卢加学， 汪小燕

（安徽工业大学 计算机科学与技术学院，安徽 马鞍山 243032）

1982 年波兰Pawlak 教授首次提出粗糙集理论[1]，粗糙集理论在处理不确定性、不精确性以及不完全数据方面有着巨大优势，主要的研究内容是属性约简[2]和规则提取。 粗糙集理论中的属性重要度体现的是去掉某个或某些属性前后知识库分类变化的程度。对此，许多学者进行了研究。文献[3-4]给出了基于代数观的由属性依赖度确定属性重要度的方法。 但属性依赖度度量在某些情况下处理数据存在局限性，从而得不到合理的结果。文献[5]提出了包含度理论。文献[6]结合信息熵的特点，给出了基于信息观的条件信息熵的属性重要度方法。 文献[7]对经典依赖公式研究，引进多数包含关系，提出了新的知识依赖性度量方法。 属性重要度的确定方法可以为属性约简以及属性权重问题的研究提供基础。

然而以上的文献方法皆是基于单粒度来确定属性重要度，但在实际应用中多粒度往往起着更重要的作用。多粒度粗糙集[8-9]是一种新型的多视角数据分析方法，众多学者对其进行了研究。粒度重要性的确定方法也为多粒度粗糙集中属性约简以及属性权重问题的研究提供了基础。 孟慧丽等人在文献[10]中将信息量引入悲观多粒度粗糙集的下近似分布约简，定义了粒度的重要度，以粒度的重要度作为启发信息设计了约简算法。 但基于等价关系的悲观多粒度的下近似分类条件过于严格，在实际问题中忽略了一定的误差允许。……