马宗方，马祥双，宋 琳，罗 婵

(西安建筑科技大学 信息与控制工程学院， 西安 710055)

0 引言

智能信息处理是信号与信息技术领域一个前沿的富有挑战性的研究方向，它以人工智能理论为基础，侧重于信息处理的智能化，包括计算机智能化(文字、图象、语音等信息智能处理)、通信智能化以及控制信息智能化[1-3]。然而在实际应用中，各种复杂因素可能会导致采集到的数据信息是不完整的。例如，在气象数据的采集过程中，由于传感器故障或者在数据传输过程中信号受到噪声干扰，就会造成某一段时间内的数据缺失；在填写调查问卷时，调查者不愿意回答那些涉及到个人隐私的问题，这样就导致无法获取这部分信息。由于大多数传统的分类器不能直接处理含有缺失值的数据集，因此有大批学者研究并提出了适用于不完整数据的分类算法[4-5]。其中，最简单的就是删除含有缺失值的样本或者删除缺失值所在的属性项，然后再用传统的分类器分类[5]。但是删除法仅适用于缺失率不到5%的数据集，并且删除属性项可能会改变数据分布，进而会影响算法分类性能。最为常见并且有效的处理不完整数据分类问题的方法是插补法，就是通过合理的估值来填补缺失数据，这样就能用基础分类器对带有估计值的完整数据分类[5]。

1987年，Little和Rubin[7-8]针对数据缺失机制提出了3种不同类型的缺失情况:完全随机缺失(MCAR,missing complete at random)、随机缺失(MAR,missing at random)和非随机缺失(MNAR,missing not at random)。目前对缺失数据的研究主要集中在MAR和MCAR上。……