混合数据粗糙集分析的模型结构和算法研究

数据挖掘经常面临数量巨大、类型多样的不确定信息。现有粗糙集理论是处理不确定性的有效工具，但仅能分析符号变量，不适用于复杂变量以及多种变量共存的信息系统的分析。理论发展和应用需求都迫切需要建立混合信息系统的粗糙集分析模型。.本课题打破传统以关系拓展粗糙集模型的思路，提出基于距离粒化的混合数据粗糙集分析模型。由于在各种类型变量域及其混合的特征空间都可以定义距离函数，该模型统一了名义变量和数值变量的粗糙集分析方法，而且建立了多类型变量共存的混合信息的粗糙集分析框架，为理解混合信息系统的信息结构和拓展粗糙集理论的应用奠定了基础。.距离决定了样本空间的粒化结构和逼近能力。本研究提出通过距离学习粒化样本空间，构造最优粒化结构的课题。基于同态分析，提出了混合数据属性约简的快速算法设计思路。由于在粗糙集模型中引入距离，揭示了粗糙集理论在边界样本分析中的作用，提出了边界样本学习的方法。