函数s一粗集，函数粗集与信息系统规律拆分一合成

给出函数单向导粗集(function one direction singular rough sets)、函数单向导粗集对偶Cdual of function one direction singular rough sets)、函数双向S粗集(function two direction singular rough sets)与函数粗集(function rough sets)。它们都是把函数概念引入到S粗集中,改进S粗集得到的。函数粗集是把函数概念引入到Z. Pawlak粗集中,改进Z. Pawlak粗集得到的。函数单向导粗集、函数单向S粗集对偶、函数双向S粗集是函数导粗集的三类形式。给出函数导粗集与导粗集的关系;给出函数粗集与Z. Pawlak粗集的关系;给出函数S粗集与函数粗集的关系。利用这些结果,给出函数的区间离散与有限元素集的生成、函数离散一元素集合生成原理;给出函数导粗集生成的信息规律、函数等价类动态特性一属性补充与删除原理;给出数据拆分一合成原理、信息规律动态拆分一合成的属性特征;给出信息规律动态拆分一合成不变性原理;利用这些概念与结果,给出信息规律拆分一合成与信息图像嵌入一分离的应用,给出嵌入信息图像的分离一辫识。函数导粗集、函数粗集是粗集理论与应用研究中的一个新的研究方向。     

函数S-粗集与规律F-隐藏

函数单向S-粗集(Function one direction singular rough sets)是用R-函数等价类定义的,函数是个规律;函数单向S-粗集具有规律特征、动态特征.利用函数单向S-粗集,给出规律F-隐藏概念,提出规律的F-隐藏定理,隐藏识别准则,给出规律的F-隐藏的应用.规律的F-隐藏是函数S-粗集中的一个新的应用研究方向,函数S-粗集是信息规律研究中的一个新理论与新工具.     

具有属性析取萎缩-扩张特征的动态数据智能挖掘

S-粗集(singular rough sets)是把动态特征引入到Z.Pawlak粗集中对其加以改进而提出的,S-粗集具有动态特征.S-粗集具有3种形式:单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)与双向S-粗集(two direction singular rough sets);在一定条件下,单向S-粗集、单向S-粗集对偶与双向S-粗集被还原成Z.Pawlak粗集.利用单向S-粗集和单向S-粗集对偶给出具有属性析取特征的动态数据智能挖掘与应用;属性析取是数据具有的逻辑特征之一.主要结果是:利用单向S-粗集、单向S-粗集对偶结构,给出属性析取萎缩-扩张特征的动态数据生成与它的属性析取萎缩-扩张关系;给出数据推理与推理模型;利用数据推理给出动态数据智能挖掘定理;利用这些理论结果,给出动态数据智能挖掘-智能认知的应用.     

S-粗集与数据挖掘单位圆特征

给出单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)的结构。单向S-粗集与单向S-粗集对偶是改进Z.Pawlak粗集得到的,单向S-粗集与单向S-粗集对偶具有动态特性。给出单向S-粗集、单向S-粗集对偶与Z.Pawlak粗集的关系。S-粗集具有三类形式:单向S-粗集、单向S-粗集对偶、双向S-粗集,利用单向S-粗集、单向S-粗集对偶,给出数据内挖掘、数据外挖掘概念,给出数据内挖掘的外同心圆定理、数据外挖掘的内同心圆定理,并给出其应用。S-粗集是粗集理论与应用研究的新分支。     

粗规律F-分解与规律识别

函数S-粗集具有规律特性、动态特性;利用函数S-粗集和基于函数S-粗集的粗规律生成方法,给出f-分解规律,F-分解粗规律,属性f-扰动度,属性F-下扰动度,属性F-上扰动度等概念; 利用这些概念,提出规律f-分解定理,属性f-扰动度定理,粗规律F-扰动度定理,给出粗规律F-分解识别的基本原理,并给出应用实例。     

Function S-rough sets and security-authentication of hiding law

Function S-rbugh sets are defined by R-function equivalence class, which have dynamic characteristic. Function S-rough sets have dynamic characteristic, law characteristic and law-hiding characteristic. Function S-rough sets can generate f-hiding law and f-hiding law. By engrafting, crossing, and penetrating between the information security theory and function S-rough sets, the security hiding and the authentication of f-hiding law and f-hiding law are given respectively in this paper. The fusion and share between function S-rough sets and information security theory is a new research direction of the application of information law in information system.     

