徐苏平，杨习贝，范霁月，钱林峰，马 健

（江苏科技大学 计算机科学与工程学院，江苏 镇江 212003）

基于测试代价敏感的多粒度模糊粗糙集模型

徐苏平，杨习贝，范霁月，钱林峰，马 健

（江苏科技大学 计算机科学与工程学院，江苏 镇江 212003）

多粒度模糊粗糙集是经典多粒度粗糙集模型在模糊环境下的有益扩展，然而，已有的多粒度模糊粗糙集并未考虑考虑数据的测试代价，为解决这一问题，本文提出了基于测试代价敏感的多粒度模糊粗糙集模型，分析了其相关性质。研究表明，本文提出的模型是传统多粒度模型在应用背景下的有力扩展。

测试代价敏感；多粒度； 模糊；粗糙集

作为一种处理不精确、不确定性问题的数学工具，粗糙集理论[1](Rough Set)自上世纪80年代由波兰学者Pawlak 提出后便受到了广泛关注。目前，粗糙集理论已被广泛应用于模式识别、知识发现、决策支持、机器学习等众多研究领域[2-5]。

但是，众所周知的是，Pawlak的粗糙集模型本身较为简单，是建立在仅仅一个不可分辨关系的基础上的，而钱宇华等人认为在决策分析问题中，多个决策者之间的关系有可能是相互独立的，因而需采用多个二元关系来进行目标的近似逼近，为此他提出了多粒度粗糙集的概念[6-9]。在钱宇华的多粒度粗糙集中，他采用了两个及两个以上的不可分辨关系进行概念的近似逼近，并分析了多粒度粗糙集与经典粗糙集之间的关系。在钱宇华的多粒度粗糙集中，主要有两种不同的近似逼近方式，一种是多粒度乐观粗糙集方法，另一种是多粒度悲观粗糙集方法。……