粗糙集分类模型及特征选择算法研究

本书分析并总结了该领 域已有的研究成果，对粗糙 集分类模型及特征选择算法 展开了深入研究，并取得了 一定的研究成果，希望对广 大科研工作者有所启发。 本书共分六章。第1章绪 论，介绍研究背景和意义， 以及粗糙集分类模型及特征 选择算法的研究现状。第2 章正向宏近似分类模型，针 对不完备数据的分类问题， 研究并提出了正向宏近似分 类模型及其特征选择算法。 正向宏近似分类模型把整个 决策类集作为一个整体来进 行近似计算，从宏观的角度 描述了决策类集的上下近似 ，是一种能够快速求解一系 列不同属性子集下系统近似 的机制。基于正向宏近似分 类模型提出的特征选择算法 ，采用正向宏近似分类模型 快速产生边界，采用边界度 量的属性重要度作为启发信 息决定最优寻找路径，采用 边界评估的约简准则来识别 特征子集，明显地提高了计 算效率。第3章邻域划分分 类模型，针对数值型和符号 型数据的分类问题，提出了 邻域划分分类模型及其特征 选择算法。邻域划分分类模 型通过邻域划分来描述分类 模型，是对邻域决策粗糙集 模型的改进和提升。基于邻 域划分分类模型提出的特征 选择算法，采用不平衡二叉 树模型计算邻域，提高了计 算效率；采用邻域正域确定 度来评估属性，提高了分类 精度。第4章强化一致优势 分类模型，针对偏好型数据 的分类问题，提出了强化一 致优势分类模型及其特征选 择算法。强化一致优势分类 模型按照强化一致优势原则 制定了对象分类策略，具有 很强的鲁棒性。基于强化一 致优势分类模型提出的特征 选择算法采用组合粗糙熵度 量属性重要度，综合考虑了 偏好决策系统的知识不确定 性和目标决策类集的不确定 性，能快速找到约简。第5 章混合数据分类模型及其在 态势评估系统中的应用，针 对符号型、数值型、偏好型 数据共同描述的分类问题， 提出了混合数据分类模型， 并运用态势威胁评估分析， 设计并实现了面向模型扩展 的威胁评估系统。第6章总 结与展望，对本书研究内容 进行总结并对未来工作进行 展望。 本书是关于粗糙集理论 应用于数据分类的专著，希 望本书的理论模型和算法分 析，能够对从事模式识别、 知识发现研究的学者以及爱 好科研的朋友有一定的参考 价值。

卢正才，四川成都人，清华大学计算机科学与技术专业博士，高级工程师，主要从事人工智能和模式识别等领域的研究。主持、主研各级科研项目10余项，其中，国家级科技项目2项，军队重点科研项目6项。获军队科技进步二等奖1项、三等奖2项。在SCI、日以及中文核心期刊发表论文10余篇，获国家发明专利3项。

1 绪论 1.1 研究背景和意义 1.2 分类技术研究 1.2.1 决策树方法 1.2.1.1 ID3算法 1.2.1.2 C4.5算法 1.2.1.3 CART算法 1.2.1.4 其他算法 1.2.2 神经网络方法 1.2.3 贝叶斯方法 1.2.3.1 最大后验概率贝叶斯分类模型 1.2.3.2 最大似然比贝叶斯分类模型 1.2.3.3 最小风险贝叶斯分类模型 1.2.4 支持向量机方法 1.2.5 K-最近邻方法 1.2.6 粗糙集方法 1.3 粗糙集理论研究现状 1.3.1 粗糙集分类模型 1.3.1.1 BREM模型 1.3.1.2 SOEM模型 1.3.1.3 TSEM模型 1.3.2 特征选择算法 1.3.2.1 DMFS算法 1.3.2.2 PRFS算法 1.3.2.3 IVFS算法 1.3.2.4 GCFS算法 1.3.3 粗糙集理论应用 1.3.3.1 Rough Enough 1.3.3.2 KDD 1.3.3.3 ROSE 1.3.3.4 LERS 1.3.4 粗糙集分类的困难与挑战 1.3.4.1 粗糙集分类模型的扩展问题 1.3.4.2 属性约简算法效率问题 1.3.4.3 知识的不确定性度量问题 1.3.4.4 粗糙集分类方法的应用推广问题 1.4 研究内容 1.5 本书结构 2 正向宏近似分类模型 2.1 引论 2.2 TRSM模型 2.3 MARS模型 2.3.1 不一致容差块集 2.3.2 构建MARS模型 2.4 P-MARS模型 2.4.1 分解算子 2.4.2 构建P-MARS模型 2.4.3 P-MARS模型示例 2.5 基于P-MARS模型的特征选择 2.5.1 边界度量的属性重要度