逆P-推理与未知信息推理-搜索与发现

逆P-集合(inverse packet sets)是改进P-集合(packet sets)得到的一个新的数学结构,它是由内逆P-集合X珡F(internal inverse packet setX珡F)与外逆P-集合X珡F珚(outer inverse packet setX珡F珚)构成的集合对;或者(X珡F,X珡F珚)是逆P-集合。逆P-集合具有动态特性,逆P-集合的动态特性与另一类信息系统的动态特性相同。P-集合是把动态特性引入到有限普通集合X内,改进有限普通集合X得到的。P-集合具有动态特性,P-集合的动态特性与一类信息系统的动态特性相同。P-集合在一类信息系统中获得了多个应用。P-推理(packet reasoning)是P-集合生成的一个具有动态特性的推理。利用逆P-集合(inverse packet sets)与逆P-推理(inverse packet reasoning)给出逆P-推理与内-外搜索定理、逆P-推理的几何特征,以及逆P-推理与未知信息搜索-辨识的多个基本理论结果与应用。逆P-集合与逆P-推理具有好的应用前景。     

逆P-信息嵌入隐藏与它的逆P-推理分离-发现

逆P-集合(inverse packet sets)是由内逆P-集合F(internal inverse packet set F)与外逆P-集合(outer inverse packet set )构成的集合对;或者()是逆P-集合。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得到的。逆P-集合具有与P-集合相反的动态特性。利用逆P-集合给出逆P-信息的概念、逆P-信息嵌入隐藏与嵌入-隐藏定理、逆P-信息的隐藏还原属性特征、逆P-信息嵌入隐藏的逆P-推理分离-发现。利用这些结果,给出逆P-信息嵌入隐藏的逆P-推理分离-发现的应用。     

内逆P-信息智能融合与它的属性析取特征-应用

逆P-集合(inverse packet set)是由内逆P-集合珡XF(internal inverse packet set)与外逆P-集合珡X珚F(outer inverse packet set)构成的元素集合对;或者,(珡XF,珡X珚F)是逆P-集合;逆P-集合具有动态特性。利用内逆P-集合与内逆P-推理(internal inverse packet reasoning)、内逆P-信息智能融合生成、内逆P-信息智能融合补充生成与内逆P-信息智能融合度量,给出内逆P-信息智能融合定理、内逆P-信息智能融合依赖定理与内逆P-信息智能融合还原定理。给出内逆P-信息智能融合的属性析取特征与属性析取扩展定理,以及属性析取扩展-未知内逆P-信息智能融合发现原理;给出这些理论结果的应用。逆P-集合是研究另一类动态信息应用的新理论、新方法;另一类动态信息具有属性析取特征。     

风险投资亏损的P-推理发现与应用

P-集合(packet sets)是一个具有动态特征的、新的数学结构与数学模型;P-集合是由内P-集合X(internal packet set X)与外P-集合XF(outer packet set XF)构成的集合对;或者(X,XF)是P-集合。P-集合是把动态特性引入有限普通集合X(Cantor set X)内,改进有限普通集合X得到的。P-推理(packet reasoning)是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的。利用P-集合、P -推理,研究风险投资亏损发现。给出规律、内P-规律、外P-规律、P-规律及其生成;给出规律属性定理、内P-规律、外P-规律的P-推理发现;介绍内P-推理在风险投资亏损估计中的应用。     

内P-推理信息恢复与属性潜藏推理发现

P-集合(packet sets)是把动态特性引入到有限普通集合X内,改进有限普通集合X得到的一个动态模型;在一定的条件下,P-集合被还原成有限普通集合X。P-集合由内P-集合X (internal packet set X)与外P-集合XF (outerpacket set XF)构成的集合对;或者,(X,XF)是P-集合。P-推理(packet reasoning)由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成。利用内P-集合与内P-推理,给出了内P-信息恢复概念与内P-信息恢复特征、内P-信息恢复的内P-推理生成与它的属性潜藏、内P-信息恢复的信息元补充定理、内P-信息恢复的依赖性定理,以及内P-推理信息恢复的属性潜藏定理与属性潜藏发现定理。利用这些理论结果,给出内P-推理信息恢复在信息系统中的应用。     

具有属性析取扩展特征的内逆P-信息智能挖掘

逆P-集合(inverse packet sets)是由内逆P-集合P-F(internal inverse packet set(X)F)与外逆P-集合XF(outerinverse packet setXF)构成的集合对;或者,((X)F,(X)F)是逆P-集合;逆P-集合具有动态特性.它是研究另一类动态信息与应用的新模型.逆P-集合中元素的属性满足属性析取.利用内逆P-集合的结构,给出了元素的属性析取扩展形式与特征、属性析取扩展条件下的内逆P-信息智能挖掘,以及挖掘定理与智能挖掘原理;给出了满足内逆P-推理与非完整信息条件下的完整信息的智能挖掘-发现.利用这些结果,给出了具有属性析取扩展特征的信息智能挖掘的应用.     

