王 鹏 王玉红

(赤峰学院数学与计算机科学学院 内蒙古 赤峰 024000)

0 引 言

决策粗糙集模型是目前粗糙集理论的重要研究分支，它最早由加拿大著名学者Yao[1-2]提出。决策粗糙集模型以决策代价为基础，通过最小化决策代价原则来进行目标概念的粗糙近似，因此具有很高的实用价值。目前决策粗糙集模型已成功应用于数据分类[3]、数据聚类[4-5]、图像处理[6]以及个性化推荐[7]等领域中。

由于决策粗糙集模型的优越性，目前已进行了大量的改进和推广。例如，为了适应不完备型的数据集，Liu等[8]在不完备信息系统下提出了改进的决策粗糙集模型。对于分布式的数据集，Lin等[9]提出了基于多源信息系统的决策粗糙集。在多粒度数据环境下，Qian等[10]提出了多粒度决策粗糙集模型，刘丹等[11]学者在Qian等模型基础上，提出了一种改进的多粒度决策粗糙集，称之为不完备邻域多粒度决策粗糙集。在多类别的数据集下，Zhou[12]提出了基于多类的决策粗糙集模型。Li等[13]在数值型数据集下提出了邻域决策粗糙集模型。另一方面，在模糊集的数据环境下，学者们也对传统的决策粗糙集进行了相应的推广。Sun等[14]提出了模糊决策粗糙集模型，该模型的提出标志着决策粗糙集模型的适用范围进一步扩大。在Sun等模型的基础上，Song等[15]在模糊决策粗糙集中提出了最小化决策代价的特征选择算法。

然而，Sun等[14]提出的模糊决策粗糙集模型未考虑数据集中噪声数据带来的影响，使得在模糊数据相似性的刻画方面，存在一定的局限性。……