外PPF（F）-集合及其概率特征

在P-集合（XF，XF）与元素迁移的随机性基础上，给出了集合X依元素迁移概率PF（f）的外PPF（f）-集合XPF（f）的概念，论证了XPF（f）与XF的关系——XPF（f）是外P-集合XF的扩展，外P-集合XF是XPF（f）的特例，研究了外PPF（f）-集合XPF（f）的随机特性，得到XPF（f）与元素迁移概率关系定理、XPF（f）与元素迁移族关系定理以及集合X的外PPF（f）。集合族与外P-集合族不可辨识定理。     

P-集合的（σ,τ）-扩展模型与其性质

P-集合是由内P-集合XF珔与外P-集合XF 构成的集合对，P-集合副集的（σ，τ）-生成是由内副集的σ-生成Aσ（ XF珔）与外副集的τ-生成Aτ（ XF ）构成的集合对。本文在P-集合与P-集合副集的（σ，τ）-生成的基础上，给出P-集合的（σ，τ）-扩展模型，得到P-集合与它的（σ，τ）-扩展的关系定理，讨论了P-集合的（σ，τ）-扩展性质。 P-集合的（σ，τ）-扩展模型拓宽了P-集合的研究范围。     

外P_(pF(f))-集合及其概率特征

在P-集合(XF-,XF)与元素迁移的随机性基础上,给出了集合X依元素迁移概率PF(f)的外PpF(f)-集合XPF(f)的概念,论证了XPF(f)与XF的关系——XPF(f)是外P-集合XF的扩展,外P-集合XF是XPF(f)的特例,研究了外PpF(f)-集合XPF(f)的随机特性,得到XPF(f)与元素迁移概率关系定理、XPF(f)与元素迁移族关系定理以及集合X的外PpF(f)-集合族与外P-集合族不可辨识定理。     

函数内P(σ)-集合及其规律的动态特征

在函数内P-集合的基础上,给出函数内P-集合副集、函数内P-集合σ-副集和函数内P(σ)-集合的概念与结构及函数内P-集合与函数内P(σ)-集合的关系,证明了函数内P(σ)-集合动态变化的属性依赖、阈值依赖定理,并探讨函数内P(σ)-集合的规律动态变化依赖因素,得到了规律变化的可辨识定理.     

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。     

内P-集合副集的σ-生成和σ-强生成

在内P-集合的基础上给出内P-集合副集A(X)、 内P-集合副集σ-生成和内P-集合副集σ-强生成的概念与结构, 并讨论了三者的关系, 得到了内P-集合副集σ-生成内P-集合副集σ-强生成的关系定理、 辨识定理及生成定理, 扩大了P-集合的应用范围.     

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。     

函数P(σ,τ)-集合及其特征

通过将副集引入函数P-集合,对函数P-集合进行扩展,给出函数P(σ,τ)-集合的概念与结构,得到了函数P(σ,τ)-集合的生成定理、动态变化的属性依赖定理与辨识定理.     

内 P-信息融合与它的属性合取特征

P-集合是由内P-集合XF珔与外P-集合XF 构成的元素集合对,或者（ XF珔,XF ）是P-集合,P-集合具有动态特征。利用内P-集合给出内P-信息融合生成、内P-信息融合剩余生成与内P-信息融合度量概念,得到内P-信息融合生成定理、依赖定理、还原定理,还给出内P-信息融合的属性合取定理与属性合取扩展定理和属性合取扩展-内P-信息融合发现原理。最后利用这些结果给出应用。     

信息伪装与真-伪信息筛选

P-集合是由内P-集合XF（internal packet set XF）与外P-集合XF（outer packet set XF）构成的集合对,或者（XF,XF）是P-集合。P-集合具有动态特征。利用内P-集合的结构与动态特征,给出F珔-信息伪装的概念、F珔-信息伪装的结构与特征,给出F珔-信息伪装模与真-伪信息筛选定理和真-伪信息筛选的应用。P-集合生成的F珔-信息伪装是P-集合的重要研究分支之一,是信息系统研究中一个新的研究方向。     

内P-信息融合与它的属性合取特征

P-集合是由内P-集合XF珔与外P-集合XF构成的元素集合对,或者(XF珔,XF)是P-集合,P-集合具有动态特征。利用内P-集合给出内P-信息融合生成、内P-信息融合剩余生成与内P-信息融合度量概念,得到内P-信息融合生成定理、依赖定理、还原定理,还给出内P-信息融合的属性合取定理与属性合取扩展定理和属性合取扩展-内P-信息融合发现原理。最后利用这些结果给出应用。     

外P-隐性信息与它的生成-融合

P-集合（packet set）是由内P-集合X-F（internal packet set X-F ）与外P-集合XF（outer packet set XF）构成的集合对，或者（XF，XF）是P-集合。把生物学中“隐性”，“显性”概念与外P-信息交叉、嫁接，得到P-集合具有显性、隐性特征；对外P-集合的隐性特征进行研究，提出了外P-隐性信息、显性信息等概念，给出了外P-隐性信息特征与外P-推理生成定理，给出了外P-隐性信息的外P-推理搜索算法；最后给出外P-隐性信息在动态信息挖掘中的应用。     

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。     

F-残缺数据的辨识与恢复

利用P-集合结构中的内P-集合与F-元素删除集合,给出声．残缺数据的概念,它是由（x）F与（x）-构成的一个数据对（（x）F,（x）-）。由F-残缺数据,给出F-残缺数据的生成与豇残缺度。利用这些结果,给出F-残缺数据的关系定理,F-残缺度定理,F-残缺数据的辨识定理,F-残缺数据的恢复定理,并给出F-残缺数据的应用。     

内P-信息显性-隐性分离与显性-隐性分离定理

把内P-集合X定义成内P-信息(x),利用内P-集合的特性,给出内P-信息显性分离、隐性分离概念和分离定理,最后,给出内P-信息显性-隐性分离生成的属性特征。     

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

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。     

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。