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。     

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。     

S-粗集与它的-F干扰依赖还原

利用单向S-粗集对偶（dual of one direction singular rough sets）给出了知识的f^-干扰生成与还原,单向S-粗集对偶的F^-干扰生成与还原的概念,在这些概念的基础上提出了F^-干扰定理,F^-干扰盈余定理,F^-干扰分辨定理,干扰依赖还原定理,干扰依赖还原原理,给出F^-干扰的应用.     

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．     

P-信息智能动态融合与信息规律状态智能识别

利用函数P-集合,给出P-信息规律融合的概念及其智能动态融合。提出函数P-集合生成的信息规律融合概念,给出在P-信息规律推理条件下的P-信息规律智能动态融合生成与智能融合定理。利用这些理论结果,给出P-信息规律智能动态融合在信息规律状态智能识别的应用。     

信息动态融合识别与P-增广矩阵关系

P-集合是一个具有动态特征的数学集合模型,它是由内P-集合■与外P-集合X^F构成的集合对;P-增广矩阵是利用P-集合的动态特征改进普通增广矩阵得到的增广矩阵新结构,它是由内P-增广矩阵■与外P-增广矩阵A^F构成的矩阵对.将P-集合与P-增广矩阵交叉应用研究,得到信息动态融合与它的生成,给出信息动态融合发现-识别与P-增广矩阵分离系数定理,以及信息动态融合识别准则,最后利用这些理论与结果给出应用.     

函数P-集合

把函数概念引入到P-集合（packetsets）中,改进P-集合,提出函数集合（function packet sets）,给出函数集合的结构。函数P-集合具有动态特性和规律特性。函数P-集合是由函数内P-集合S^F（function internal packet set S^F）与函数外P-集合S^F（function outer packet set S^F）构成的函数集合对;或者,（S^F,S^F）是函数P-集合。P-集合是函数P-集合的特例,函数P-集合是P-集合的一般形式。在一定条件下,函数P-集合能够回到函数集S的“原点”。给出函数P-集合在未知信息规律发现中的应用,这些未知的信息规律潜藏在信息系统中,它们不被人们事先知道。     

模糊粗交流及其应用

提出了变异模糊粗集的概念,并给出了变异模糊粗集的相关性质和定理。将Amin Mousavi提出的粗交流进行了推广,提出了模糊粗交流。建立了模糊粗交流网络最优传递序列的数学模型,应用模糊粗交流理论给出了解决这类数学模型的算法。最后利用提出的算法解决了通讯网络中选择最优通讯线路的实例,从而验证了算法的有效性。     

(F)-风险属性入侵与承灾规律识别

针对公共突发事件的动态性、不确定性和危害性,利用单向S-粗集对偶(dual ofone direction sin-gular rough sets)给出承灾类、承灾量、F-承灾损失、F-承灾度、F-承灾损失规律、F-承灾度规律的概念,利用这些概念提出了F-承灾损失与F-承灾度关系定理,F-承灾损失规律与F-承灾度规律关系定理,F-风险属性入侵规律分辨定理,F-承灾度规律识别准则与应用.单向S-粗集是应急管理理论与方法研究中的一个新的有效的数学工具.     

内P-集合与数据外-恢复

内P 集合是P 集合的一个部分,它是P 集合的一个概念。利用内P 集合,提出 数据与 数据外-恢复概念,给出 数据外-恢复定理,外-恢复的属性补充冗余原理,利用这些结果给出应用。