冯丹，黄洋，石云鹏，王长忠

(1. 国网葫芦岛供电公司 信息通信分公司，辽宁 葫芦岛 125000； 2. 渤海大学 数理学院，辽宁 锦州 121000)

连续型数据的辨识矩阵属性约简方法

冯丹1, 2，黄洋2，石云鹏2，王长忠2

(1. 国网葫芦岛供电公司 信息通信分公司，辽宁 葫芦岛 125000； 2. 渤海大学 数理学院，辽宁 锦州 121000)

属性约简是粗糙集理论在数据处理方面的重要应用，已有的针对连续型数据的属性约简算法主要集中在基于正域的贪心算法, 该方法只考虑了一致样本和其他样本的可辨识性，而忽略了边界样本点间可区分性。为了克服基于正域算法的缺点，提出了连续型数据的辨识矩阵属性约简模型，该模型不但考虑了正域样本的一致性，同时考虑了边界样本的可分性。基于该模型，分析了属性约简结构，定义了辨识矩阵来刻画特征子集的分类能力，构造了实值型数据的属性约简启发式算法,并利用UCI标准数据集进行了验证。理论分析和实验结果表明,提出的算法能够有效地处理连续型数据，提高了数据的分类精度。

邻域关系；粗糙集；属性约简；辨识矩阵；启发式算法

中文引用格式：冯丹，黄洋，石云鹏,等.连续型数据的辨识矩阵属性约简方法[J]. 智能系统学报， 2017, 12(3): 371-376.

英文引用格式：FENG Dan， HUANG Yang， SHI Yunpeng， et al. A discernibility matrix-based attribute reduction for continuous data[J]. CAAI transactions on intelligent systems, 2017, 12(3): 371-376.

粗糙集理论是由波兰数学家Z.Pawlak[1]于1982年提出的，它是一种处理不确定性知识的数据分析理论。目前粗糙集理论已被广泛应用于人工智能、过程控制、数据挖掘、决策支持以及知识发现等领域。属性约简是粗糙集理论的研究内容之一，它是利用粗糙集进行数据挖掘、规则抽取的理论基础。……