P-集合与动态信息的依赖-发现

P-集合是一个集合对,它是由内P-集合(internal packet set)与外P-集合(outer packet set)共同构成。P-集合具有动态特征,是通过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,也可得到P-集合。利用P-集合的结构与动态特性,给出动态信息生成和动态度的概念,提出动态信息生成的依赖特性、动态信息依赖、信息依赖-发现定理和信息依赖-发现准则等。最后,给出动态信息依赖-发现在信息状态识别中的应用。     

外P-集合与F-信息伪装

P-集合（packet sets）是一个集合对,它是由内P-集合（internal packet sets）与外P-集合（outer packet sets ）共同构成。P-集合具有动态性,利用外P-集合,给出F-信息伪装与F-信息伪装生成概念;提出F-信息伪装度量定理与信息伪装被恢复〖CD*2〗还原定理;给出辨识准则与方法。利用这些结果,给出F-信息伪装被恢复还原的应用。P-集合是研究动态信息系统的一个新理论和新方法。     

外P-集合与数据内-恢复

外P-集合(outer packet sets)是P-集合(packet sets)的一个部分,它是P-集合的一个概念;利用外P-集合,提出F-数据与F-数据内-恢复概念;给出F-数据内-恢复定理及内-恢复的属性删除无效原理,利用这些结果给出应用。     

内P-信息伪装与真伪信息辨识

P-集(Packet sets)是把动态特征引入到有限普通集X中，改进有限普通集X而提出的。利用P-集的结构与动态特征，提出内P-信息伪装的概念，给出内P-信息伪装生成，内P-信息伪装结构；得到内P-信息伪装的圆环定理、真伪信息认证定理及内P-信息伪装的还原-辨识，给出真伪信息辨识的应用。     

迭代F-内嵌入信息生成及其遗传发现－应用

F-半P-集合是把动态特性引入到康托集合X中得到的一个新的数学结构与数学模型。F-半P-集合是由内P-集合X^F与康托集合X构成的集合对。利用内P-集合,给出迭代F-内嵌入信息与迭代F-内嵌入信息的F-遗传概念。迭代F-内嵌入信息的F-遗传是把生物学中的遗传与迭代F-内嵌入信息进行交叉获得的。利用这些概念,给出迭代F-内嵌入信息存在性定理、迭代F-内嵌入信息的F-遗传定理与F-遗传信息的还原定理。在此基础上,给出迭代F-内嵌入信息的F-遗传发现与应用。F-半P-集合是研究动态系统工程的一个新理论。     

内P-集合与F-内嵌入信息发现-辨识

P-集合是由内P-集合X^F 与外P-集合X^F 构成的有序集合对,它具有动态特性。利用内P-集合X^F,给出F-内嵌入信息(x)^F、F-内嵌入系数IEC(x)^F 与F-内嵌入度IED(x)^F的概念,得到F-内嵌入信息存在性定理、依赖关系定理与可辨识性定理。在这些概念与结果的基础上,给出F-内嵌入信息在目标搜索中的应用。     

混合记忆信息与记忆信息筛选

P集合（packet sets）是把动态特性引入到有限普通集合X中,改进有限普通集合X而提出的;P集合具有动态特性。信息系统存在丢失信息元与增加信息元的现象,把生物的记忆特征引入到这两个现象中,利用P集合,给出F-记忆信息,F-记忆信息与混合记忆信息的概念与特征,给出记忆度量概念与记忆信息的筛选定理。此外,提出记忆信息的依赖性定理及混合记忆不变性定理,给出记忆信息的应用。信息被记忆是P 集合具有的诸多应用特性之一。     

P-集合与双P-数据恢复-辨识

利用P-集合（packet sets）,介绍内P-数据、外P-数据、 双P-数据概念;双P-数据由内P-数据与外P-数据共同构成;分析双P-数据动态特性。利用这些概念,描述双P-数据依赖与双P-数据依赖的同心圆定理,提出双P-数据恢复-辨识定理与双P-数据恢复-辨识准则,并给出应用。双P-数据恢复-辨识是信息系统中的一个新的研究领域,P-集合是这个研究领域中的一个新工具。     

数据离散区间特征与数据发现-应用

P-集合(packet-sets)具有动态特性,它是由内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 ( X^F-, X^F )。利用P-集合,给出F- -数据离散区间、F-数据离散区间的概念;利用这些概念,给出信息系统输出数据的数据离散区间特征,给出数据过滤概念;提出数据离散区间定理、数据还原定理、数据过滤定理、数据过滤剩余与数据辨识定理,给出应用。P-集合是研究信息系统输出数据变化的一个新理论与新方法。     

基于Agent技术的人机智能决策支持系统研究

将界面智能体、移动智能体和信息智能体应用于决策支持系统中,分析了各种智能体的工作原理,利用界面智能体的人机协调技术,构成一个人机共存的智能决策支持环境,利用移动智能体与信息智能体实现人机决策的网络化,给出了系统应用实例,并分析了其进一步的研究方向.     

