外P-反动态信息特征与信息恢复

利用P-集合的结构与动态特性,给出外P-信息,外P-反动态信息,外P-反动态信息生成与外P-反动态信息恢复概念;外P-反动态信息是.P-集合的新特征.利用这些新概念,给出一些新的理论结果:外P-反动态信息属性定理,外P-反动态信息属性合取定理,外P-反动态信息恢复定理与外P-反动态信息单位圆定理.     

内P-反动态信息特征与信息恢复

P-集合(packet sets)是一个动态模型,P-集合是由内P-集合x~F(internal packet set X~F)与外P-集合XF(~Fouter packet set X~F)构成的元素集合对;或者(X~F,X~F)是P-集合.利用内P-集合的结构,给出内P-信息,内P-反动态信息,信息的内P-反动态恢复概念,给出内P-反动态信息的属性合取收缩生成,给出内P-反动态信息与内P-信息同属性定理,给出内P-反动态信息存在与属性合取范式定理,给出信息的内P-反动态恢复属性定理.这些基本理论结果是把内P-集合与一类信息系统故障状态识别交叉,渗透研究得到的.     

外P-信息融合和它的属性合取特征

P-集合(packet sets)是由内P-集合X~F(internal packet set X~F)与外P-集合X~F(outer packet set X~F)构成的集合对;或者,(X~F,X~F)是P-集合.利用外P-集合,给出外P-信息融合生成,外P-信息融合补充生成与外P-信息融合度量概念;给出外P-信息融合生成定理,外P-信息融合依赖定理;给出外P-信息融合还原定理;给出外P-信息融合的属性合取定理与属性合取压缩定理;给出属性合取压缩外P-信息融合发现原理.     

P-集合与双信息规律生成

P-集合(pacdet sets)是由内P-集合X~F(internal packet set X~F)与外P-集合X~F(outer packet set X~F)构成的集合对.P-集合是把动态特性引入到普通集合中,利用普通集合(cantor set)被提出的.在一定的条件下,P-集合能够回到普通集合的原点.利用P-集合,给出双信息规律生成概念,给出双信息规律依赖的属性特征,提出双信息规律生成定理,辨识定理,给出应用.P-集合是研究动态信息系统的一个新的数学理论与数学方法.     

内P-推理与系统故障判断恢复

P-集合(packet set)是由内P-集合XF(internal packet set)与外P-集合XF(outer packet set)构成的集合对(XF,XF),利用P-集合得到P-推理(packet reasoning),P-推理是由内P-推理(internal packet reasoning)与外P-推理(outer packet reasoning)共同构成的.P-推理是一个动态推理,具有智能特征;把内P-推理应用于系统故障判断-恢复中,给出了内P-故障信息判定定理、最小粒度定理、粒度链定理、属性补充-信息删除定理、系统故障元判定定理,内P-推理信息辨识定理及推论,同时给出了系统故障内P-推理算法与它的N-S图,最后给出应用实例.     

内P-显性信息规律显性-隐性特征与显性信息规律发现

函数P-集合(function packet sets)是把函数概念引入到P-集合内(packet sets),改进P-集合得到的,函数P-集合具有动态特性,规律(函数)特性。函数P-集合是由函数内P-集合SF(function internal packet set SF)与函数外P-集合SF(function outer packet set SF)构成的函数集合对;或者,(SF,SF)是函数P-集合.利用函数内P-集合与生物遗传学中的"显性","隐性"概念交叉,渗透,给出内P-显性信息规律的显性-隐性特征,给出内P-显性信息规律的显性-隐性定理,给出内P-显性信息规律发现准则;利用这些结果,给出内P-显性信息规律发现的应用.     

内扰动与属性合取扩展规律挖掘-发现

扰动的存在使得系统标准输出规律变成非标准输出规律的现象等价于在扰动存在的条件下,非标准输出规律被挖掘-发现;利用函数P-集合模型与它的动态特征给出这个现象的理论研究.主要结果:给出函数P-集合的结构与规律扰动,扰动恢复概念;给出扰动度量;利用这些概念,给出内扰动与属性合取扩展定理;属性合取扩展与内扰动规律挖掘定理,内扰动与规律挖掘辨识定理,内扰动与规律挖掘属性不变性定理.     

层次P-集合的属性规律发现

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.层次P-集合是对普通P-集合的扩展,具有层次结构和链式结构.利用层次P-集合的性质,研究层次P-集合属性元素与规律,给出层次结构间属性元素的关系及度量,给出链式结构中属性元素的关系及度量,给出属性规律.     

P-可测空间及其可测函数

经典集合理论认为集合就是具有一定属性的对象所构成的整体,当一个普通集合的属性发生改变时,由此生成的新的集合称为P-集合.在测度空间上研究P-集合时所生成的新的空间称为P-测度空间.由于任何测度空间均可转化为概率空间,首先利用随机数的产生研究了随机P-集合的产生.然后借助P-可测空间提出了内P-可测映射、内P-可测函数和外P-可测映射、外P-可测函数及P-可测,给出了其有关性质.     

