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.  

Vague集的转化与相似度量

基于Vague集的投票模型解释,对Vague进行分步转化,得到转化的极限状态为一模糊集。在此基础上讨论Vague集之间及元素之间的相似度量,给出一系列相似度量公式,并讨论其性质。最后,用实例说明其应用。该文的结论为Vague环境下的信息处理提供有效方法。  

基于VC++6.0的高速串口通信数据采集系统

在VC 6．0中利用MSComm控件实现串口通信时实时性较差。系统资源利用不足。无法满足高速串口数据采集软件的编程要求．针对高速串口数据采集软件的设计要求，提出了基于多线程技术和自定义消息机制的异步串口通信的设计思想．结合串口通信的机理和多线程同步方式，分析了Win32系统下多线程异步串口通信程序的开发方法。  

P-集合，逆P-集合与信息智能融合-过滤辨识

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.P-集合是由内P-集合XF(internal packet setXF)与外P-集合XF (outer packet set X,)构成的集合对；或者,(XF,XF)是P-集合.P-集合具有动态性,在一定条件下,P-集合被还原成有限普通集合X.P-集合是一类动态信息系统的数学表示.逆P-集合(inverse packet sets)是由P-集合得到的,具有动态特性,具有与P-集合相反的数学结构.逆P-集合是由内逆P-集合(X)F (internal inverse packet set XF)与外逆P-集合(X)F(outer inverse packet set (X)F)构成的集合对；或者,((X)F,(X)F)是逆P-集合.在一定条件下,逆P-集合被还原成有限普通集合X.逆P-集合是另一类动态信息系统的数学表示.P-推理(packet reasoning)是由P-集合生成的动态推理,逆P-推理(inverse packet reasoning)是由逆P-集合生成的动态推理.把P-集合、逆P-集合、P-推理、逆P-推理与信息融合交叉、渗透,给出信息智能融合-过滤辨识理论与应用研究.同时给出P-集合与逆P-集合的结构、P-集合与逆P-集合的分离、P-集合与逆P-集合的等价类特征、P-信息融合与逆P-信息融合、P-信息融合与逆P-信息融合的推理发现、P-信息融合与逆P-信息融合度量、P-信息融合与逆P-信息融合的过滤-辨识,以及信息智能融合-过滤辨识的应用.P-集合与逆P-集合是研究信息融合理论与应用的一个新理论、新方法.  

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。  

F-信息伪装与伪装-还原辨识

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，相似文献

连续混沌系统的混沌同步控制

给出了一种实现混沌系统混沌同步的控制方法．通过引入一待定的控制项，将两系统的混沌同步问题转化为讨论与其对应的线性系统的0解渐近稳定性问题，然后根据线性系统控制理论确定此控制项，以实现两混沌系统的同步目的．该方法简单易行，可有效的实现两个混沌系统的混沌同步，且其同步是全局渐近稳定的．  

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。  

基于线性插值的张量步态识别算法*

提出一种新的基于线性插值的张量步态识别算法。为了能将测试步态序列与注册的相匹配,必须使测试序列的维数与注册的一致,首先将一个周期内的步态帧经相邻帧线性插值归一到一定数目,那么单个的步态样本表现成张量的形式。张量分析采用多重线性主成分分析算法,在CASIA(B)步态数据库上实验,确定单个步态张量选择一个周期比半个周期更有效。该方法得到了令人鼓舞的识别效果。  

P(ρ,σ)--集合与它的随机特性

P-集合(packet sets)是由具有动态特征的内P-集合与外P-集合构成的集合对,其动态特性是通过元素迁移实现的.基于元素迁移具有随机特性,将P-集合进行改进,提出了P(ρ,σ)-集合的概念,给出了它的结构,论证了P(ρ,σ)-集合是P-集合的一般形式,P-集合是P(ρ,σ)-集合的特例,并讨论了P(ρ,σ)-集合的概率特征与动态特性,给出了内P(ρ,σ)-集合、外P(ρ,σ)-集合与元素迁移随机性的关系定理与应用.