外P-集合与F-信息伪装

P-集合（packet sets）是一个集合对,它是由内P-集合（internal packet sets）与外P-集合（outer packet sets ）共同构成。P-集合具有动态性,利用外P-集合,给出F-信息伪装与F-信息伪装生成概念;提出F-信息伪装度量定理与信息伪装被恢复〖CD*2〗还原定理;给出辨识准则与方法。利用这些结果,给出F-信息伪装被恢复还原的应用。P-集合是研究动态信息系统的一个新理论和新方法。     

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。     

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。     

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。     

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。     

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。     

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。     

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。     

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。     

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...     

规律与它的f-属性控制

函数单向S-粗集对偶(dual of function one direction singular rough set),具有单向动态特性和规律特性;它是函数S-粗集(function singular rough set)的基本形式之一。函数S-粗集是在改进S-粗集的基础上提出的。利用函数单向S-粗集对偶的动态特性和规律特性,给出f·-规律,f·-规律的属性特征,属性距离,f·-冗余规律概念。利用这些概念,提出规律与它的f·-属性控制,并给出f·-属性控制定理,f·-属性控制判定定理,f·-属性控制识别准则与应用。