王东杰

（江苏科技大学 镇江 212003）

1 引言

Pawlak［1］提出的粗糙集理论是经典粗糙集的延伸。它已被证明在数据挖掘［2～3］，人工智能［4］等学科中具有重要作用。

尽管如此，粗糙集理论在实践中仍有许多局限性需要解决。例如基于等价关系的经典粗糙集仅适用于离散数据，而数值数据［5～6］在实际应用中随处可见。基于此，作为广义粗糙集模型的一个重要组成部分，Hu等［7］提出的邻域粗糙集模型在粗糙集理论中取得了巨大成功。

众所周知，属性约简作为粗糙集核心内容之一，在邻域粗糙集中也获得了广泛关注。属性约简就是根据给定的度量准则去除不相关属性，以满足相应的约束条件。广泛接受的属性约简策略包括穷举式算法和启发式算法［8～9］，然而很多穷举式算法和启发式算法将所有样本作为一个整体，忽视了不同样本具有的决策类别不同这一情况。为解决这一问题，Qian等［10］提出的局部邻域粗糙集属性约简算法考虑了不同决策类对不同关键属性的需求。

然而，局部邻域粗糙集属性约简算法仍然面临着以下两个问题：1）经典邻域粗糙集没有关注到半径变化对样本标签的影响，以致于不同标签样本被划分到相同邻域；2）传统的属性约简算法只有一个约束条件，缺乏适用性［11］。为了能够同时解决上述两个问题，笔者利用杨等［12］提出的伪标签策略，设计了一种基于伪标签局部集成投票的约简算法。基于伪标签局部集成投票的约简算法主要步骤：首先，利用k-means聚类计算出伪标签加入到决策系统中；……