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。     

信息智能融合与它的P-增广矩阵推理生成

P-集合是一个具有动态特征的数学模型,它是把动态特性引入到有限普通元素集合X内,改进有限普通元素集合X被提出的。P-增广矩阵是改进普通增广矩阵,利用P-集合得到的。利用P-集合的动态特性与P-增广矩阵结构,本文给出P-增广矩阵推理与推理结构、信息智能融合以及信息融合与与P-增广矩阵的关系;给出信息智能融合的分离与信息智能融合的分离具有的属性智能特征;给出这些理论研究的应用。     

P-增广矩阵推理与信息的智能分解挖掘

利用内P-增广矩阵推理、外P-增广矩阵推理与P-增广矩阵推理分别给出信息智能内-分解、信息智能外-分解与信息智能内-外分解, 给出它们的属性关系、内-分解生成的信息智能分解挖掘、外-分解生成的信息智能分解挖掘与内-外分解生成的信息智能分解挖掘、分解挖掘定理与分解挖掘准则,最后,给出信息智能分解挖掘的应用。     

基数余-亏与逆P-增广矩阵

利用逆P-集合的动态特征,改进普通增广矩阵概念,提出内逆P-增广矩阵,外逆P-增广矩阵与逆P-增广矩阵,给出它们的结构、生成与关系。利用基数余-亏与逆P-增广矩阵交叉,提出基数余值与内逆P-增广矩阵关系定理,基数亏值与外逆P-增广矩阵关系定理,以及基数余-亏值与逆P-增广矩阵关系定理,最后给出这些理论结果的应用。     

信息动态融合识别与P-增广矩阵关系

P-集合是一个具有动态特征的数学集合模型,它是由内P-集合■与外P-集合X^F构成的集合对;P-增广矩阵是利用P-集合的动态特征改进普通增广矩阵得到的增广矩阵新结构,它是由内P-增广矩阵■与外P-增广矩阵A^F构成的矩阵对.将P-集合与P-增广矩阵交叉应用研究,得到信息动态融合与它的生成,给出信息动态融合发现-识别与P-增广矩阵分离系数定理,以及信息动态融合识别准则,最后利用这些理论与结果给出应用.     

P-信息规律智能融合与软信息图像智能生成

函数P-集合是P-集合的函数形式,函数P-集合具有动态特性、规律(函数)特性;函数P-集合是一个动态规律模型。函数P-集合是由函数内P-集合SF珔与函数外P-集合SF构成的函数集合对;或者,(SF珔,SF)是函数P-集合。P-信息规律推理是把函数概念引入到P-推理内,改进P-推理得到的;P-信息规律推理是一个动态信息规律推理;P-推理是利用P-集合被提出的。P-信息规律推理是由内P-信息规律推理与外P-信息规律推理共同构成。利用函数P-集合与P-信息规律推理交叉、渗透,本文研究了P-信息规律智能融合与软信息图像智能生成。给出P-信息规律推理结构,给出P-信息规律智能融合与它的P-信息规律推理生成;给出智能融合冗余-缺失与属性内-外融合特性;给出P-信息规律智能融合与它的属性合取范式扩展-收缩定理;给出P-信息规律智能融合的智能P-分离与还原;给出信息规律的拆分-合成与软信息图像智能生成。函数P-集合是研究信息规律融合的新方法与新理论。     

P-增广矩阵及其动态跟踪识别应用

P-增广矩阵是利用P-集合的动态特征改进普通增广矩阵得到的增广矩阵新结构.利用P-集合的结构与动态特征，给出P-增广矩阵与普通增广矩阵的关系，及P-增广矩阵的合取范式扩展-收缩逻辑特征；利用P-增广矩阵动态特性与系统工作状态吻合的规律，把P-增广矩阵数学模型应用于动态跟踪识别系统，为判断系统的状态特征提供了新的方法.     

P-信息融合与它的P-矩阵推理智能生成

利用P-增广矩阵推理,给出信息融合智能筛选-发现的理论与应用研究,信息融合智能筛选-发现是在P-增广矩阵推理条件下得到的。P-增广矩阵是利用P-集合的结构、动态特征及改进普通增广矩阵被提出的。论文给出利用P-集合生成P-增广矩阵的方法与P-增广矩阵结构,提出P-增广矩阵推理模型并给出信息融合的智能生成方法和其筛选-发现定理,最后给出这些理论结果的应用。     

数据的动态挖掘与P-增广矩阵关系

P-增广矩阵是通过利用P-集合的结构与动态特征,改进普通增广矩阵A^*提出的。P-增广矩阵是由内P-增广矩阵A^(-overF)与外P-增广矩阵A^F构成的矩阵对,或者(A^(-overF),A^F)是P-增广矩阵。在一定条件下,P-增广矩阵(A^(-overF),A^F)被还原成普通增广矩阵A^*。利用P-增广矩阵的结构与动态特征,给出数据的动态挖掘研究及其与P-增广矩阵的关系。提出数据的动态挖掘的内P-增广矩阵判定定理,外P-增广矩阵判定定理与P-增广矩阵判定定理,给出数据的动态挖掘的P-增广矩阵准则,利用这些理论结果,给出一个简单应用。     

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。     

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。     

一种多模专家智能控制器研究及其应用

从智能控制概念出发，提出了一种多模混合智能控制理结构，引入了特征信息空间、行为空间、多模混合控制规则集等，使用关系运算矩阵描述了它们之间的推理关系，给出了控制器的结构及设计方法，工程应用结果验证了控制器的有效性。最后利用锥稳定性定理为闭环智能控制系统建立了稳定性分析。     

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。     

线性方程组的命题方法

本文叙述了线性代数方程组的命题方法,亦即事先给出力程组的解,求方程组,使其具有所给的解。基本方法是,根据所给解,写出一个最简单的方程组,再对此方程组的增广矩阵的行施以适当的初等变换,得到一个新矩阵,这个新矩阵所对应的方程组便是所求的方程组,     

一类线性互联大系统的关联稳定性判定

动态图可以描述互联大系统的拓扑结构。动态图的增广矩阵包含了动态图的所有结构信息。引入动态图增广矩阵的相关理论,结合M-矩阵理论知识,提出了一类线性互联大系统的关联稳定性的判定方法。利用Lyapunov函数及Lyapunov梯度函数,推导出一个判定矩阵H,通过判定矩阵H是否对角占优和是否为M-矩阵,判定线性互联大系统的关联稳定性。算例表明,判定矩阵的参数计算简单,容易获取,有利于判定线性互联大系统的关联稳定性。     

基于增广Lyapunov泛函的时滞系统鲁棒H_∞控制

研究了一类时滞系统的鲁棒H∞控制问题.利用增广Lyapunov泛函并结合自由权矩阵方法,以严格线性矩阵不等式(LMIs)的形式给出了保证闭环系统渐近稳定且具有给定H∞性能的改进的时滞相关有界实引理(BRL).基于得到的BRL,以LMIs的可行解给出了记忆型的状态反馈H∞控制律.当时滞系统存在范数有界不确定性时,同样地给出了基于LMIs的记忆型鲁棒H∞控制律的具体设计方法.仿真实例表明了该方法的有效性以及更小保守性.