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-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。     

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。     

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。     

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-显性信息的生成与特征

P-集合(packet set)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,或者称(XF-,XF)是P-集合.把生物学中的"隐性"、"显性"概念与内P-信息交叉、嫁接,提出了内P-显性、隐性信息的概念,给出内P-显性信息生成定理与推论,内P-显性信息的度量、数量、单依赖、内收敛特征定理与推论及内P-显性信息搜索算法,最后给出内P-显性信息在动态信息挖掘中的应用.     

内 P（ρ，σ）-集合的随机特性-应用

P（ρ,σ）-集合是P-集合的一般形式,在P（ρ,σ）-集合（XPFρ,XPFσ）概念的基础上,探讨了内P（ρ,σ）-集合与内P-集合的关系：给出内P（ρ,σ）-集合与内P-集合关系定理、内P（ρ,σ）-集合XPF珔ρ与数值ρ关系定理和内P（ρ,σ）-集合的范围、内P（ρ,σ）-集合的生成、还原、辨识定理、过滤生成原理,探讨了内P（ρ,σ）-集合的其他特性和有限性定理,链定理、概率区间有限分割定理、属性集合关系定理及其推论,最后给出了内P（ρ,σ）-集合的应用。     

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。     

随机函数逆P-集合与其属性依赖特征

将随机特性引入函数逆P-集合,对函数逆P-集合进行改进,给出随机函数逆P-集合的概念与结构。随机函数逆P-集合是由随机函数内逆P-集合与随机函数外逆P-集合构成的有序集合对。随机函数逆P-集合是函数逆P-集合的扩展,函数逆P-集合是随机函数逆P-集合的特例。在随机函数逆P-集合的基础上,给出随机函数逆P-集合的随机性定理与随机函数逆P-集合的属性依赖关系定理。随机函数逆P-集合的提出扩大了函数逆P-集合的应用领域。     

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。     

函数P-集合

把函数概念引入到P-集合(packet sets)中,改进P-集合,提出函数集合(function packet sets),给出函数集合的结构。函数P-集合具有动态特性和规律特性。函数P-集合是由函数内P-集合SF珔(function internal packet setSF珔)与函数外P-集合SF(function outer packet set SF)构成的函数集合对;或者,(SF珔,SF)是函数P-集合。P-集合是函数P-集合的特例,函数P-集合是P-集合的一般形式。在一定条件下,函数P-集合能够回到函数集S的"原点"。给出函数P-集合在未知信息规律发现中的应用,这些未知的信息规律潜藏在信息系统中,它们不被人们事先知道。     

函数逆P-集合与信息规律融合

利用逆P-集合,提出函数逆P-集合。函数逆P-集合是把函数概念引入到逆P-集合内,改进逆P-集合得到的。函数逆P-集合具有动态特征和规律(函数)特征。函数逆P-集合是由函数内逆P-集合S珔F与函数外逆P-集合S珔F珔构成的函数集合对;或者,(S珔F,珔SF珔)是函数逆P-集合。在一定条件下,函数逆P-集合(S珔F,S珔F珔)被还原成有限普通函数集合S。逆P-集合是把动态特征引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。函数逆P-集合具有与函数P-集合相反的动态特征、规律(函数)特征。本文给出函数逆P-集合的结构、还原和它的函数等价类特征。利用数据拆分-合成原理,给出逆P-信息规律融合与它的生成;给出逆P-信息规律融合的属性特征与属性定理。利用这些结果,给出逆P-信息规律融合生成的隐形信息图像与它的应用。函数逆P-集合与函数P-集合是两个独立的、特征不同的新模型。     

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。     

P-未知数据集及其过滤-分离

当普通集合X的属性集合α发生动态变化时,X中隐藏着未知数据信息.根据这一情况,利用X生成的P-集合((X)F,XF)和∧-型大数据的结构,提出内P-未知数据集、外P-未知数据集、P-未知数据集概念,给出它们的数值特征.定义未知数据集的P-依赖度、P-过滤度概念,讨论未知数据集的P-依赖度与P-过滤度的关系.利用过滤度分...     

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。     

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。     

内P-信息与它的反动态特性

P-集合(packet sets)是由内P-集合XF(internal packet set XF)与外P-集合XF(outer packet set XF)构成的元素集合对(XF,XF).P-集合具有动态特性,利用内P-集合XF的结构与动态特性,提出它的反动态特性,给出了基信息、内P-信息、珚F-删除信息、内P-反动态信息等概念;给出了内P-反动态信息的范围,内P-反动态信息判定,内P-反动态信息最大度量,内P-有效删除信息,内P-剩余信息定理及推论;最后给出应用实例.