基数余-亏定理与数据外-内挖掘-分离

把基数概念与数据挖掘交叉, 利用逆P-集合结构, 给出动态基数概念, 提出基数余-亏定理、基数离散区间定理, 给出数据挖掘与基数变化关系、基数余-亏准则和应用.     

P-集合与基数亏-余定理

利用有限普通元素集合概念与P-集合的结构,给出P-集合基数亏-余特征,提出基数亏-余定理,基数离散区间定理与属性基数余-亏准则,给出这些理论结果的应用.     

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。     

外-扰动与属性合取收缩规律挖掘-分离

利用函数 P-集合模型与它的动态特性和规律特征，给出函数 P-集合的结构与规律扰动、扰动恢复概念、扰动度量，利用这些概念得到外-扰动与属性合取收缩定理、属性合取收缩与外-扰动规律挖掘-分离定理、外-扰动与规律挖掘辨识定理和不变性定理。     

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。     

内P-信息显性-隐性分离与显性-隐性分离定理

把内P-集合X定义成内P-信息(x),利用内P-集合的特性,给出内P-信息显性分离、隐性分离概念和分离定理,最后,给出内P-信息显性-隐性分离生成的属性特征。     

信息融合-分离与隐性属性的显性特征

基于具有属性合取特征的动态数学模型与信息融合的交叉,给出了信息融合与信息分离生成的复合概念:信息融合-分离,给出了融合度量、分离度量与信息融合-分离属性定理,给出了隐性属性的显性化原理,给出了信息融合-分离的加密-解密及其安全获取。利用这些理论结果,给出它在案例侦察、证据获取与案例结论的安全认证的应用。     

基于属性-值对的信息增益优化算法

偏向于取值较多的属性是ID3算法的一个缺陷,目前已提出的决策树的优化算法对ID3算法的改进,部分解决了该缺陷,但仅适用于两值属性的样例集,对于多值属性效果并不明显.针对该优化算法的不足,通过将属性和属性值对应成一个属性,提出了属性-值对的信息增益优化算法GBT.通过理论和实验分析,表明该算法不仅克服了ID3算法偏向于取值多属性的缺陷,同时解决了优化算法对多值属性效果不明显的不足.     

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。     

函数逆P-集合与逆P-信息规律动态分离

利用函数逆P-集合, 给出逆P-信息规律生成与生成定理、逆P-信息规律的动态分离与分离特征和动态分离准则,利用这些结果给出逆P-信息规律动态分离在信息图像隐藏中的应用。     

P-集合与■-信息的动态分离特征

P-集合(packet sets)是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得到的。利用内P-集合,给出■-信息的动态分离概念,给出■-信息分离与依赖特征,给出■-信息的动态分离特征定理与应用。P-集合是动态信息系统研究中的一个新的理论与新方法。     

外 P-推理信息恢复与属性潜藏特征

利用外P-集合与外P-推理,给出外P-信息恢复概念与外P-信息恢复特征,给出外P-信息恢复的外P-推理生成与它的属性潜藏,给出外P-信息恢复的信息元删除定理和依赖性定理,给出外P-推理信息恢复的属性潜藏定理与潜藏属性发现定理。     

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。     

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。     

内-递推信息与内-递推二叉树特征-辨识

引入树结构于内-递推信息的递推结构中,提出内-递推二叉树概念,获得内-递推二叉树的结构与特性。定义了内-递推二叉树的内-递推度与递推损失度;给出内-递推二叉树存在性定理、满二叉树存在与惟一性定理、完全二叉树定理,包括内-递推二叉树结点的辨识定理与辨识准则。内-递推二叉树是内-递推信息的一种重要组织结构,内-递推二叉树的研究过程与结果,为具有内-递推特性的信息处理提供了一种新方法。     

内P-隐性信息与它的分离

P-集合(packet set)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,或者(X F,X F)是P-集合.P-集合具有显性、隐性特征,但显性、隐性概念具有相对性.把内P-信息显性、隐性概念拓展,对内P-隐性信息进一步研究:给出了内P-隐性、显性信息等概念,给出了内P-隐性信息的度量、特征、分离定理;最后给出内P-隐性信息在动态信息分离中的应用;隐性特征是P-集合的重要特征之一.     

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。