任晓霞，薛 凡

REN Xiaoxia1,XUE Fan2，3

1.张家口学院 理学院，河北 张家口 075000

2.武汉大学 计算机学院 软件工程国家重点实验室，武汉 430072

3.黄淮学院 创新创业学院，河南 驻马店 463000

1.College of Science,Zhangjiakou University,Zhangjiakou,Hebei 075000,China

2.State Key Laboratory of Software Engineering,School of Computer,Wuhan University,Wuhan 430072,China

3.School of Innovation and Entrepreneurship,Huanghuai University,Zhumadian,Henan 463000,China

1 引言

属性约简即特征选择，是粗糙集理论中一项重要的应用[1]，由于现实中很多的数据集存在着大量的冗余属性，属性约简其主要思想是在保持已有知识的分类能力不变的情形去消除那些冗余属性，这样可以降低数据集的规模，从而提高知识发现的效率。目前，如何构造出优越的启发式函数对数据集中的属性进行重要度评估是目前属性约简研究的重点[2-5]。

粗糙集理论[1]是波兰学者Pawlak提出的一种处理不确定性数据的数学方法，由于它不需要数据之外的任何先验信息，因此目前已广泛运用于数据的属性约简[2-5]中。传统的粗糙集理论建立在等价关系基础上，仅适用于离散型属性。为了解决这个问题，近年来，学者们提出了多种改进的模型，使得粗糙集理论可以很好地处理数值型数据。例如，运用邻域关系取代等价关系，邻域粗糙集模型[6-7]是目前处理数值型数据的一种常用模型，Dubois等[8]学者将模糊集融入粗糙集理论中，提出了模糊粗糙集模型。这两种模型都是处理数值型数据常用且有效的方法，基于这两种模型的属性约简算法也被大量提出。例如，Hu等[3]学者运用属性依赖度作为启发式函数提出了基于邻域粗糙集模型的混合属性约简算法。段洁等[9]学者提出了邻域粗糙集的多标记属性约简。……