基于S-粗集的反辐射导弹识别算法研究

针对具有动态特征的信息系统,在S-粗集属性迁移理论基础上,给出了S-粗集上的区分矩阵,提出了一种基于S-粗集区分矩阵的属性约简算法.该算法弥补了Z.Pawlak粗集理论对于动态系统知识发现的局限,通过属性迁移对不完备的信息系统进行动态扩展.约简后生成的规则简单准确.本文的算法具有理论与应用的一般性、广泛性,对于现代战场中的删识别,更显示出了极强的优越性.     

粗规律能量与F-分解粗规律度量

函数单向S-粗集对偶具有规律特性、动态特性.应用函数单向S-粗集对偶,给出f-分解规律、F-分解粗规律、规律能量、属性广扰动度的概念;研究了粗规律F_分解过程中的变化度量;给出f-分解规律能量特性定理、f-分解规律能量不等式定理、F-分解粗规律能量特性定理以及f-分解规律能量中值定理.     

系统的fp-状态与它的随机识别

利用函数单向S-粗集,提出了f_p-状态、状态距离、系统状态被f_p-规律随机入侵的概念。利用这些概念,给出系统状态被f_p-规律入侵呈现的状态特征以及对这些状态特征的识别、识别准则与应用。函数单向S-粗集是函数S-粗集的基本形式之一,函数单向S-粗集是研究系统规律入侵预测的一个重要的理论与方法。     

双向迁移概率PS-粗糙集模型及应用

在粗糙集基础上,既考虑集合[X]的动态特性,又考虑知识库中的统计信息,构建了概率近似空间上的双向迁移PS-粗糙集模型,讨论了PS-粗糙集的性质及相关定理,证明了PS-粗糙集是S-粗糙集和Z.Pawlak粗糙集的进一步扩展,S-粗糙集和Z.Pawlak粗糙集是PS-粗糙集的特例。与S-粗糙集相比,PS-粗糙集的动态集合[X*]的近似精度得到相对提高,从而提高了决策精度。通过实例验证了PS-粗糙集的有效性。     

动态知识智能发现与属性逻辑动态关系

单向S-粗集(one direction singular rough sets)与单向S-粗集对偶(dual of one direction singular rough sets)是S-粗集(singular rough sets)的两种动态结构;在一定条件下,单向S-粗集与单向S-粗集对偶被还原成Z.Pawlak粗集.单向S-粗集与单向粗集对偶分别是S-粗集的基本形式之一.利用单向S-粗集与单向S-粗集对偶,给出动态知识的属性合取范式与属性合取范式萎缩-扩张特征,给出知识推理结构与推理模型.利用单向S-粗集,单向S-粗集对偶,属性合取范式与知识推理交叉、融合、渗透,给出具有属性合取范式萎缩-扩张特征的动态知识生成与生成定理;给出在知识推理条件下的动态知识智能发现与它的属性逻辑关系;给出动态知识的智能筛选、筛选准则、筛选定理与应用.     

单向S-概率粗集

既考虑集合 的动态特性, 又考虑知识库中的统计信息, 提出了单向S-概率粗集. 讨论了单向S-概率粗集的动态特性, 为获得动态的决策规则奠定了基础. 给出了单向S-概率粗集的意义解释, 单向S-概率粗集是对经典粗集理论和单向S-粗集理论的进一步完善与发展.     

