1、粗糙集理論(Rough Set Theory)是波蘭學者Z.Pawlak于1982年提出的一個處理模糊、不確定數據的軟計算方法，是目前國際上數據挖掘理論及其應用領域中的重要研究熱點之一。眾多學者對經典粗糙集模型進行了不同的擴展，其中多粒度粗糙集模型主要揭示了從多個角度（粒度）來分析同一個問題;優(yōu)勢關系粗糙集模型主要用來實現(xiàn)序信息系統(tǒng)中的知識獲取。特征選擇是數據挖掘和機器學習領域中的重要研究課題之一。本文研究多粒度粗糙集模型和優(yōu)勢關系粗糙

2、集模型框架下的特征選擇方法，具有重要理論意義和應用價值。主要研究成果有以下幾方面:
　　1.給出了多粒度粗糙集模型中屬性依賴度的定義，建立了屬性重要度及其相關性質。在此基礎上，設計并分析了多粒度粗糙集模型下決策信息系統(tǒng)的啟發(fā)式特征選擇算法并驗證了其有效性和可行性。
　　2.利用序決策信息系統(tǒng)中的優(yōu)勢關系和優(yōu)勢類，定義了序決策信息系統(tǒng)中的條件依賴度，給出了序決策信息系統(tǒng)中屬性的相對重要度及其相關性質，設計了一種序決策信息系統(tǒng)的

3、啟發(fā)式特征選擇算法，分析了算法的時間復雜度，驗證了其可行性。
　　3.使用C＃.NET編程語言和SQL server2000數據庫，實現(xiàn)了優(yōu)勢關系下的數據分析系統(tǒng)，該系統(tǒng)的主要功能包括:序信息系統(tǒng)中對象的全序化、序信息系統(tǒng)的所有約簡的求解及基于啟發(fā)式函數的序信息系統(tǒng)的屬性約簡求解;序決策信息系統(tǒng)的所有約簡和啟發(fā)式約簡的求解與規(guī)則提取。
　　本文基于多粒度粗糙集模型和優(yōu)勢關系粗糙集模型提出了啟發(fā)式特征選擇算法，該算法有效降低了