周悦丽,林国平*

(1.闽南师范大学 数学与统计学院,福建 漳州 363000;2.数字福建气象大数据研究所,福建 漳州 363000)

0 引言

粗糙集理论是我们对于不确定信息进行近似处理的一种模型。该理论[1]的主要内容是通过不可分辨关系对信息系统进行粒化，从而构建目标概念中有关样本的上下近似集。

为了适应社会的发展要求，粗糙集模型的推广与应用是许多学者讨论和研究的重点。由经典粗糙集的定义可以了解到经典粗糙集是在等价关系的基础上进行定义的，且主要是面对属性值完备且单一的信息系统，利用上下近似集来探寻信息系统中数据的相关性。但是实际应用中，由于考虑到现实问题的复杂性、数据的不完整性与不精确性，许多学者通过扩展等价关系建立了许多扩展粗糙集模型，比如:建立邻域关系和邻域粗糙集模型[2-3]来处理数值型数据;建立相容关系和相容类[4-5]来处理集值型的数据问题;建立容差关系和相似关系[6-7]等来处理缺失数据。此外，因为经典粗糙集模型的主要缺点是欠缺对噪声数据和分类的容错能力，因此众多学者将概率论与经典粗糙集结合起来并进行推广，例如Pawlak建立了概率粗糙集模型[8],Ziako提出了变精度粗糙集模型[9]。同时在实际生活的应用中，考虑到从不同角度观察和分析同一问题，钱宇华等研究了多粒度粗糙集模型[10]。

大数据时代已经到来，在监督学习的策略下，经典粗糙集及其扩展模型需要大量标记数据。……