-递推数据的结构、生成原理与生成准则;给出外-递推数据依赖与还原相关定理及应用。     

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。