1、粗糙集理論誕生于二十世紀八十年代，是一種重要的新型數(shù)據(jù)處理工具，尤其在不確定性和不完備性數(shù)據(jù)處理方面表現(xiàn)出了顯著的性能。粗糙集理論以等價關系為核心，通過數(shù)據(jù)的?；瘉泶植诒平芯磕繕耍瑥亩鴮δ：淮_定性的知識達到了清晰的認識，其中信息系統(tǒng)的特征選擇是粗糙集理論的重要應用。鄰域粗糙集和模糊粗糙集是整個粗糙集理論體系中兩個重要的分支，同時這兩種模型也是處理數(shù)值型數(shù)據(jù)的強有力工具，數(shù)值型數(shù)據(jù)是一種常見的數(shù)據(jù)類型，因此基于這兩種模型的特征選擇具有

2、重要的研究意義。在鄰域粗糙集模型中，基于完備型數(shù)據(jù)的特征選擇研究未考慮數(shù)據(jù)的聚集分布，從而對特征選擇的結果帶來一定的誤差;基于不完備型數(shù)據(jù)的特征選擇大多是基于容差關系構建，在描述的數(shù)據(jù)相似性方面存在一定的缺陷。在模糊粗糙集模型中，基于完備型數(shù)據(jù)的特征選擇未考慮數(shù)據(jù)的類與類之間的間隔問題，因此不能夠選擇出很好的特征結果;基于不完備型數(shù)據(jù)的特征選擇目前相關研究較少，因此模糊粗糙集對不完備型數(shù)據(jù)的研究是一塊空缺。針對以上存在的問題，本文將依次

3、對其進行改進，并提出對應的特征選擇算法，本文的主要工作內容如下:
　　(1)針對鄰域粗糙集模型關于數(shù)值型完備信息系統(tǒng)特征選擇存在的缺陷，本文通過方差來評估數(shù)據(jù)的聚集分布，然后提出一種自適應鄰域粒化，將自適應鄰域?；Y合模糊熵度量，提出自適應鄰域模糊熵，并用于數(shù)值型信息系統(tǒng)的屬性重要度評估，構造出一種啟發(fā)式特征選擇算法。最后通過仿真實驗證明在數(shù)值型完備信息系統(tǒng)中，所提出的特征選擇算法比鄰域粗糙集的其他特征選擇算法具有更高的特征選擇性

4、能。
　　(2)針對鄰域粗糙集模型關于數(shù)值型不完備信息系統(tǒng)特征選擇存在的缺陷，本文將量化容差關系與鄰域關系進行結合，提出鄰域量化容差關系，然后在鄰域量化容差關系的基礎上提出條件熵模型，本文稱之為鄰域量化容差條件熵，并作為數(shù)值型不完備信息系統(tǒng)的屬性重要度評估，進一步地構造出一種啟發(fā)式特征選擇算法。最后通過仿真實驗證明在數(shù)值型不完備信息系統(tǒng)中，所提出的特征選擇算法比鄰域粗糙集的其他特征選擇算法具有更高的特征選擇性能。
　　(3)

5、針對模糊粗糙集模型關于數(shù)值型完備信息系統(tǒng)特征選擇存在的缺陷，本文引入大間隔學習來評估屬性下類與類之間的分類間隔，并根據(jù)間隔學習得到的屬性權重結果來構造模糊粗糙集模型下的模糊粒化，本文稱之為大間隔模糊?；Ｈ缓笤诖箝g隔模糊?；慕Y果上定義依賴度和知識粒度兩種度量，并將它們結合起來用于信息系統(tǒng)中屬性重要度的評估，從而構造出一種啟發(fā)式特征選擇算法。最后通過仿真實驗證明了在數(shù)值型完備信息系統(tǒng)中，所提出的特征選擇算法比模糊粗糙集的其他特征選擇算法

6、具有更高的特征選擇性能。
　　(4)模糊粗糙集模型在數(shù)值型不完備信息系統(tǒng)中的特征選擇研究較少，本文在模糊粗糙集模型中引入容差關系，提出一種基于模糊容差關系的模糊粗糙集模型，然后在該模型下定義模糊信息增益率，并將模糊信息增益率用于信息系統(tǒng)中屬性重要度的評估，同時給出了一種啟發(fā)式特征選擇算法。最后通過仿真實驗證明了在數(shù)值型不完備信息系統(tǒng)中，所提出的特征選擇算法比其他相關的特征選擇算法具有更高的特征選擇性能。
　　因此在本文中將提