外P集合与F-扩充数据-过滤

P-集合具有动态特性,它由内P-集合与外P-集合组成.植物品种扩充过滤过程具有外-动态特性,应用外P-集合的外-动态特性及其结构,提出了F-扩充数据概念,讨论F-扩充数据的生成与过滤,获得F-扩充数据-过滤定理及F-扩充数据的生成-过滤算法,并给出F-扩充数据-过滤的应用.研究结果为动态信息系统的数据扩充提供了一种新方法.     

内-遗传信息与它的内P-推理发现特征

P-集合(Packet sets)是由内P-集合X~F(internal packet setsX~F)与外P-集合X~F(outer packet setsX~F)构成的集合对;或者,(X~F,X~F)是P-集合.给定有限普通集合X={x_1,x_2,…,x_q},α={α_1,α_2,…,α_k}是X的属性集合;若在α内补充属性,则X变成内P-集合X~F={x_1,x_2,…,x_p},X内元素x_1,x_2,…,x_p被内-遗传到X~F内,P≤q,P,q∈N~+.内-遗传是P-集合的重要应用特征之一.利用内P-集合,给出内-遗传信息概念,内-遗传信息的遗传特征;利用内P-推理,给出内-遗传信息的内P-推理辨识与未知内-遗传信息的内P-推理发现.     

P-集合的格论性质

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(internal packet sets)与外P-集合(outer packet sets)构成的集合对.利用P-集合理论,给出只集合的依赖关系和度量,证明P-集合在依赖关系下构成格,进而给出基于格论的P-.集合的相关性质.     

数据合成-分解的属性关系与数据智能获取

利用逆P-集合模型,逻辑特征给出∨型大数据的新研究,得到∨型大数据的一些新的理论结果,这些新的理论结果隐藏在∨型大数据内。∨型大数据的特征与逆P-集合的特征相同。这些新的研究是:给出数据合成-分解的生成与它们的属性关系;给出属性推理与推理结构;给出数据智能获取与智能获取定理;给出数据颗粒概念与数据颗粒区间定理;给出数据智能获取识别准则与数据智能获取-识别的简单应用。     

层次内P-集合及其性质

P-集合是由内P-集合X~F(internal packet setsX~F)与外P-集合X~F(outerpacket setsX~F)构成的集合对,或者(X~F,X~F)是P-集合.利用P-集合理论,给出内P-集合的扩展模型—层次内P-集合,把内P-集合的依赖关系扩展到层次内P-集合中,并研究层次内P-集合的性质.层次内P-集合是普通内P-集合的扩展,提供了多角度、多层次分析和研究问题的方法.     

P-直觉模糊集及其应用北大核心

将P-集合引入到直觉模糊集中,改进了直觉模糊集,提出了P-直觉模糊集。P-直觉模糊集由内P-直觉模糊集、外P-直觉模糊集构成的直觉模糊集对(A^(F),A^(F)),给出了内P-直觉模糊集截集及基数的概念,讨论内P-直觉模糊集区间截集性质及基数定理、给出内、外P-直觉模糊集与直觉模糊集、模糊集的关系定理,最后给出内P-直觉模糊集的应用。     

基于层次内P-集合的粒计算模型

在层次内P-集合基础上,给出层次内P-集合的粒度,层次内P-集合的粒度计算,从粒的角度研究层次内P-集合之间的关系.把普通P-集合扩展为层次P-集合,并研究层次P-集合的粒计算特征.     

函数内P-集合的副集及其区间生成规律

基于函数P-集合(S~F,S~F)的动态性、规律性,提出函数内P-集合的副集,给出函数内P-集合副集的区间生成结构、区间生成规律,给出内P-规律ω~F的区间拆分规律及其拆分度量,解决了函数内P-集合S~F状态规律受游弋于S~F边缘的元素(函数内P-集合的副集中的函数)的干扰,而呈现出来的动态规律(区间拆分规律)以及动态变化程度(拆分度量)的刻画等问题.最后以实例分析函数内P-集合副集及其区间生成规律在风险投资中的应用.     

弱P-反演半群上的强P-同余

本文利用核-迹方法，研究了弱P-反演半群上的强P-同余．给出了强P-同余对和强P-同余关系之间的结构定理．     

P-集合的随机特征

在P-集合概念的基础上,利用元素迁移的随机性,蛤出P-集合的随机生成和P-集合的强随机生成,讨论了P-集合的随机特性.     

可列集合套

[1]中给出模糊集的分解定理与表现定理，指出可利用集合套H＝{H（λ）|λ∈[0,1]}刻化模糊集。本文定义可列集合套H＝{H（a）|a∈Q}，Q是（0，1）的可列稠密子集。相应地给出新的分解定理与表现定理。指出可利用可列集合套刻化的模糊集。