1、風險評估過程中存在著各種不確定性因素，經常會導致得到不可靠的評估結果。本文通過嘗試探索分類數(shù)據(jù)中所包含的不確定性信息，將基于模糊粗糙集的特征重要性衡量標準引入到極限學習機算法(ELM)中，設計了一種模糊粗糙加權極限學習機算法(FRW-ELM)。并且根據(jù)這一算法，進一步提出一種模糊粗糙多層風險評估方法。
　　這一風險評估方法整合了模糊粗糙加權極限學習機算法和用于處理復雜數(shù)據(jù)降維的基于模糊邊界區(qū)域的模糊粗糙特征選擇算法(B-FRFS)

2、。與常見的降維分類的多層分類方法不同，本文提出的風險評估方法的降維和分類步驟之間有著更加有機的聯(lián)系。這個風險評估系統(tǒng)中，模糊粗糙加權極限學習機中的每個輸入節(jié)點的重要性是由其對應的特征在模糊粗糙集的邊界區(qū)域中包含的不確定性度誘導出的。重要的是，這些必須的所有特征的不確定性度量在本風險評估方法中是可以作為基于模糊邊界區(qū)域的模糊粗糙特征選擇算法的運行過程的副產品而得到的。這樣一來，在這個模糊粗糙多層風險評估方法中，就不需要額外的步驟來計算由特