基于粗糙集的空间分析新模型及其应用研究

近年来，粗糙集理论已被广泛应用于空间分析中，可有效地对空间数据中的某些不确定性进行建模。本项目旨在从空间相关性这一空间数据固有属性出发，对基于粗糙集的空间分析模型进行该进，使其可以在对空间数据粗糙性分析建模时不仅用到空间对象本身的属性，同时考虑周边对象的空间分布及其属性的影响。主要研究内容包括：(1)针对粗糙集的空间抽样方法研究；(2)子区域局部约简及其空间变化规律；(3)针对空间数据的粗糙集规则提取及预测方法的研究；(4)开发基于上述方法的粗糙集空间数据分析软件包。本项目研究成果不仅可为空间分析提供一种建模方法，同时还可促进粗糙集理论本身的发展，对空间数据建模、分析与处理具有重要理论意义和应用价值。

本项目以现实中广泛存在的空间数据为研究对象，以粗糙集理论为基本工具，发展面向空间数据的基于粗糙集的知识获取与推理新理论与新算法，并应用于文本数据、神经管畸形数据的分析与处理。主要研究内容为：针对海量有监督和非监督数据提出了同数据规模无关的，基于增量抽样方法的属性选择方法，解决了海量数据如何进行快速属性选择这一关键问题；对名义变量的空间相关性定量描述给出了一个l类内、类间和总体的相关性新度量，能够描述空间相关性随着距离变化所呈现的趋势；将粗糙模糊集进一步应用到了空间数据中。提出了明确的基于遗传算法的约简算法，使用模糊熵将模糊分类结果同真实值进行了对比来刻画分类精度等; 进一步发展了多点模拟方法，提出了确定多重网格数和不确定性评价方法。并将理论成果应用于文本主题挖掘属性约简以及神经管畸形出生缺陷数据分析中的空间相关性分析和模糊规则提取问题。