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.     

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。     

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。     

F-粗积分与它的面积覆盖-边界厚度特征

F-粗积分是函数单向S-粗集上的一个积分对,基于F-粗积分引入面积覆盖度和边界厚度概念。讨论了当有外来属性迁入函数单向S-粗集的属性集时,面积覆盖度、边界厚度等的一系列变化,给出其动态变化规律。面积覆盖度和边界厚度把对F-粗积分的讨论由定性过渡到定量。     

P-集合与(,F)-数据生成-辨识

P-集合(packet sets)是一个集合对, 它由内P-集合(internal packet sets)与外P-集合(outer packet sets)共同构成, P-集合具有动态特性。利用P-集合,给出数据集合, 数据集合,F-数据集合与(,F)-数据集合概念;提出-数据集定理, F-数据集定理, (,F)-数据带定理,数据集合恢复定理, (,F)-数据辨识定理,给出辨识准则。 利用这些结果, 给出(,F)-数据在信息系统中的应用。P-集合是研究动态信息系统的一个新理论与新方法。     

双枝模糊集模糊性度量

利用双枝模糊集概念,提出了双枝模糊集、上枝模糊集、下枝模糊集的模糊度概念。通过双枝模糊集模糊度的理论定义,给出了有限论域上双枝模糊集、上枝模糊集、下枝模糊集模糊度的构造性定理,利用这些定理进一步给出了双枝模糊集、上枝模糊集、下枝模糊集模糊度的几种具体计算公式。通过讨论得出单枝模糊集的模糊度是双枝模糊集模糊度的特例。     

函数S-粗集与投资风险F-规律发现

利用函数F-粗集概念给出了规律的f-遗传, f-遗传规律生成,函数单向S-粗集的F-遗传, F-遗传规律生成等概念.提出了F-遗传规律包络定理, F-传递规律分离定理.利用这些结果,给出函数单向S-粗集与投资风险F-规律的发现与应用.     

知识过滤与属性f-迁移依赖

依据S-粗集,给出f-迁移知识,F-迁移知识,知识过滤度和知识过滤属性f-迁移依赖的概念,提出知识过滤属性f-迁移依赖定理,给出知识过滤属性f-迁移依赖在知识识别中的应用,揭露了知识过滤的本质.     

基于粗糙集的信息粗传递

针对实际中两种信息传递情况,提出了两种信息粗传递概念—下近似和上近似信息粗传递。利用粗糙集理论对这两种信息粗传递进行了讨论,分析了粗传递信息保持不变、发生损失和发生增益的条件,得到了下近似和上近似粗传递信息不变定理,下近似粗传递信息损失定理,上近似粗传递信息增益定理,下近似和上近似信息粗传递原理以及提高信息粗传递精确性的方法。信息粗传递是粗糙集理论的一个新的应用。     

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。