系统的f_p-状态与它的随机识别

利用函数单向S-粗集,提出了fp-状态、状态距离、系统状态被fp-规律随机入侵的概念。利用这些概念,给出系统状态被fp-规律入侵呈现的状态特征以及对这些状态特征的识别、识别准则与应用。函数单向S-粗集是函数S-粗集的基本形式之一,函数单向S-粗集是研究系统规律入侵预测的一个重要的理论与方法。     

粗集、S-粗集、函数S-粗集及其关系定理

针对Pawlak粗集理论的现况,着重介绍了S-粗集、函数S-粗集的定义、两种结构及对偶形式,详细讨论了S-粗集与Pawlak粗集之间的关系,函数S-粗集与S-粗集、Pawlak粗集之间的关系。最后给出了S-粗集理论的可应用领域。     

多重粗糙集模型

基于多重集合,对Z.Pawlak粗糙集的论域进行了扩展,提出了基于多重粗糙集理论,并给出了该理论相关内容的完整定义、定理和性质,其中包括多重论域定义、论域对象及其状态与重要度的定义与标识、多重粗糙集对象与Z.Pawlak粗糙集对象的相互转换方法、多重近似集的定义及其性质的证明、多重等价类及其成员关系的定义与性质的证明、多重粗糙集的属性约简与决策分析等内容。这些定义、定理和性质与Z.Pawlak粗糙集既有区别又有联系。多重粗糙集可充分反映知识颗粒间的重叠性,对象的重要度差别及其多态性,可以很方便地实现对象状态间的各种运算,这些特性可为挖掘潜藏在关系数据结构中的知识提供方便。     

双向S-模糊粗糙集及其应用

以Z.Pawlak粗集理论为基础,将动态模糊近似概念引入Dubois模糊粗糙集中。提出了双向S-模糊粗糙集概念,给出了双向S-模糊粗糙集的结构与性质。分析了双向S-模糊粗糙集与Z.Pawlak粗集、Dubois模糊粗集、S-粗集、S-粗糙模糊集及单向S-模糊粗糙集之间的关系。给出了双向S-模糊粗糙集的应用及存在价值。     

S-粗Vague集合及应用

在原始Vague集基础上提出动态的Vague集,即Ｓ-Vague集,由此提出了Ｓ-粗Vague集概念。接着给出了Ｓ-粗Vague集结构与性质,分析了Ｓ-粗Vague集与Z.Pawlak粗集、Dubois粗糙模糊集以及S-粗集之间的关系,给出了Ｓ-粗Vague集的应用。     

单向S-粗模糊集及其特性

提出动态的模糊集,即单向S-模糊集。由此提出了单向S-粗模糊集概念,给出了单向S-粗模糊集结构。定义了单向S-粗模糊集的截集概念,讨论了单向S-粗模糊集的特性。分析了单向S-粗模糊集与Z.Pawlak 粗集、Dubois粗模糊集以及单向S-粗集之间的关系。给出了单向S-粗模糊集的背景和意义解释,单向S-粗模糊集是具有动态特性的粗模糊集。     

双论域上的S-粗集及应用

原始从单论域出发讨论动态系统的知识发现和规则挖掘,其应用范围受到极大限制。通过构造性方法对原始的Ｓ-粗集粗糙集模型进行推广,提出双论域上的Ｓ-粗集模型。分析了S-粗集与Z.Pawlak 粗集、以及单论域Ｓ-粗集与双论域Ｓ-粗集的关系。并讨论了双论域Ｓ-粗集一些相关性质及在疾病诊断上的应用。     

F-阶梯知识与F一阶梯挖掘一发现

利用单向导粗集((one direction singular rough sets)与它的动态特性,给出F-阶梯知识、F-阶梯度的概念。利 用这些概念,提出F-阶梯知识分辩定理、最小F-阶梯知识挖据发现定理、最大F-阶梯知识挖掘一发现定理、知识发现 依赖一筛选定理与F-阶梯知识内潜藏原理,给出F-阶梯知识挖掘一发现准则及应用。这些结果是单向导粗集的新特性 与单向导粗集的动态特性的新应用。