P-集合的粒度与P-知识辨识发现

利用P-集合,给出P-集合的粒度概念,讨论了P-集合粒度的特性,给出粒度与包度的关系定理、粒度的分解定理以及单调性定理。定义了P-知识以及知识分辨度概念,将P-集合概念及其粒度特性应用于P-知识的辨识发现中,得到P-知识的辨识发现定理。最后将辨识发现定理应用于系统状态的检测识别,给出了系统状态检测-识别准则及其应用。     

基于P-集合的动态信息辨识

利用F-动态信息和F-动态信息的概念,给出F-动态信息和F珚-动态信息的生成,最后给出F-动态信息的状态辨识及其在计算机网络智能图像检测识别系统中的应用。     

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。     

(■,F)-数据离散矩形区域在数据辨识中的应用

应用新数学模型P-集合,提出数据传输中三种异常数据的概念:■-异常数据、F-异常数据与(■,F)-异常数据;提出(■,F)-数据离散矩形区域概念;给出丢失-侵入数据发现定理、系统输出数据分离定理、系统输出数据类型辨识定理、(■,F)-异常数据在(■,F)-数据离散矩形区域的定位定理;给出(■,F)-数据离散矩形区域在系统输出数据类型辨识中的应用。丢失-侵入数据发现定理与系统输出数据分离定理是系统输出数据类型辨识的基础,(■,F)-数据离散矩形区域的提出,为系统数据的几何辨识和系统出现异常数据的预警提供了一种新的理论与方法。     

逆P-集合与动态信息的分离—应用

逆P-集合(inverse packet sets)是由改进P-集合得到,具有与P-集合相反的数学结构。利用逆P-集合给出逆P-分离概念,提出逆P-信息动态分离定理,给出逆P-分离在动态信息系统中的应用。逆P-集合是研究信息融合理论与应用的一个新理论、新方法。     

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。     

（F,F）-数据离散矩形区域在数据辨识中的应用

应用新数学模型P-集合,提出数据传输中三种异常数据的概念：F-异常数据、F-异常数据与（F,F）-异常数据;提出（F,F）-数据离散矩形区域概念;给出丢失-侵入数据发现定理、系统输出数据分离定理、系统输出数据类型辨识定理、（F,F）-异常数据在（F,F）-数据离散矩形区域的定位定理;给出（F,F）-数据离散矩形区域在系统输出数据类型辨识中的应用。丢失-侵入数据发现定理与系统输出数据分离定理是系统输出数据类型辨识的基础,（F,F）-数据离散矩形区域的提出,为系统数据的几何辨识和系统出现异常数据的预警提供了一种新的理论与方法。     

((F),F)-数据离散矩形区域在数据辨识中的应用

应用新数学模型P-集合,提出数据传输中三种异常数据的概念:(F)-异常数据、F-异常数据与((F),F)-异常数据;提出((F),F)-数据离散矩形区域概念;给出丢失-侵入数据发现定理、系统输出数据分离定理、系统输出数据类型辨识定理、((F),F)-异常数据在((F),F)-数据离散矩形区域的定位定理;给出((F),F)-数据离散矩形区域在系统输出数据类型辨识中的应用.丢失-侵入数据发现定理与系统输出数据分离定理是系统输出数据类型辨识的基础,((F),F)-数据离散矩形区域的提出,为系统数据的几何辨识和系统出现异常数据的预警提供了一种新的理论与方法.     

P-集合与动态数据外获取-应用

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-集合是一个集合对。利用外P-集合给出动态数据外获取的过程与特性,给出动态数据的度量和依赖关系,给出动态数据外获取迭代算法和准则,并且给出动态数据外获取的应用。P-集合是研究动态数据系统的一个新理论与新方法。     

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。     

函数逆P-集合与逆P-信息规律动态分离

利用函数逆P-集合, 给出逆P-信息规律生成与生成定理、逆P-信息规律的动态分离与分离特征和动态分离准则,利用这些结果给出逆P-信息规律动态分离在信息图像隐藏中的应用。     

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。     

函数P-集合与信息规律动态特征

函数P-集合(function packet sets)是一个新的数学结构,它具有动态特性,规律特性。利用这一特性,讨论函数P-集合生成的动态信息规律特征,提出信息规律区间稳定的概念,给出信息规律区间稳定的内点定理、信息规律区间稳定的外点定理、信息规律区间稳定的属性定理,并给出区间[a,b]上动态信息规律的应用。     

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。     

内P-集合与数据外-恢复

内P 集合是P 集合的一个部分,它是P 集合的一个概念。利用内P 集合,提出 数据与 数据外-恢复概念,给出 数据外-恢复定理,外-恢复的属性补充冗余原理,利用这些结果给出应用。     

基于系统响应瞬时特性的非线性系统识别

在Krylov-Bogoliubov-Mitropolski(KBM)法的基础上,提出一种基于系统响应瞬时特性的非线性系统识别方法.该方法通过建立系统响应瞬时特性与系统参数之间的函数关系,从而一次性识别出所有系统参数.采用归一化Hilbert变换(normalized Hilbert transform,NHT)和广义过零(generalized zero-crossing,GZC)法求解信号瞬时振幅和瞬时频率,通过算例验证了两种方法的效果.以Duffing方程和Vanderpol方程两类非线性振动系统为例,验证了所提系统识别方法的精度.算例表明,即使在系统响应受到较大噪声污染时,该方法也有很好的识别精度.     

P-集合与数据挖掘-还原

在P-集合的基础上给出了数据w的(■,F)-挖掘、挖掘尺度和挖掘还原系数的概念,讨论了数据w的属性特征,得到数据w挖掘的可分辨定理、数据的外还原与数据的内还原定理.为数据处理提供了一个新的数学工具.