马磊，罗川*，李天瑞，陈红梅

基于模糊粗糙集的无监督动态特征选择算法

马磊1，罗川1*，李天瑞2，陈红梅2

（1.四川大学 计算机学院，成都 610065； 2.西南交通大学 计算机与人工智能学院，成都 611756）（ ∗ 通信作者电子邮箱cluo@scu.edu.cn）

动态特征选择算法能够大幅提升处理动态数据的效率，然而目前基于模糊粗糙集的无监督的动态特征选择算法较少。针对上述问题，提出一种特征分批次到达情况下的基于模糊粗糙集的无监督动态特征选择（UDFRFS）算法。首先，通过定义伪三角范数和新的相似关系在已有数据的基础上进行模糊关系值的更新过程，从而减少不必要的运算过程；其次，通过利用已有的特征选择结果，在新的特征到达后，使用依赖度判断原始特征部分是否需要重新计算，以减少冗余的特征选择过程，从而进一步提高特征选择的速度。实验结果表明，UDFRFS相较于静态的基于依赖度的无监督模糊粗糙集特征选择算法，在时间效率方面能够提升90个百分点以上，同时保持较好的分类精度和聚类表现。

特征选择；模糊粗糙集；动态数据；无监督特征选择；依赖度

0 引言

特征选择是模式识别中一种非常重要的预处理手段，通过去除不相关和冗余的特征，达到精简样本集合、提高后续识别过程的效率并提升精度的目的。粗糙集作为一种重要的特征选择模型，由Pawlak［1］提出，主要用于处理不完整、不精确的数据；但是粗糙集只能处理分类型变量，无法处理实际生活中广泛存在的连续型变量。……