闫鑫 闫俊辉

摘 要： 随着通信和计算机技术的迅速发展，各行各业都积累了大量数据且这些数据集每时每刻都在动态变化，如何快速计算动态数据属性约简的问题是人工智能领域中的一个重要研究课题。针对决策信息系统属性增加时，如何快速计算变化后决策信息系统约简更新的问题，首先分析了计算变化后决策信息系统相对知识粒度和等价关系矩阵的增量更新机制，然后提出了决策信息系统属性增加后的增量属性约简方法，最后从公共数据网站下载了4组UCI数据集并对所提出的增量属性约简算法进行了仿真实验。实验结果表明了所提出的增量属性约简算法是有效的。

关键词： 粗糙集； 增量机制； 属性约简； 知识粒度

中图分类号：TP18 文献标志码：A 文章编号：1006-8228（2018）03-53-05

Matrix-based incremental attribute reduction method

Yan Xin1， Yan Junhui2

（1. ShanXi University of Finance Economics， Faculty of Information Management， Taiyuan， Shanxi 030006， China；

2. Yuncheng University， Department of Public Computer Teaching）

Abstract： With the fast development of computer network technology and communication technology， many real data in databases may vary dynamically. How to acquiring knowledge effectively and timely from the dynamic data has become an important problem. In this paper， the incremental mechanisms to calculate equivalent relation matrix and relative knowledge granularity based on matrices are introduced when multiple attributes are added into the decision system； The corresponding matrix-based incremental attribute reduction method is developed. Experiments on four data sets downloaded from UCI show that the proposed matrix-based incremental attribute reduction method is effective and efficient.

Key words： rough set； incremental mechanism； attribute reduction； knowledge granularity

0 引言

随着通信和计算机技术的迅速发展，各行各业都积累了大量数据，数据每时每刻都在动态变化。例如学校教务部门和人事部门都有教师的信息，如果把教务部门和人事部门的教师信息整合起来，就会造成信息系统属性增加等。针对决策信息系统属性增加时如何快速更新约简问题，如果使用非增量属性约简算法[1-3]来处理动态数据属性约简时，不能有效利用先前的计算结果，导致运行速度较慢。

由于非增量属性约简算法不能有效处理动态变化数据属性约简的问题，因此很多学者设计了增量属性约简算法去解决动态变化数据属性约简的问题。Qian等根据决策信息系统中属性动态增加和减少情况下的信息粒度变化规律，提出正向近似和逆向近似，并成功应用于启发式属性约简算法的加速，为基于粗糙集的知识发现性能优化提供了新思路[4]；……