1、隨著網(wǎng)絡技術和信息技術的不斷進步，數(shù)據(jù)挖掘引起了人們的廣泛關注，傳統(tǒng)的信息處理技術越來越不能很好地滿足實際應用的需要。因此，人們迫切需要具有更高效率和更強能力的信息處理技術。
　　 Pawlak提出的粗糙集理論是一種全新的處理模糊性、不確定性問題的數(shù)學工具，它無需提供數(shù)據(jù)集合之外的任何先驗信息，而是利用集合上的等價關系對知識的不確定程度進行度量，這使得粗糙集理論在數(shù)據(jù)挖掘中具有更加明顯的優(yōu)越性。將粗糙集理論應用到數(shù)據(jù)挖掘中，需要

2、經(jīng)過數(shù)據(jù)預處理、求核屬性、屬性約簡、規(guī)則生成等幾個步驟。本文以粗糙集理論在數(shù)據(jù)挖掘過程中的步驟為線索，主要對連續(xù)屬性離散化、求取決策表的核值屬性、決策表的屬性約簡等問題進行了深入的研究。本文的主要創(chuàng)新工作包括：
　　 提出一種基于粗糙集理論和OPTICS算法相結(jié)合的連續(xù)屬性離散化算法。運用粗糙集理論處理決策表時，要求決策表中的值用離散數(shù)據(jù)表示。因此，在深入分析和研究幾種離散化算法優(yōu)缺點的基礎上，提出一種基于粗糙集理論和OPTIC

3、S算法相結(jié)合的連續(xù)屬性離散化算法。該算法是以粗糙集理論中的依賴度作為評價機制，更好的保持了條件屬性和決策屬性的不可分辨關系，該算法也是一種全局的離散化算法，離散化后的信息系統(tǒng)更具有整體性。通過實驗驗證，該算法能夠得到理想的離散化結(jié)果。
　　 提出一種改進的基于屬性重要性的啟發(fā)式約簡算法。通過研究發(fā)現(xiàn)，基于屬性重要性和基于信息熵作為啟發(fā)信息的屬性約簡算法都是不完備的。綜合考慮這兩種啟發(fā)信息，以粗糙集理論為依據(jù)，以屬性重要性為主要標