P-集合的动态特性

在P-集合定义的基础上研究了P-集合的动态特性。提出了P-集合的动态识别——P-距离,P-距离可以将P-集合的动态变化程度进行量化,进而得到集成P-集合的过滤-剩余定理,利用这一定理可以进行药效识别、信息检索等。     

SP-上阶梯知识挖掘及状态识别算法

单向S_p-粗集中,具有属性集α的知识[x]（R-元素等价类[x]）具有这样的特征：若α内被补充属性,则[x]内的元素个数被减少。利用这一特征,考虑属性补充的随机性,给出S_p-上阶梯知识,S_p-上阶梯知识的依信度生成,S_p-上阶梯知识属性依赖的原理,给出S_p-上阶梯知识的属性依赖挖掘定理,S_p-上阶梯知识的状态识别算法。     

三值乘积逻辑系统Π3中的随机化研究

利用赋值集的随机化方法,在三值乘积逻辑∏₃提出了公式的随机真度,证明了所有公式的随机真度之集在[0,1]中没有孤立点;给出了两公式间的D_∏3-相似度与伪距离的概念,并建立了D_∏3-逻辑度量空间,证明了此空间没有孤立点。     

n值乘积逻辑系统中的随机化研究

利用赋值集的随机化方法,在n值乘积逻辑中提出了公式的随机真度,证明了所有公式的随机真度之集在[0,1]中没有孤立点;给出了两公式间的D_πn-相似度与伪距离的概念,并建立了D_πn逻辑度量空间,证明了此空间没有孤立点。     

F-粗积分与系统S-粗状态检测-识别

函数单向S-粗集对偶生成的F-粗积分具有一系列动态特性,在此基础上提出了F-粗积分的度量——F-粗扩张度与F-粗扩张率的概念及属性施效识别原则。函数单向S-粗集对偶的变化程度不仅可以得到量化,而且对系统在离散的时间区间上的S-粗状态也可进行检测-识别。这是一个新的研究方向。     

基于蕴涵算子族L-λ-R0的FMT三I约束算法

提出了基于蕴涵算子族L-λ-R₀的模糊推理的思想,这将有助于提高推理结果的可靠性。针对蕴涵算子族L-λ-R₀给出了FMT模型的三I约束算法、α-三I约束算法。给出了FMT模型的三I约束算法、α-三I约束算法计算公式。     

基于含参数蕴涵算子族L-λ -R0的三I支持算法 ——仅就FMP模型进行讨论

提出了基于蕴涵算子族L-λ-R₀的模糊推理的思想,这将有助于提高推理结果的可靠性。针对蕴涵算子族L-λ-R₀给出了模糊推理的FMP模型的三I支持算法、α-三I支持算法。     

基于蕴涵算子族L-λ-R0的模糊推理α-三I约束算法

提出了基于蕴涵算子族L-λ-R₀的模糊推理的思想,这将有助于提高推理结果的可靠性。针对蕴涵算子族L-λ-R₀给出了模糊推理的FMP模型及FMT模型的α-三I约束算法。     

基于蕴涵算子族Lλ0λG的反向α-三I支持算法

提出了基于蕴涵算子族Lλ0λG的模糊推理的思想,这将有助于提高推理结果的可靠性。针对蕴涵算子族Lλ0λG给出了模糊推理的FMP模型及FMT模型的反向α-三I支持算法。     

基于蕴涵算子Lp的模糊推理的FMP反向三I算法

研究了基于蕴涵算子L_p模糊推理的FMP反向三I支持算法及α-反向三I支持算法,给出了FMP模型的反向三I算法及α-反向三I算法的计算公式。     

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。     

P-集合与信息F-伪装-辩识

P-集合（packet sets）是一个集合对,它由内P-集合（internal packet sets）与外P-集合（outer packet sets）共同构成。P-集合具有动态性,利用内P-集合,给出F-信息伪装与F-信息伪装生成概念;提出F-信息伪装度量定理与信息伪装被恢复-还原定理;给出辨识准则与方法。利用这些结果,给出F-信息伪装被恢复-还原的应用。P-集合是研究动态信息系统的一个新理论和新方法。     

P-集合与系统状态预测-识别

在P-集合(X^F,X^F)的基础上,给出了系统状态规律曲线生成模型,得到了系统的P-规律曲线(p^F(x),p^F(x))与系统状态偏离预测定理、系统状态不可分辨定理;并给出了表示系统偏离标准状态程度的量—P-偏离度(PDD^F,PDD^F)、系统状态预测模型及应用。     

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.     

函数双向S-粗集的信度特征

利用函数双向S-粗集的结构,给出函数迁移的信度特征,函数集Q的下近似信度特征,函数集Q的上近似信度特征;利用这些结果,给出函数双向S-粗集的信度特征,提出函数双向S-粗集的随机结构与随机定理。函数双向S-粗集的结构是函数双向S-粗集的随机结构的特例,函数双向S-粗集的随机结构是函数双向S-粗集结构的一般形式。     

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-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。     

函数单向S-粗集对偶生成的■-模型

利用函数单向S-粗集对偶,给出R-函数等价类[u(x)]的-模型与-t阶单向动态模型的生成及有关概念,给出■-模型与■-单向动态模型生成及有关概念,提出■-单向动态模型序关系定理及动态分离定理,■-模型的动态特征依赖于属性集α上的属性删除。利用这些讨论,给出■-模型生成原理及应用。