模拟视角下广义混合型决策信息的综合集成

对由混合数据、多类型的赋权方法、多结构的集结方式等组成的广义混合型决策信息,研究该类决策信息的综合集成和求解问题。首先以传统的决策流程为底层框架,对广义混合型决策信息进行分类整合,构建信息集成框架;然后,从随机模拟视角分析了信息集成框架的求解方法并归纳了求解的基本步骤。在此基础上,通过导弹方案的选择问题对本文给出方法的具体应用进行了说明,并验证了该方法的有效性。本文通过构建信息集成框架的方式解决了多类型决策信息的融合难题,且实现了信息集成框架的柔性求解。该研究可为民主决策中多来源、多类型决策信息的融合提供技术参考。     

S-rough sets and the discovery of F-hiding knowledge

Singular rough sets （S-rough sets） have three classes of forms： one-directional S-rough sets, dual of onedirectional S-rough sets, and two-directional S-rough sets. Dynamic, hereditary, mnemonic, and hiding properties are the basic characteristics of S-rough sets. By using the S-rough sets, the concepts of f-hiding knowledge, F-hiding knowledge, hiding degree, and hiding dependence degree are given. Then, both the hiding theorem and the hiding dependence theorem of hiding knowledge are proposed. Finally, an application of hiding knowledge is discussed.     

S-rough sets and the discovery of F-hiding knowledge

Singular rough sets (S-rough sets) have three classes of forms: one-directional S-rough sets, dual of one-directional S-rough sets, and two-directional S-rough sets. Dynamic, hereditary, mnemonic, and hiding properties are the basic characteristics of S-rough sets. By using the S-rough sets, the concepts of f-hiding knowledge, F-hiding knowledge, hiding degree, and hiding dependence degree are given. Then, both the hiding theorem and the hiding dependence theorem of hiding knowledge are proposed. Finally, an application of hiding knowledge is discussed.     

体系作战信息流转超网络结构优化

稳健可靠、精干灵活的网络结构,是体系作战信息顺畅传递、高效流转的重要保证。首先,引入超网络理论,提出体系作战信息流转超网络概念,构建由物理层和逻辑层组成的分层网络结构;其次,以物理层抗毁性最强、逻辑层流转效率最高、整体网络化效能最大为优化目标,建立作战信息流转超网络均衡模型;然后,通过变分不等式进行模型转换,利用修正投影算法求解运算。最后,以空中进攻作战为例,进行仿真实验分析。结果表明,优化后的超网络在保持原网络结构特点的同时,具备更强的抗毁性、更高的流转效率和更大的网络化效能。     

S-粗集与F-隐藏知识发现

S-粗集具有三类形式:单向S-粗集,双向S-粗集,单向S-粗集对偶。S-粗集具有动态特性,遗传特性,记忆特性。利用单向S-粗集对偶与它的隐藏特性,本文给出f-隐藏知识,F-隐藏知识,隐藏度,隐藏依赖的概念,提出隐藏知识的隐藏定理,隐藏知识的隐藏依赖定理,给出F-隐藏与F-隐藏依赖在系统状态识别中的应用。     

基于NSCT和IHS变换域的灰度可见光与红外图像融合方法

针对灰度可见光与红外图像的融合问题,提出了一种基于非下采样轮廓波变换(non subsampled contourlet transform, NSCT)和IHS变换域的自适应融合方法。该方法利用IHS变换域的有效分离图像亮度信息和光谱信息的优势,对灰度可见光图像进行彩色传递并得到亮度、色调、饱合度(intensity hue saturation, IHS)三个分量的值;然后通过NSCT变换分别对可见光图像的I分量和红外图像进行多尺度和多方向分解,并采用一定的融合规则得到融合图像的低频分量和高频分量,而后进行NSCT逆变换得到灰度融合图像并将其作为最终融合图像的I分量,最后进行IHS逆变换得到红绿蓝(red green blue, RGB)彩色融合图像。理论分析和仿真实验验证了该算法的有效性。     

基于设计特性覆盖的测试性定量分析方法

针对目前测试性分析基于故障分析的现状,提出了一种基于系统结构、性能、功能的测试性定量分析方法。定义了系统设计特性覆盖测试模型,系统结构、功能、性能及测试关联模型,性能覆盖率、功能覆盖率、结构覆盖率的定量计算模型。建立了基于设计特性覆盖的测试性定量分析流程,主要包括系统基本信息建立、信息间直接关联关系生成,测试覆盖率定量计算及测试未覆盖项分析。以某飞机舵机系统为例进行了应用,结果验证了方法的可行性和有效性。     

基于小波变换的融合算法研究

目前许多关于图像融合算法的研究都在空域中进行,隐藏图像抗攻击的能力较差。采用了基于小波变换的图像融合技术,提出了基于小波变换的分块融合算法,使图像的鲁棒性得到很大的提高,尤其是抗JPEG压缩和抗噪声干扰的能力较强,算法可应用于数字图像的版权保护和信息隐藏领域。     

基于认知图和直觉模糊推理的态势评估方法

针对战场环境中信息的不确定性和交互关联性问题,将直觉模糊推理理论与认知图推理相结合,提出一种基于认知图和直觉模糊理论的态势评估方法。首先,分析当前认知图推理的特点与不足,建立基于直觉模糊集理论和有序加权平均算子的直觉模糊认知图模型;其次,提出直觉模糊认知图的态势评估推理过程;最后,用实例给出评估结果,验证方法的有效性和正确性。该方法能更准确地描述战场客观环境,为决策者提供更多的决策信息和决策偏好自由度。