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。     

信息规律智能变换-伪装与P-规律增广矩阵

利用函数P-集合的动态结构,改进普通增广矩阵概念,提出规律矩阵、内P-规律增广矩阵、外P-规律增广矩阵与P-规律增广矩阵,给出它们的结构、生成和属性关系。提出P-规律增广矩阵推理和推理结构,给出在P-规律增广矩阵推理条件下的规律智能分离、智能分离定理、信息规律智能分离算法及其在信息图像智能变换-伪装中的应用。     

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-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。     

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。     

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。     

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-信息智能动态融合与信息规律状态智能识别

利用函数P-集合,给出P-信息规律融合的概念及其智能动态融合。提出函数P-集合生成的信息规律融合概念,给出在P-信息规律推理条件下的P-信息规律智能动态融合生成与智能融合定理。利用这些理论结果,给出P-信息规律智能动态融合在信息规律状态智能识别的应用。     

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。     

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。     

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。     

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.     

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。     

大数据结构-逻辑特征与大数据规律

P-集合、逆P-集合是把动态特征引入到有限普通元素集合X内,改进有限普通元素集合X得到的两个模型,利用P-集合、逆P-集合与它们的动态特征、逻辑特征分别给出具有属性合取扩展-收缩特征的∧型大数据结构与生成、具有属性析取扩展-收缩特征的∨型大数据结构与生成、∧型大数据与∨型大数据混合的∧-∨型大数据结构与生成;给出大数据融合与生成、大数据融合智能挖掘定理;给出大数据的颗粒特征与颗粒过滤定理;给出大数据遗传与生成、大数据遗传智能分离与分离定理;给出在P-增广矩阵推理条件下大数据隐藏-伪装与智能生成、大数据隐藏-伪装定理;给出大数据规律生成模型与方法以及大数据规律状态;利用大数据规律状态,给出投资-利润大数据的风险估计。     

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。     

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。     

外P-推理与外发散信息的搜索-发现

利用P-集合得到P-推理(packet reasoning),P-推理是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的.P-推理是一个动态推理,具有智能特征;外P-推理生成的信息具有外发散特性,把这种特性应用于未知信息查找中,提出了外发散信息等概念;并对外发散信息进行了研究,给出了几个基本理论结果;并由这些结果得到外发散信息的外P-推理搜索算法;最后给出应用实例.     

非常态信息系统与逆P-增广矩阵关系

逆P-集合是一个具有动态特征的模型,逆P-增广矩阵是利用逆P-集合改进普通增广矩阵得到的新数学概念。为了讨论方便,定义普通矩阵A是系统的常态,内逆P-增广矩阵A^F与外逆P-增广矩阵A^F是系统的非常态,接着提出矩阵容度概念,给出容度度量与矩阵容度定理。基于上述概念,给出系统非常态与内逆P-增广矩阵关系定理,系统非常态与外逆P-增广矩阵关系定理,以及系统非常态的矩阵容度识别准则。最后给出应用与实验验证。