粗糙集理論阻是由波蘭學(xué)者PaWlak于1982年提出的一種能夠有效處理不精確和不確定信息的數(shù)學(xué)工具，目前，由于它在神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、決策分析、機器學(xué)習(xí)和知識發(fā)現(xiàn)等領(lǐng)域心有著廣泛的運用，使得研究逐漸趨熱。粗糙集理論是建立在分類機制的基礎(chǔ)上，通過等價關(guān)系將知識空間進行劃分。其主要思想是保持分類能力不變的前提下，通過上、下近似去刻畫知識不確定性程度，并且通過知識約簡、規(guī)則提取去挖掘數(shù)據(jù)中潛在的信息，粗糙集理論最大的特點就是不需要數(shù)據(jù)集之外的任何先驗信息，因此對于不確定信息進行分析處理還是比較客觀的。近年來，為了從多粒度、多層次的角度去處理和分析問題，Qian等提出了多粒度粗糙集模型，其主要思想是將屬性集構(gòu)建成一組屬性子集序列，通過這一系列屬性子集來對論域進行劃分，構(gòu)成了多粒度的論域空間，然后在多粒度論域空間中對目標概念進行近似逼近。隨后，一些學(xué)者在Qian等基礎(chǔ)上對多粒度粗糙集做了許多擴展和改進。但是在多粒度粗糙集模型的研究中，對于如何構(gòu)建一個較好的屬性子集序列，目前并沒有給出一個很好的方法。

　　本文針對多粒度粗糙集模型中關(guān)于屬性子集序列的構(gòu)建問題，提出一種較好的杓建方法，其主要思想是引入統(tǒng)計學(xué)中關(guān)于變量間的相似系數(shù)來刻畫屬性間的距離，通過屬性間距離的遠近來對屬性進行區(qū)分歸類，進而構(gòu)建一組屬性子集序列。由于目前的多粒度粗糙集模型中分為基于等價關(guān)系的多粒度粗糙集模型和鄰域多粒度粗糙集模型，因此本文分別定義了符號型屬性間的距離和數(shù)值型屬性間的距離。最后通過實驗分析，驗證了本文構(gòu)建的屬性子集序列具有更好的近似效果。
?