基于粗糙集的特征選擇算法研究.pdf

1、粗糙集理論（Rough Set Theory）是波蘭數(shù)學家Z.Pawlak于1982年提出的一種處理模糊、不確定數(shù)據(jù)的軟計算方法，是目前國際上人工智能理論及其應用領域中的重要研究熱點之一。由于粗糙集理論方法獨特、思想新穎，在提出的三十余年里面，吸引了大量研究人員對其進行研究，并成功的衍生出模糊粗糙集、優(yōu)勢關系粗糙集、決策理論粗糙集、變精度粗糙集等多種適用于處理復雜類型數(shù)據(jù)的粗糙計算模型。這些模型已成功應用于機器學習、模式識別、決策支持、

2、過程控制、數(shù)據(jù)庫知識發(fā)現(xiàn)、專家系統(tǒng)等研究領域。
　　 基于粗糙集的特征選擇（屬性約簡）是粗糙集理論研究的核心內(nèi)容之一，主要是在保持原始數(shù)據(jù)的屬性區(qū)分能力不變的前提下，選擇具有最小特征（屬性）數(shù)的特征子集，達到消除無關和冗余特征，提高知識發(fā)現(xiàn)效率，改善分類器性能的目的。隨著目前大量高維海量復雜數(shù)據(jù)的出現(xiàn)，這種解決問題的思路對于處理具有高價值總量、低價值密度、含有大量冗余屬性的大數(shù)據(jù)研究具有重要的意義。
　　 本文跟蹤國際學

3、術前沿，對基于粗糙集理論的屬性約簡進行整理分析，在借鑒Page Rank算法思路的基礎上，提出了通過對屬性進行“全局性”重要度排序，進而構(gòu)造一種新的屬性約簡算法。另外，總結(jié)已有粗糙集特征選擇的部分方法及數(shù)據(jù)集的預處理方法，設計了包含粗糙集特征選擇與數(shù)據(jù)集預處理方法的RSLibrary類庫，在類庫的基礎上設計了粗糙集特征選擇系統(tǒng)。本文主要工作如下:
　　 (1)啟發(fā)式屬性約簡算法的分析與比較。對經(jīng)典的啟發(fā)式屬性約簡算法、啟發(fā)式約簡

4、加速算法、啟發(fā)式約簡雙向約簡加速算法分別進行了具體的分析和比較。
　　 (2)提出一種基于“全局性”屬性重要度排序的特征選擇算法。將粗糙集理論與Page Rank算法結(jié)合，借鑒其投票機制，提出了屬性排序算法(Attribute Rank)，進而設計了基于屬性排序的特征選擇算法。在處理海量數(shù)據(jù)時，該算法的并行版本能夠在可接受時間內(nèi)得出結(jié)果。
　　 (3)設計了基于粗糙集的特征選擇系統(tǒng)。針對在粗糙集學習中，做實驗時，需要編寫

5、大量重復性代碼、檢驗編碼正確性、對比實驗結(jié)果、對數(shù)據(jù)集進行大量預處理等工作，設計了包含常見粗糙集屬性方法與數(shù)據(jù)集預處理的粗糙集類庫。在此類庫的基礎上開發(fā)了基于粗糙集的特征選擇系統(tǒng)。
　　 最后，將本文內(nèi)容進行總結(jié)，說明了針對該類問題可以深入研究的方向。這些研究內(nèi)容，探索了將屬性約簡并行化的方法，為大數(shù)據(jù)的數(shù)據(jù)挖掘提供有價值的參考。同時，進一步豐富了基于粗糙集的數(shù)據(jù)挖掘算法，為發(fā)展高效的數(shù)據(jù)挖掘方法提供一定的借鑒和指導，借此進一步