P-集合与F-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F-信息的动态分离概念,给出F-信息分离与依赖特征,给出F-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。     

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.     

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。     

Packet sets and -F - drift law recovery

P-集合是研究动态信息系统与动态信息规律的一个新理论与新方法.利用p-集合,给出F-漂移规律生成概念,提出F-漂移规律辨识定理;给出F-漂移规律恢复概念,提出F-漂移规律恢复定理.利用这些结果,给出F-漂移规律恢复的应用与实证.     

函数单向S-粗集生成的F-模型

利用函数单向S-粗集, 给出R-函数等价类［u(x)］的f-模型与f-t阶单向动态模型的生成及有关概念, 给出F-模型与F-单向动态模型生成及有关概念, 提出F-单向动态模型序关系定理及动态分离定理, F-模型的动态特征依赖于属性集α上的属性补充。利用这些讨论, 给出F-模型生成原理及应用。     

F-畸变数据的生成与修复

P-集合是研究动态信息系统的一个新数学工具,应用P-集合的外P-集合与补充集合的关系,提出了F-畸变数据与-冗余数据的概念;给出F-畸变数据的生成定理和修复定理,包括F-畸变数据的辨识定理.最后给出F-畸变数据的修复准则与修复实例,其结果为研究动态信息系统的数据扩张提供了1种新方法.     

内P-集合与F-优化数据-筛选

应用内P-集合的内-动态特性及其结构,提出了F-优化数据概念,讨论F-优化数据的生成与筛选,获得F-优化数据-筛选定理及F-优化数据的生成-筛选算法,并给出F-优化数据-筛选的应用.研究结果为动态信息系统的数据优化提供了一种新方法.     

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。     

S-粗决策及其F-干扰生成

针对动态决策系统具有的干扰特性和决策的不确定性,利用双向S-粗集提出了F-干扰粗决策与F-干扰粗决策规律的概念,并对F-干扰粗决策生成与F-干扰粗决策规律生成的特性进行了讨论,给出了F-干扰粗决策规律不可分辨定理与识别准则和应用.通过讨论和应用,说明利用F-干扰粗决策规律有助于在动态决策系统中分辨-识别出异常干扰,修正系统做出的决策,保证决策的安全.     

双向S-粗模糊集及其F-结构

针对系统具有的模糊特性、不确定性和动态特性,利用模糊集理论和S-粗集理论,提出双向S-粗模糊集和λ-ρ双向S-粗模糊集的概念及其F-结构,给出了双向S-粗模糊集和λ-ρ双向S-粗模糊集的性质定理,并对其F-特性进行讨论,给出了应用.双向S-粗模糊集为动态粗糙模糊系统的应用提供了新的途径.