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。     

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。     

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。     

P-信息的属性合取扩展-收缩特征与P-信息的智能发现

利用P-集合与P-推理,给出P-信息的属性合取扩展-属性合取收缩概念、特征、定理;属性合取扩展-属性合取收缩是P-集合的一个重要应用特性。利用内P-推理与属性合取扩展,给出内P-信息智能发现定理;利用外P-推理与属性合取收缩,给出外P-信息智能发现定理和准则。最后给出具有属性合取扩展特征的内P-信息智能发现在信息辨识中的应用。     

函数P-集合属性依赖与应用

利用函数P-集合的结构,给出函数P-集合的属性依赖,给出属性依赖度量与函数P-集合的属性依赖定理。利用这些结果,给出函数P-集合属性依赖的应用。     

P-集合的属性函数与P-信息融合的属性合取特征及应用

利用P-集合的结构,给出P-集合中元素的属性及属性函数的概念,讨论P-集合与属性函数的关系以及单属性函数和满属性函数的计数问题。给出P-信息融合的属性合取扩展-收缩特征、内P-信息融合的属性合取扩展定理、外P-信息融合的属性合取收缩定理、具有属性合取扩展特征的内P-信息融合发现定理、具有属性合取收缩特征的外P-信息融合发现定理。最后,给出具有属性合取扩展特征的内P-信息融合生成-发现的应用实例。     

属性基数余-亏值定理与信息规律动态内-外分离

函数P-集合是一种特殊的P-集合,在对函数P-集合的属性集合研究的基础上,给出属性基数余-亏与信息规律动态分离概念,给出信息规律内-分离定理、外-分离定理与内-外分离定理。利用这些结果,给出属性基数余-亏在信息图像伪装-隐藏中的应用。     

P-增广矩阵与信息的智能动态发现-辨识

利用普通增广矩阵概念与P-集合动态结构交叉,改进普通增广矩阵概念,提出P-增广矩阵,给出P-增广矩阵结构;P-增广矩阵由内P-增广矩阵与外P-增广矩阵共同构成。给出内P-增广矩阵属性定理,外P-增广矩阵属性定理与P-增广矩阵属性定理;给出P-增广矩阵与普通增广矩阵的还原关系。改进P-推理,提出P-增广矩阵推理,给出推理结构;P-增广矩阵推理由内P-增广矩阵推理与外P-增广矩阵推理共同构成。提出属性的P-增广合取范式,给出属性的P-增广合取范式与属性的普通合取范式的关系,提出属性的P-增广合取范式还原定理;给出满足P-增广矩阵推理条件的信息的智能动态发现-辨识定理,最后给出了应用。     

内P-模糊集并-分离及其属性特征

P-模糊集(Packet fuzzy sets)是由P-集合(Packet sets)得到的一个新的模糊集,P-模糊集具有动态特性。P-模糊集是由内P-模糊集AF珔(Internal packet fuzzy set AF珔)与外P-模糊集AF(Outer packet fuzzy set AF)构成的模糊集合对;或者(AF珔,AF)是P-模糊集。利用内P-模糊集,本文给出内P-并分离系数、内P-模糊信息概念、内P-模糊集的并-分离定理、内P-模糊集并-分离与它的属性集合的关系定理、内P-模糊集并-分离的几何特征和内P-模糊集并-分离的应用。     

外P-信息显性-隐性分离与显性-隐性分离定理

把外P-集合XF定义成外P-信息(x)F,利用外P-集合的特性,给出外P-信息显性分离、隐性分离概念和分离定理,给出外P-信息显性-隐性分离生成的属性特征。     

数据分离与属性状态特征

给出数据分离与它的属性状态特征生成的基本理论。利用逆P-集合的结构与动态特征,给出数据外分离,数据内分离与数据外-内分离概念,给出数据分离特征,给出数据分离生成的属性状态特征。给出数据补充定理,数据删除定理与数据补充-删除定理。给出数据外分离的属性基数定理,数据内分离的属性基数定理与数据外-内分离的属性基数定理。论文给出的理论结果是数据分离生成的特征。     

知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识［x］内的元素个数被减少;利用属性集α内的部分属性被删除, 知识［x］内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。     

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.     

信息规律状态的函数P-推理发现与应用

利用函数P-集合,给出P-信息规律生成、信息规律亏状态、盈状态概念与P-信息规律状态的属性定理,利用函数P-推理给出P-信息规律状态发现与发现定理。最后,给出信息规律状态在经济系统、经济信息中的应用。     

P-规律推理与未知规律发现-应用

函数P-集合(Function packet sets)是由函数内P-集合(Function internal packet set)与函数外P-集合(Functionouter packet set)构成的函数集合对,它具有动态特征与规律特征。利用函数P-集合,给出内P-迭代规律、外P-迭代规律、P-迭代规律概念与存在定理以及P-迭代规律属性补充-删除定理。利用P-迭代规律,给出P-规律推理的定义与结构,得到P-规律推理与未知规律发现定理,最后给出P-规律推理在风险投资中未知规律的发现应用。     

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。     

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。