1、粗糙集作為不確定性分析的重要數(shù)學(xué)工具，在人工智能、數(shù)據(jù)挖掘、模式識別等領(lǐng)域被廣泛應(yīng)用。經(jīng)典的Pawlak粗糙集模型存在只能夠處理字符屬型數(shù)據(jù)的局限性。近些年來，國內(nèi)外眾多學(xué)者提出了許多Pawlak粗糙集的擴展模型，其中鄰域粗糙集是經(jīng)典粗糙集模型的重要推廣研究之一。它將Pawlak粗糙集的等價?；绞酵茝V成將相似的元素歸為一族的鄰域?；绞剑纱丝梢愿玫靥幚碜址麑傩院蛿?shù)值屬性共存的數(shù)據(jù)樣本。隨著信息技術(shù)地不斷進(jìn)步，數(shù)據(jù)智能處理研究方向的

2、新問題也隨之出現(xiàn)。這為鄰域粗糙集的研究與應(yīng)用帶來了新的挑戰(zhàn)。例如，在雙論域場景如何構(gòu)建鄰域粗糙集模型；鄰域?；绞脚c其他粒化模型的差異性應(yīng)該如何表達(dá)；如何更好地利用鄰域粗糙集解決實際環(huán)境中的新問題中等等。針對這些問題，我們對鄰域粗糙集模型做了深入地分析與研究，主要工作包括以下幾個方面：
　　(1)面向雙論域結(jié)構(gòu)，提出了雙論域上的鄰域粗糙集模型。同時針對其下近似計算過于嚴(yán)格，而上近似逼近程度無法量化描述的問題，提出了變精度的雙論域鄰

3、域粗糙集模型。針對雙論域轉(zhuǎn)單論域后不完備的信息系統(tǒng)，定義了容差鄰域熵并討論了基于容差鄰域熵的屬性對決策重要度評估方法。
　　(2)針對不同核?；Y(jié)構(gòu)存在差異性的問題，建立了多核?；植诩Ｐ?，詳細(xì)討論了模型近似算子的相關(guān)性質(zhì)，并提出基于多核?；瀑|(zhì)量的屬性對決策重要度評估方法。進(jìn)一步分析了粗糙集計算可分為?；痛植诒平鼉蓚€步驟，總結(jié)了已有研究中多粒度表達(dá)都是在粗糙逼近這一階段的現(xiàn)狀，提出了基于?；亩嗔６缺磉_(dá)思想，定義了開放多粒

4、度熵和保守多粒度熵。最后提出了基于多粒度熵的屬性對決策重要度評估方法，并通過實驗驗證了方法的有效性。
　　(3)傳統(tǒng)的屬性選擇方法只關(guān)注屬性個體對決策重要程度卻忽略了屬性個體在屬性子集中的貢獻(xiàn)度。針對這一問題，首先用鄰域熵重新定義屬性的獨立性、相關(guān)性和冗余性。進(jìn)一步結(jié)合合作博弈理論，提出基于鄰域熵的屬性貢獻(xiàn)度評估方法，對能夠幫助其他條件屬性提高分類能力的屬性個體給出較高的貢獻(xiàn)度值。在屬性的選擇問題中，考慮了屬性貢獻(xiàn)度和屬性對決策重

5、要度兩方面因素。最后通過實驗分析，驗證了模型的有效性。
　　(4)傳統(tǒng)的偏好挖掘方法很難處理新用戶與新物品同時存在的冷啟動問題。針對這一現(xiàn)狀，提出了基于雙論域鄰域粗糙集的偏好挖掘模型。用鄰域粒子來描述具有相似關(guān)系的用戶或者物品，并用雙論域鄰域粗糙集的下近似算子定義了偏好規(guī)則。面向常見的5分評分系統(tǒng)，提出了基于評分基線評估的雙論域映射構(gòu)建方法，通過“正映射”來挖掘代表“喜歡”的正偏好規(guī)則。最后通過實驗驗證了區(qū)分正、負(fù)映的合理性，并討

6、論了模型參數(shù)的選擇問題。實驗表明了本文模型相比于Pawlak雙論域粗糙集模型更適用于偏好挖掘問題。
　　總體來說，本文從鄰域粒化和鄰域粗糙逼近兩方面來研究鄰域粗糙集模型。在鄰域粒化方面，提出了容差鄰域熵和多粒度熵相概念，并用熵來刻畫了屬性的對決策的重要度和在屬性子集中的貢獻(xiàn)度，最后將這種基于熵的屬性評估方法應(yīng)用于屬性選擇問題。在鄰域粗糙逼近問題研究中，我們我們討論了使用多核?；陆扑阕觼矶x屬性對決策重要度的問題，并將雙論域鄰域