变精度粗糙集的属性约减

粗糙集对于学习分析系统的属性约减模型有着重要的研究意义和使用价值。针对教育大数据高维度、不完备、增量性等现状，提出了基于不完备决策表的差别信息增量更新算法，并结合树型结构对差别信息的高效存储和粗糙集的

多粒度粗糙集模型是目前粗糙集模型研究的热点方向之一。在更一般的情形下，提出了基于三角范数的变精度悲观多粒度粗糙集模型。根据S-范数和T-范数的定义，建立了一种新的基于三角范数的变精度悲观多粒度上下近似

差别矩阵为属性约简提供了很好的思路,差别信息树能有效消除差别矩阵中的冗余元素,并实现对差别矩阵的压缩存储.然而,差别信息树既没有考虑“核”属性在消除差别矩阵中冗余元素的作用,也没有考虑属性序在压缩存储

在系统熵的基础上,定义了一种新的属性重要度并提出了一种基于改进系统熵的粗糙集属性约简算法,实验分析表明,该属性重要度为启发式信息进行的属性约简,取得了理想效果。

为了更好地获取由边界域产生的不确定性规则知识，提出最优近似粗糙集的属性约简方法。给出了近似空间上粗糙集最优近似集的判定与计算，然后引入最优近似分布协调集、最优近似分布约简概念。讨论了Pawlak属性约

粗糙集属性约简的MATLAB程序；用基于属性重要度的粗糙集属性约简方法对决策表进行约简，属性重要度是根据信息熵定义的。

改进属性重要度概念，给出了一种基于粗糙集理论的单属性重要度和组合属性重要度结合的确定属性权重的方法及其具体操作步骤。通过实例说明，改进的粗糙集权重计算方法具有普适性，权重计算更合理。

信息系统中的属性约简是粗糙集知识发现的一个重要步骤。致力于研究一个信息系统中的特征选择、删除冗余属性。新的算法从属性重要性出发，采用迭代特征选择的标准，使得选择特征属性集不断缩小，获得信息系统的约简。

粗糙集的在未来的基本应用以及其范围和优点好处

基于粗糙集理论的离散化程序，无监督离散化方法