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。     

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.     

逆P-集合与动态信息的分离—应用

逆P-集合(inverse packet sets)是由改进P-集合得到,具有与P-集合相反的数学结构。利用逆P-集合给出逆P-分离概念,提出逆P-信息动态分离定理,给出逆P-分离在动态信息系统中的应用。逆P-集合是研究信息融合理论与应用的一个新理论、新方法。     

逆P-等价类的逆P-推理分离-还原

 逆P-集合是把动态特性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。逆P-集合是由内逆P-集合F与外逆P-集合构成的集合对;或者,(F,)是逆P-集合。逆P-集合具有动态特性。逆P-推理是逆P-集合生成的一个动态推理,它是由内逆P-推理与外逆P-推理共同构成的。利用逆P-集合和逆P-推理, 给出逆P-等价类、内逆P-等价类和外逆P-等价类概念,逆P-等价类与普通等价类的关系,逆P-等价类的逆P-推理分离-还原与分离-还原定理。在静态-动态条件下,普通等价类是逆P-等价类的特例,逆P-等价类是普通等价类的一般形式。     

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。     

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。     

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。     

P-集合与内 P-信息的显性-隐性特征

P-集合（ packet sets）是把动态特性引入到有限普通集合X（ cantor set X）内,改进有限普通集合X被提出的。P-集合具有动态特性,P-集合是由内P-集合XF珔（internal packet set XF）与外P-集合XF（outer packet set XF）构成的元素集合对,或者（XF,XF）是P-集合。利用内P-集合结构与生物学中显性基因和隐性基因概念交叉,给出内P-信息的显性、隐性概念;给出内P-信息显性特征、隐性特征与度量,给出内P-信息的显性、隐性定理和由此生成的属性特征。显性-隐性是P-集合的重要特征之一。     

外P-信息与它的反动态特性

P-集合(packet sets)是由内P-集合X(internal packet set X)与外P-集合XF(outer packet set XF)构成的元素集合对;或者,(X,XF)是P-集合;P-集合具有动态特性。利用外P-集合XF的结构与动态特性,对它的反动态特性给出研究,提出了基信息、外P-信息、F-补充信息、外P-反动态信息的概念;利用这些概念给出几个基本理论结果,利用这些基本结果,给出外P-反动态信息在信息系统中的应用。     

逆P-集合

利用P-集合（Packet sets）,提出逆P-集合（Inverse packet sets）,给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F（Internal inverse packet set X珔F）与外P-1-集合X珔F珔（Outer inverse packet set X珔F珔）构成的集合对;或者（X珔F,X珔F珔）是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

逆P-集合

利用P-集合(Packet sets),提出逆P-集合(Inverse packet sets),给出逆P-集合的结构;逆P-集合记作P-1-集合。P-1-集合是P-集合的对偶形式。P-1-集合是由内P-1-集合X珔F(Internal inverse packet set X珔F)与外P-1-集合X珔F珔(Outer inverse packet set X珔F珔)构成的集合对;或者(X珔F,X珔F珔)是P-1-集合;P-1-集合具有动态特征。给出P-1-集合的分离定理与P-1-集合的动态等价类特性,给出P-1-集合在动态信息系统中的应用。     

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。     

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。     

p-集合及其测度空间

将P-集合的概念从有限集合推广到任意集合,在给定测度空间的基础上依据测度论的有关知识给出了P-集合的动态盯一代数,提出了具有动态特征的P-测度空间。在任意普通集合的基础上研究P-集合,为P-集合在信息安全中的应用提供了可靠的理论保证。     

P-集合及其测度空间

将P-集合的概念从有限集合推广到任意集合,在给定测度空间的基础上依据测度论的有关知识给出了P-集合的动态σ-代数,提出了具有动态特征的P-测度空间。在任意普通集合的基础上研究P-集合,为P-集合在信息安全中的应用提供了可靠的理论保证。     

函数内P(σ)-集合及其规律的动态特征

在函数内P-集合的基础上,给出函数内P-集合副集、函数内P-集合σ-副集和函数内P(σ)-集合的概念与结构及函数内P-集合与函数内P(σ)-集合的关系,证明了函数内P(σ)-集合动态变化的属性依赖、阈值依赖定理,并探讨函数内P(σ)-集合的规律动态变化依赖因素,得到了规律变化的可辨识定理.     

P-信息隐藏挖掘的数量特征及应用

经典的集合具有静态特性。在科技迅猛发展的今天,海量数据变化更新之迅速,用经典集合来研究数据挖掘问题受到了限制,需要把动态特性引入到普通集合中,用“动态性”代替普通集合的“静态性”,而P-集合具有上述特征。利用P-集合与它的属性迁移,提出内、外k阶P-信息的粒度、挖掘度,讨论了属性迁移与信息挖掘的数量关系;给出迁移信息链式定理及最小、最大挖掘度定理。P-信息是动态信息系统知识挖掘的一个新的理论与方法,最后给出P-信息在数据挖掘中的应用。