谢德华，刘财辉，凌 敏

赣南师范大学 数学与计算机科学学院，江西 赣州 341000

1 研究背景

将经典粗糙集理论扩展至多粒度空间下的粗糙集模型[1-2]，在理论研究和实际应用上愈加重要，广泛应用于特征选择、 知识获取、 决策分析、 模式识别和医疗诊断等领域[3-6]．因实际问题中数据的多样性，经典粗糙集在实际应用场景中具有局限性，各类粗糙集扩展模型的研究成为一个研究热潮，如：决策粗糙集模型、 变精度粗糙集模型、 概率粗糙集模型等[7-9]．文献[10]研究了多粒度粗糙集模型的代数结构．文献[11]对模糊空间下的多粒度粗糙集模型进行了探讨．文献[12]研究了覆盖空间下的多粒度粗糙集模型，且利用元素的最小描述对不同多粒度覆盖粗糙集进行比较，发现了乐观多粒度和悲观多粒度与平均多粒度覆盖粗糙集之间的关系．文献[13]提出了基于模糊邻域多粒度粗糙集的特征选择算法，从信息的角度提出了基于模糊邻域熵的不确定性度量．文献[14]提出了4类基于覆盖的乐观(悲观)多粒度模糊粗糙集模型，引入了模糊互补β-邻域簇的概念．文献[15]研究了基于矩阵的动态优势多粒度粗糙集(DMGRSs)方法，更新了具有演化数据的动态有序信息系统中的多粒度近似．随着大数据的发展，为了提升精确率，文献[16-17]提出了局部粗糙集模型，提出了决策理论粗糙集在大数据背景下目标概念近似表示的改进，以及局部多粒度决策粗糙集．在局部粗糙集的基础上，文献[18]提出……