单元素迁移与S-粗集的动态结构特征

在S 粗集的基础上,给出单元素迁移的定义,讨论了单元素迁移对粗集结构的影响,并给出了相关定理;用单元素迁移解释S 粗集的动态过程,给出了S 粗集的动态结构特征.     

副集的随机特征

利用S-粗集理论和元素迁移的随机性,提出元素迁移的信度及信度函数的概念,提出随机副集的概念,给出了随机副集的(α,β)-随机生成,(α,β)-强随机生成;讨论了随机副集的生成特性．     

粗交流整体最优传递序列的模拟退火算法

粗交流中,确定概念在多个agents间传递时,由于各个agent有不同的语言,相互之间不能提供准确的信息交流,从而导致概念在传递过程中会丢失部分信息,最后得到粗糙的结果.在不同的粗交流传递序列中,信息的丢失量往往是不同的.利用模拟退火算法,得到使参与粗交流的各个agent获得信息量最大的粗交流传递序列.算法的分析和仿真验证了该方法的有效性.     

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。     

基于条件粗糙熵的粗集不确定性度量

基于知识的条件粗糙熵理论,提出了集合的条件粗糙熵(简称条件熵)概念,用来刻画和度量集合的不确定性(粗糙性)。给出集合条件熵的性质和相关定理:在近似空间中,等价划分越细,集合的条件熵就越小,粗糙性也就越小;不同的决策集合并后粗糙性会降低.讨论了集合的条件熵在目标信息系统中的理论意义,集合的条件熵刻画了目标信息系统的局部(某个决策集)的不确定性。     

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。     

函数S-粗集与隐藏规律安全-认证

函数S-粗集是用具有动态特性的冗．函数等价类定义的,函数S-粗集具有动态特性、规律特性与规律隐藏特性．函数S-粗集能够生成f-隐藏规律、f-隐藏规律．把信息安全理论与函数S-粗集嫁接、交叉、渗透;给出f-隐藏规律、f-隐藏规律的安全隐藏与认证．函数S-粗集与信息安全理论融合、共享,是信息系统中信息规律应用研究的一个新的研究方向．     

函数S-粗集与F隐形图像生成-辨识

利用函数S 粗集, 给出图像生成, 提出 隐形图像的概念、构成结构、 隐形图像的属性特征和分离定理与还原定理, 给出 隐形图像在图像信息系统中的应用。     

知识依赖与知识依赖特性

给出S-粗集(Singular rough sets)中的知识,f^--知识和它们的属性集结构;利用这些概念,给出知识的f-依赖关系与知识的f^--依赖关系,提出知识依赖性定理和知识的依赖属性补充-删除原理．     

函数单向S-粗集对偶生成的F-粗积分

单向函数S-粗集对偶中的上近似与下近似均可以看作是一个R-函数等价类,他们生成的函数如果在一闭区间上连续,则在该区间存在积分,这样就得到一个积分对,称这个积分对是单向函数S-粗集对偶生成的F-粗积分．F-粗积分是普通积分的推广,而且它具有动态特性和良好的性质,为解决实际问题提供了一个方便有效的工具．