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。     

函数S-粗集与规律辨识

把具有动态特征的元素等价类，引入到Pawlak Z粗集中，对Pawlak Z粗集给出改进，提出S-粗集（singular roughsets），S-粗集是用具有动态特性的元素等价类定义的，S-粗集具有动态特性。把具有动态特性的函数等价类（规律等价类），引入到S-粗集中，对S-粗集给出改进，提出函数S-粗集（function singular roughsets），函数S-粗集具有了动态特性和规律特性。一个函数是一个规律。利用函数S-粗集，给出规律辨识、规律辨识定理、规律辨识准则与应用。函数S-粗集是粗集理论的一个新的研究方向，函数S-粗集是系统规律辨识研究的一个新的工具。     

变异粗集与[α/R]知识

利用Z-pawlak rough sets，提出变异粗集，给出变异粗集的数学结构和变异粗集与Z.pawlak粗集之间的关系，给出变异粗集与Z.pawlak粗集的变异一对偶原理；利用这些结果，提出知识分离的判定定理和知识挖掘准则，变异粗集是Z.pawlak粗集中的一个新的研究方向．     

-干扰规律生成与特征识别

利用单向S-粗集对偶给出知识的(-f-)干扰生成与(-f-)干扰规律生成,单向S-粗集对偶的(-F-)干扰生成与(-F-)干扰规律生成的概念,基于这些概念提出了(-F-)干扰盈余与(-F-)干扰度关系定理、(-F-)干扰盈余规律与(-F-)干扰度规律关系定理、(-F-)干扰分辨定理、(-F-)干扰规律分辨定理,给出了(-F-)-干扰规律识别准则与应用.     

粗信息矩阵与它的特征

给出了信息矩阵的概念，利用这个概念，提出了粗信息矩阵，给出了粗信息矩阵的特征，得到了一系列重要的定理.     

一种基于函数S-粗集的态势预测方法

针对态势评估中未来可能出现态势的优劣情况,提出了一种基于函数S-粗集的态势预测方法。利用函数S-粗集的粗规律挖掘功能,采用拉格朗日插值多项式,以函数单向S-粗集对偶为例,给出了应用该方法的具体步骤。最后通过态势评估中一个具体实例证明了该方法的有效性。得到了运用函数S-粗集能够找到隐藏在系统中的粗规律的结论。     

单向S-对偶粗决策规律与决策规律挖掘

利用单向S-粗集对偶,给出单向S-对偶粗决策规律生成方法;给出上决策规律,下决策规律,单向S-对偶粗决策规律核,单向S-对偶粗决策规律带的概念. 利用这些概念,提出下决策规律传递定理, 上决策规律传递定理,分离的属性定理,粗决策规律挖掘定理与粗决策规律挖掘准则.     

战场弹药总量预测模型研究

为了准确地对战场弹药消耗总量进行预测,首先将影响弹药用量的各种因素分为l类,然后由n位专家对每个因素评价打分,建立l个评价矩阵,在对评价矩阵中的数据进行预处理后,再用投影寻踪的方法,将评价矩阵作降维处理,得到l个综合评价指标;最后将这l个综合评价指标作为输入项,实际弹药用量作为理想输出,训练神经网络,得到网络结构参数,最终实现对新战例弹药用量的神经网络预测。     

函数S-粗集与系统状态■-识别

利用函数单向S-粗集对偶,给出系统状态规律生成概念;提出系统状态识别第一定理与第二定理,给出系统状态识别准则.利用这些结果,给出函数S-粗集在系统状态-F-识别中的应用.     

粗系统与它的粗依赖

利用函数S-粗集(function singular rough sets)，给出粗系统与粗依赖的概念，给出粗系统的依赖性度量；提出粗依赖的序定理，粗依赖的惯性定理和粗依赖的惯性原理；给出粗系统的粗依赖在经济系统投资预警分析中的应用．