P-模糊集(AF,AF)及其应用

把动态特性引入到有限普通集合X内,改进了普通集合X,提出了P-集合(packet sets) ; P-集合是由内P集合XF (internal packet set XF)与外P集合XF (outer packet set XF)构成的集合对;或者(XF,XF)是P集合。P-集合具有动态特性:内P-集合具有内一动态特性,外P集合具有外一动态特性。把P集合(XF,XF)引入到L. A. Zadeh模糊集A中,改进L. A. Zadeh模糊集A,提出P模糊集(packet fuzzy sets). P-模糊集是由内P模糊集AF (internal packet fuzzy sctAF)与外P模糊集AF (outer packet fuzzy set AF)构成的模糊集合对,或者(AF'AF)是P模糊集。P模糊集具有动态特性,给出了P模糊集的若干特征与应用。在一定条件下,P模糊集(AF, AF)能够回到L.A. Zadch模糊集A的“原点”。P模糊集比L. A. Zadeh模糊集具有更大的应用空间。P模糊集是模糊集理论与应用中的一个新的研究方向。     

P-推理与信息的P-推理发现-辨识

P-集合((Packet sets)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得到的一个新的数学结构与数学模型。P-集合是由内P-集合XI' (internal packet set XI')与外P-集合XI' (outer packet set XI' )构成的集合对;或者,(了,了)是P-集合。P集合具有动态性。利用P-集合,给出内P-推理(internal packet reaso-ning)、外P-推理(outer packet reasoning) ,P-推理(packet reasoning)与推理模型的图形表示;P推理的结构是:if时,ak, )}}ak, }ak} ) } then ((x)k+} , (x)k)}((x)k , (x)象1)。给出内P-推理与信息删除定理、外P-推理与信息补充定理、P推理与信息删除一补充定理、P-推理与普通推理关系定理、信息单位圆、内P推理信息圆、外P-推理信息圆概念、P-推理信息圆的动态特性定理、推理信息圆一未知信息的内发现准则、推理信息圆一未知信息的外发现准则。利用这些结果,给出内P一推理在未知内一信息发现一辨识中的应用。因为P推理是一个动态过程,给出P推理的属性扰动特征、内P推理的内P扰动定理、外P推理的外P一扰动定理与P一推理的P扰动定理。在内P推理中,因为内P一扰动存在,使得内P推理结论中的信息丢了部分信息元;在外P推理中,因为外P扰动存在,使得外P-推理结论中的信息被补充了部分信息元。P集合是智能信息系统中的一个应用前景看好的新模型、新方法。     

P-集合与它的动态等价类特征

P-集合(packet sets)是把动态特性引入到有限普通集合(Cantor set)内,以改进有限普通集合而提出的。P-集合具有动态特性。P-集合是由内P-集合XF-(internal packet set XF-)与外P-集合XF(outer packet set XF)构成的集合对。利用P-集合,提出内P-等价类、外P-等价类、P等价类的概念;给出P-等价类还原定理、内P-等价类离散区间内点定理、外P-等价类离散区间外点定理、P-等价类离散区间子区间定理、P-等价类辨识准则;利用这些结果给出P-等价类在未知信息搜索-辨识中的应用。结果表明,P-集合与普通集合之间存在交叉、渗透空间,一些新结果潜藏在这个空间中。     

P-集合与数据内搜索-应用

P-集合是把动态特性引入到有限普通集合中,改进普通集合得到的。P-集合是由内P-集合XF(internal packet sets XF)与外P-集合XF(outer packet sets XF)构成的集合对,或者(XF,XF)是P-集合。利用内P-集合,给出数据内搜索的概念,给出F-数据的度量和依赖关系,给出F-数据内搜索迭代算法和准则,给出数据内搜索的应用。P-集合是研究动态信息系统的一个新理论与新方法。     

P-集合与F-记忆信息特性-应用

P-集合(packet sets)是由内P-集合XF (internal packet set XF)与外P-集合XF (outer packet set XF)构成的集合对;或者,(丫,XF)是P集合。P-集合具有动态特性。P集合的动态特性来自对集合X的属性集合a给予部分属性补充和部分属性删除。利用P-集合的结构与动态特性,给出了F-记忆信息生成概念、F-记忆信息的度量与F-记忆信息的F-记忆圆概念,提出了F-记忆信息存在性定理、F-记忆信息恢复定理与F-记忆信息特性定理。利用这些结果,给出了F-记忆信息的应用。指出P-集合是研究动态信息系统的一个新的数学模型与数学方法。     

