在知识发现过程中，由于待处理的数据集有时带有噪声或不完整，因此需要能处理不精确、不确定数据的理论和方法。粗糙集理论正是满足这种要求的新型数学工具。基于粗糙集的知识发现过程，就是利用粗糙集理论与方法从数据中挖掘出新颖的、有用的非平凡的模式过程。围绕知识约简这个核心研究问题，分别从差别矩阵、启发式信息及数据库系统的角度对知识约简进行了深入研究。将粗糙集引入Vague目标信息系统，讨论了Vague目标信息系统的知识约简问题。相关主要工作有以下几方面： 现有差别矩阵只适用于一致或部分一致决策表，对于完

传统的决策表规则提取需先进行属性约简再进行值约简,过程中存在大量冗余计算,并且当数据包含一定不确定性时效果不佳。为此,提出一种最简规则获取方法,将属性约简与值约简过程合二为一,使用变精度粗糙集模型,从属性多粒度的角度分析,按粒度的大小将决策表转换成不同的知识空间,并利用矩阵简单直观的特点,在不同的知识空间内定义粒矩阵、粒关系矩阵等概念,通过充分挖掘隐含在β粒关系矩阵中的启发式信息Sω,确定属性约简顺序,实现对不同粒度知识空间下最简规则的快速获取;设置覆盖率α为终止条件,以概率方法加快算法收敛速度

不确定性是粗糙集理论研究中的热点问题之一,而知识粒度是度量知识系统不确定性的一种重要方法.文中从矩阵的视角探讨知识粒度、粗糙度和属性重要度等概念的计算方法并分析知识粒度矩阵算式的内在含义,揭示出知识粒度与等价关系矩阵之间的关系.在提出知识粒层次结构的基础上进一步探讨了属性增删时知识粒度的变化规律.最后结合属性增删时不可分辨关系矩阵的更新将属性重要度的矩阵计算方法应用于求属性集的核集和最小约简中,算例表明属性重要度的矩阵计算方法在属性约简中的有效性.

传统的决策表规则提取需先进行属性约简再进行值约简,过程中存在大量冗余计算,并且当数据包含一定不确定性时效果不佳。为此,提出一种最简规则获取方法,将属性约简与值约简过程合二为一,使用变精度粗糙集模型,从属性多粒度的角度分析,按粒度的大小将决策表转换成不同的知识空间,并利用矩阵简单直观的特点,在不同的知识空间内定义粒矩阵、粒关系矩阵等.概念,通过充分挖掘隐含在β 粒关系矩阵中的启发式信息S ω,确定属性约简顺序,实现对不同粒度知识空间下最简规则的快速获取;设置覆盖率α 为终止条件,以概率方法加快算法