1、粗糙集是一種處理模糊和不確定數據的數學工具，已在人工智能和數據挖掘，模式識別與分類，故障監(jiān)測等方面得到了良好的應用。屬性約簡是粗糙集理論研究的一個重要內容，是在保持分類精度不變的前提下，刪除冗余的屬性的過程。而尋求如何有效和快速地從那些尺寸龐大和復雜多樣的數據集合中提取特征子集已經成為屬性約簡研究的一個重要問題。 本文對基于擴展粗糙集的屬性約簡進行了研究，主要工作有： 1.提出了一種屬性約簡的快速算法FFGAR，利用等價

2、類的包含性質和分支定界思想，將該算法中計算等價類的時間復雜度降為O(|A||U|)：利用正區(qū)域和屬性個數的單調關系，減少論域的搜索空間，將約簡算法的時間復雜度降為O(|A|2|U|)。 2.針對以屬性依賴度為度量的算法在處理某些數據應用時找不到任何特征子集的問題，構造了前向貪婪搜索約簡算法GARBC。該算法以一致性取代依賴性作為屬性重要性的度量，由于一致性是對正區(qū)域的擴展，使得多余屬性和相對約簡的概念擴展了。 3.經典粗

3、糙集理論是以嚴格的不可區(qū)分關系為基礎的，在處理連續(xù)型屬性時往往要經過離散化處理。本文引入實數空間上的鄰域系統(tǒng)，給出了一個混合屬性粗糙集模型，擴展了經典粗糙集理論的不可區(qū)分關系，構造了基于混合一致性度量的約簡算法ARBMC。 4.在UCI數據集合上將算法FFGAR與現(xiàn)存算法進行比較，結果驗證了算法在計算效率上的有效性；將算法GARBC與傳統(tǒng)算法進行比較，結果驗證了算法能夠有效處理不一致信息系統(tǒng)；將算法ARBMC與離散化方法進行比較