徐久成，孙元豪+，韩子钦

(1.河南师范大学 计算机与信息工程学院，河南 新乡 453007；2.河南师范大学 智慧商务与物联网技术河南省工程实验室，河南 新乡 453007)

0 引 言

特征选择是一种常见的数据预处理技术[1，2]。传统的特征选择假定特征空间是不变的[3]，然而在实际情况中，特征往往随着时间逐个或逐组地获得，特征空间信息未知[4]。如何在流特征环境中进行高效的特征选择具有重要的实际应用价值。

根据特征组的原始结构信息，在线流特征选择可分为在线流单特征选择和在线流组特征选择[5，6]。在线流单特征选择方法对特征单独处理，忽略了特征流存在的组结构信息[7-10]。而对特征组执行特征选择比单独对特征执行特征选择效果更好[11]。Yu等[12]提出一种可扩展的流特征选择方法，可在群组和个体两个层面对特征组进行有效选择。Zhou等[5]考虑到流特征组内和组间的交互作用，并通过弹性网回归模型中的惩罚函数将变量的系数进行调整，选择有价值的变量，设计了一种新的群组流特征选择方法。然而，现有的在线流特征选择方法不能有效地处理模糊和不确定性环境下的任务。

近年来，基于模糊粗糙集的特征选择方法在处理具有模糊性和不确定性的分类问题中得到了广泛的应用[13-15]。Xu等[16]重新定义了模糊邻域关系并将其引入到条件熵中，提出了一种新的模糊邻域条件熵。Wang等[17]提出一种邻域判别指数，与香农熵具有相似的性质，可反映特征子集的区分能力。……