姚 晟，汪 杰，徐 风，陈 菊

(1.安徽大学 计算智能与信号处理教育部重点实验室，合肥 230601； 2.安徽大学 计算机科学与技术学院，合肥 230601)(*通信作者电子邮箱wangjiechn@126.com)

0 引言

粗糙集理论是Pawlak[1]在1982年提出的用于处理不精确和不确定性问题的一种数据分析理论，目前已经广泛应用于模式识别、机器学习、数据挖掘、属性约简和图像分割等研究领域[2-5]。

经典粗糙集理论基于等价关系，它适用于处理符号型数据。然而在现实应用中，数值型属性以及数值型和符号型属性并存的混合数据是普遍存在的，面对这类问题研究人员通常是将数值型数据进行离散化处理[6]，这一转换必然会丢失某些信息。Lin[7]提出了邻域模型的相关概念。邻域粗糙集模型通过定义邻域关系来粒化论域，可以直接处理数值型数据，避免了离散化数据带来的某些损失[8]。

属性约简是粗糙集理论中一种基本的数据预处理技术，目的是剔除无关的冗余属性来保持原有信息系统或者决策表的分类能力。作为粗糙集领域中一项重要的研究内容，目前已经得到大量科研人员的研究与探讨[9-10]。Hu等[11]将信息论中的互信息引入邻域粗糙集模型中，提出了以互信息为启发式函数的属性约简算法，该方法可以处理数值型数据。Chen等[12]在2014年提出了一种基于邻域熵的决策表约简，适用于处理完备信息系统中的数值型数据。然而以上方法都只能处理完备的信息系统，却无法直接处理不完备的信息系统或者具有混合属性的信息系统。……