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-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.     

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.     

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.     

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.     

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-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.     

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.     

函数S-粗集对偶与F-粗边际规律

函数单向S粗集对偶(dual offunction one direction singular rough sets)是函数S粗集的基本形式之一,函数单向S-粗集对偶具有动态特性与规律(函数)特性.函数S粗集(function singular rough sets)是把函数概念引入到S粗集内(singular rough sets)改进S粗集得到的把导数概念与函数单向S粗集对偶交叉、渗透给出粗边际规律F-粗边际规律概念;给出粗边际规律F-粗边际规律特征;给出F-粗边际规律与粗边际规律的关系;给出F-粗边际规律在经济信息系统中的应用     

Function P-sets and Mining-discovery Theorems of Unknown Information Law

Function P-sets are a set pair which are composed of function internal packetsets S F and function outer packet sets S F or （S F , S F ） are function P-sets. Function P-sets have dynamic characteristics and law characteristics. Based on function P-sets, P-information law discovery theorems which has attribute supplementing-deleting are given. Mining-discovery and mining-discovery theorems of unknown information law are proposed. Function P-sets are a new theory and new method to research dynamic information laws for information systems.     

带有不完全信息随机截尾试验下参数MLE的重对数律

在条件(Ψ)下,证明了带有不完全信息随机截尾试验中参数MLE的收敛速度符合重对数律,并且验证了指数分布、Weibull分布、对数正态分布满足条件(Ψ).     

带有不完全信息随机截尾试验下最大似然估计的重对数律

本文在条件($\Phi$)下,证明了带有不完全信息随机截尾试验下最大似然估计的收敛速度符合重对数律,并验证了Weibull分布、对数正态分布满足条件($\Phi$).     

不完全信息随机截尾模型的MLE 的Chung 重对数律

在一定条件下,证明不完全信息随机截尾模型的MLE 满足 Chung重对数律. 作为其推论得到:不完全信息随机截尾试验下,指数分布和Weibull 分布的MLE 满足Chung 重对数律.     

知识规律与规律的属性扰动

By employing the knowledge(R-element equivalence class)in one direction Srough sets and dual of one direction S-rough sets,the concept of knowledge law is given;the generation theorem of knowledge law,the excursion theorem of knowledge law,and the attribute disturbance discernible theorem of knowledge law are proposed.Knowledge law is a new characteristic of S-rough sets.     

Decay Law Regularity

We conjecture that the non-decay probability in a model of decay through a δ barrier may be nowhere differentiable as a function of time if the initial state does not belong to the Hamiltonian domain.     

The Arcsine Law

Let N _n denote the number of positive sums in the first n trials in a random walk (S _i) and let L _n denote the first time we obtain the maximum in S ₀,..., S _n. Then the classical equivalence principle states that N _n and L _n have the same distribution and the classical arcsine law gives necessary and sufficient condition for (1/n) L _n or (1/n) N _n to converge in law to the arcsine distribution. The objective of this note is to provide a simple and elementary proof of the arcsine law for a general class of integer valued random variables (T _n) and to provide a simple an elementary proof of the equivalence principle for a general class of integer valued random vectors (N _n, L _n).     

带有不完全信息随机截尾试验下Weibull分布参数的MLE的重对数律

本文研究了带有不完全信息随机截尾试验模型，证明了Weibull分布参数的MLE的收敛速度符合重对数律。