陈宝国，陈 磊，邓 明

（淮南师范学院 计算机学院，安徽 淮南 232038）

0 引言

粗糙集理论是波兰著名学者Pawlak提出的一种处理不确定知识的数据模型［1］，目前已广泛运用于人工智能与数据挖掘等领域［2−3］。属性约简是粗糙集理论最重要的应用，属性约简即特征选择，其主要目的是对分类学习数据集中冗余和不相关的属性进行删除，从而提高数据集的分类性能和知识挖掘性能，属性约简目前已成为粗糙集理论的研究热点［4］。

近年来，学者们基于粗糙集理论提出了多种属性约简算法。针对粗糙集模型的方法，Hu等［5］8基于邻域粗糙集提出一种改进权重的邻域依赖度，并设计出一种属性约简算法；Sang等［6］针对区间值数据提出了模糊优势邻域粗糙集，并基于此设计了属性约简算法；Wang等［7］基于模糊粗糙集提出自信息度的概念，并利用该度量设计出一种新的属性约简算法。基于粗糙集模型构造信息熵度量也是设计属性约简的重要方法，例如，赵小龙等［8］2067−2068在邻域粗糙集模型下提出邻域条件熵的度量，并由此设计出对应的属性约简算法；Gao等［9］在粗糙集信息熵的基础上进行改进，提出粒最大决策熵模型，理论证明这种熵定义具有更严格的单调性，并因此设计出一种有效的属性约简算法；熊菊霞等［10］1587−1588在邻域粗糙集下提出了邻域互信息熵度量，并由此提出一种属性约简算法；Salem等［11］114在模糊粗糙集下提出模糊联合互信息熵的度量，并利用该度量设计出一种优越的属性约简算法。……