在模式识别，机器等领域，特征选择是一个具有挑战性的问题学习和数据挖掘。 考虑粗糙集引入的一致性度量理论上，特征选择问题（也称为属性约简）旨在保留原始功能的歧视性。 许多启发式属性约简算法然而，已经经常提出这些方法在计算上很费时。 为了克服这个缺点，我们引入了一个基于粗糙集理论，称为正逼近，可用于加速启发式属性约简的过程。 基于建议的加速器，一般属性设计了约简算法。 通过使用加速器，几个代表粗糙集理论中的启发式属性约简算法得到了增强。 笔记每个修改后的算法都可以选择与其原始属性相同的属性约简版本，