P-集合与（-↑F,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,-↑F-数据集合,F-数据集合与（-↑F,F）-数据集合概念;提出-↑F-数据集定理,F-数据集定理,（-↑F,F）-数据带定理,数据集合恢复定理,（-↑F,F）-数据辨识定理,给出辨识准则。利用这些结果,给出（-↑F,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。     

粗糙网络及其应用

粗糙图理论是知识发现、知识挖掘的新的理论工具。对粗糙图理论做进一步的研究,首先给出了有向粗糙图的定义,并进一步定义了粗糙网络及粗糙网络中的类流,又讨论了有向粗糙图及粗糙网络的表示形式。通过推广传统最大流算法,给出了粗糙网络中的类最大流算法,并将其应用于新的一类关系挖掘问题中。     

一种基于单向变异S-概率粗集的动态决策方法

针对因决策因素个数的减少而导致的决策精度降低的情况,提出了一种基于单向变异S-概率粗集的动态决策方法。利用单向变异S-概率粗集的属性动态迁移特性,结合知识库中的统计信息,讨论了单向变异S-概率粗集模型的属性概率性质。利用上述性质的讨论,给出了一个具体的军事动态决策实例,从而证明该方法可以有效地提高决策精度。     

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。     

基数余-亏与逆P-增广矩阵

利用逆P-集合的动态特征,改进普通增广矩阵概念,提出内逆P-增广矩阵,外逆P-增广矩阵与逆P-增广矩阵,给出它们的结构、生成与关系。利用基数余-亏与逆P-增广矩阵交叉,提出基数余值与内逆P-增广矩阵关系定理,基数亏值与外逆P-增广矩阵关系定理,以及基数余-亏值与逆P-增广矩阵关系定理,最后给出这些理论结果的应用。     

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.     

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.     

F-规律推理与规律挖掘

对S-粗集给出改进,把函数这个分析工具引入到S-粗集中,提出函数S-粗集(function singularrough sets)。函数单向S-粗集(function one direction singular rough sets)是函数S-粗集的基本形式之一,它是以R-函数等价类[u]定义的;ui∈[u]是一个函数,函数是一个规律。函数单向S-粗集具有单向动态特性与规律特征:利用函数单向S-粗集的规律特征,给出F-规律推理与F-规律推理的规律挖掘概念,提出F-规律推理的规律挖掘定理,F-规律推理的规律挖掘原理与F-规律推理的规律挖掘应用。F-规律推理的规律挖掘是寻找系统中未知规律研究的一个新的研究方向。     

灰色预测公式的理论缺陷及改进

分析 GM(1 ,1 )预测模型存在的理论缺陷 ,指出在形成预测公式时规定 ^ X( 1 ) (1 )为已知条件是不合理的 ,应当根据实际情况选用其他数据 .本文对原公式进行修正和拓广 ,提出了新的预测公式 ,为提高预测精度提供了新的途径 .     

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．