信息规律智能变换-伪装与P-规律增广矩阵

利用函数P-集合的动态结构,改进普通增广矩阵概念,提出规律矩阵、内P-规律增广矩阵、外P-规律增广矩阵与P-规律增广矩阵,给出它们的结构、生成和属性关系。提出P-规律增广矩阵推理和推理结构,给出在P-规律增广矩阵推理条件下的规律智能分离、智能分离定理、信息规律智能分离算法及其在信息图像智能变换-伪装中的应用。     

单向S-粗决策规律与决策规律挖掘

利用单向S-粗集,给出单向S-粗决策规律生成方法;给出上决策规律,下决策规律,单向S-粗决策规律核,单向S-粗决策规律带,单向S-粗决策规律壳的概念;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,F-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。     

逆P-等价类的逆P-推理分离-还原

 逆P-集合是把动态特性引入到有限普通集合X内(Cantor set X),改进有限普通集合X被提出的。逆P-集合是由内逆P-集合F与外逆P-集合构成的集合对;或者,(F,)是逆P-集合。逆P-集合具有动态特性。逆P-推理是逆P-集合生成的一个动态推理,它是由内逆P-推理与外逆P-推理共同构成的。利用逆P-集合和逆P-推理, 给出逆P-等价类、内逆P-等价类和外逆P-等价类概念,逆P-等价类与普通等价类的关系,逆P-等价类的逆P-推理分离-还原与分离-还原定理。在静态-动态条件下,普通等价类是逆P-等价类的特例,逆P-等价类是普通等价类的一般形式。     

内 P（ρ，σ）-集合的随机特性-应用

P（ρ,σ）-集合是P-集合的一般形式,在P（ρ,σ）-集合（XPFρ,XPFσ）概念的基础上,探讨了内P（ρ,σ）-集合与内P-集合的关系：给出内P（ρ,σ）-集合与内P-集合关系定理、内P（ρ,σ）-集合XPF珔ρ与数值ρ关系定理和内P（ρ,σ）-集合的范围、内P（ρ,σ）-集合的生成、还原、辨识定理、过滤生成原理,探讨了内P（ρ,σ）-集合的其他特性和有限性定理,链定理、概率区间有限分割定理、属性集合关系定理及其推论,最后给出了内P（ρ,σ）-集合的应用。     

P-集合与内 P-信息的显性-隐性特征

P-集合（ packet sets）是把动态特性引入到有限普通集合X（ cantor set X）内,改进有限普通集合X被提出的。P-集合具有动态特性,P-集合是由内P-集合XF珔（internal packet set XF）与外P-集合XF（outer packet set XF）构成的元素集合对,或者（XF,XF）是P-集合。利用内P-集合结构与生物学中显性基因和隐性基因概念交叉,给出内P-信息的显性、隐性概念;给出内P-信息显性特征、隐性特征与度量,给出内P-信息的显性、隐性定理和由此生成的属性特征。显性-隐性是P-集合的重要特征之一。     

变异S-粗集与它的变异结构

提出了变异S-粗集，给出单向变异S-粗集与双向变异S-粗集的数学结构；提出变异S-粗集与S-粗集的对偶性定理与变异一对偶原理．变异S-粗集是S-粗集研究的一个新方向．     

P-集合

利用普通集合, 提出包集合(简称P-集合), P-集合是由内P-集合X与外P-集合XF共同构成。 并给出P-集合的结构和P-集合与普通集合的关系, P-集合具有动态特性。 在静态-动态意义下, 普通集合是P-集合的特例, P-集合是普通集合的一般形式, 然后提出P-集合的内P-分解定理与外P-分解定理, 利用P-集合, 给出集成知识与它的结构, 最后给出P-集合在动态知识发现中的应用。     

知识的属性依赖挖掘与识别

利用属性集α内被补充属性,知识［x］内的元素个数被减少;利用属性集α内的部分属性被删除, 知识［x］内的元素个数被增加的两个特性。给出阶梯知识,阶梯知识生成,知识属性依赖的概念,提出知识的属性依赖挖掘定理,知识的属性依赖挖掘-状态识别准则,给出知识的属性依赖挖掘的应用。     

函数单向S-粗集生成的F-粗积分

函数单向S-粗集中的上近似与下近似均可看作是一个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,称这个积分对是函数单向S-粗集生成的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,也有一些良好的性质,为解决实际问题提供了一个方便有效的工具。     

生产调度的稳定性研究

生产调度中存在着大量的约束条件，它是否可行完全取决于所有约束条件是否都满足。文章研究了面向约束的调度稳定性问题。给出了硬约束、软约束和约束满意度的定义，提出了调度稳定度的概念，最后给出一个生产调度案例说明了调度稳定度在生产实际中应用的意义。