逆P-集合的边界特征与系统状态监测

逆P-集合是具有动态特性的集合模型,逆P-集合的动态特性来自集合内元素(属性)的动态迁移:元素迁入使得集合的边界向外扩展,元素迁出使得集合的边界向内收缩,从而产生扰动的边界和稳定的核。基于上述事实,在逆P-集合的基础上,提出逆P-集合的边界、核的概念和特征,给出逆P-集合与有限普通元素集合之间的关系、边界和核的扰动定理及逆P-集合、边界和核在系统状态监测中的应用。     

半P-集合(XF,X)与噪声数据剔除-应用

半P-集合(half packet sets)是由内P-集合XF (internal packet set XF)与有限普通集合X构成的集合对,或者(XF,X)是半P-集合,它具有内一动态特性。为了剔除噪声数据,获得目标数据,利用半P-集合提出了基于属性补充的递推一别除噪声数据的方法。提出了噪声数据、噪声数据集成与F-数据核概念;给出了噪声数据与F-数据生成的递推方法与递推结构、噪声数据集成与F-数据核关系定理、F-数据依赖与辫识定理、噪声数据递推-剔除定理、噪声数据辨识准则与噪声数据递推-剔除准则,以及噪声数据递推-剔除应用。半P-集合是P-集合理论与应用的一个新的研究分支,是研究具有内一动态信息系统的一个新的数学方法。     

P-集合与它的应用特征

P-集合(packet sets)是由内P-集合XF(internal packet sets XF)与外P-集合XF(outer packet sets XF)构成的集合对,或者(XF,XF)是P-集合.P-集合具有动态特性.利用P-集合,给出信息遗传概念,给出信息遗传的度量,提出信息遗传定理.利用信息遗传特性,给出信息状态辨识的方法与应用,给出信息图像生成、信息图像隐匿-潜藏的应用.P-集合是研究动态信息系统的一个新的理论与方法.最后给出P-集合存在的事实,给出P-集合与Z.Pawlak粗集的区别.     

(■,F~-)-信息的辨识-过滤

P-集合(packet sets)具有动态特性,它是由内P-集合X■与外P-集合XF构成的集合对(X■,XF)。基于具有内动态特性的信息系统,应用内P-集合,提出(Fˉ,F-)-信息概念;讨论(■,F-)-信息的辨识与过滤。给出(■,F-)-粒度与(■,F-)-过滤系数概念,得到(■,F-)-信息辨识方法与辨识准则,以及(■,F-)-信息过滤定理与过滤准则,并给出(■,F-)-信息的辨识-过滤应用。(■,F-)-信息辨识与过滤的讨论结果为研究具有内动态现象的信息过滤-发现提供了一种新方法。     

P-集合与F-记忆信息特性-应用

P-集合(packet sets)是由内P集合(internal packet sets)与外P集合(outer packet sets)构成的集合对,或者(XF,XF)是P-集合。P-集合具有动态特性。P集合的动态特性来自对集合X的属性集合a给予属性补充与给予属性删除。利用P-集合的结构与动态特性、F-记忆信息生成概念,给出了异记忆信息的度量与F-记忆信息的F-记忆圆概念,提出了异记忆信息存在性定理、F-记忆信息恢复定理与F-记忆信息特性定理。利用这些结果,给出了F-记忆信息的应用。P-集合是研究动态信息系统的一个新的数学模型与数学方法。     

P-数据模型与数据的智能获取

文中首次提出具有动态特征的P-数据(Packet data)模型。P-数据模型通过改进P-集合(Packet sets)模型而得到,其由内P-数据(internal Packet data)与外P-数据(outer Packet data)共同构成。给出了P-数据模型与模型结构,得到了P-数据模型与它的属性合取范式扩展-萎缩生成定理,进而得到了P-数据推理(Packet data reasoning)模型与数据的智能获取定理;最后利用这些概念和结果,给出内P-数据智能获取与风险数据估计的应用。     

P-集合与F-外嵌入信息辨识-发现

利用外P-集合XF,给出信息(x)的F-外嵌入信息(X)F与F-外嵌入信息依赖概念,给出F-外嵌入信息存在性定理、F-外嵌入信息依赖性定理。给出F-外嵌入系数与外嵌入度概念,并利用这些概念,给出F-外嵌入信息关系定理与F-外嵌入辩识定理。利用这些概念与结果,给出F-外嵌入信息在信息系统中的应用。