多半径邻域粗糙集：一种去除冗余属性的改进约简算法

该文主要探讨了在多半径邻域粗糙集框架下，如何改进属性约简算法以解决传统启发式算法可能导致的冗余属性问题。通过对属性权重的影响进行融合，设计了一种新的约简运算方法，旨在消除冗余属性，保持决策表的知识信息，并提高分类能力。 正文: 粗糙集理论作为处理不确定性和不完整信息的有效数学工具，自1982年被Pawlak教授提出以来，在诸多领域如故障诊断、数据挖掘、决策分析中得到了广泛应用。然而，原始的粗糙集理论仅适用于离散论域，对于连续属性值的数据，需要先进行离散化处理，这可能导致信息损失。为了解决这一问题，学者们发展了邻域粗糙集模型，它允许对连续属性进行处理，且在属性约简和规则提取上表现出色。 邻域粗糙集模型的一个关键限制是使用全局单一的定邻域半径，这可能无法充分反映属性间的差异。因此，有研究提出使用基于属性值标准差的多邻域半径，或者引入非对称和变邻域来改进。这些改进方法旨在更好地捕捉数据的复杂性和多样性，从而提高约简的精确度和效率。 本文关注的问题在于，即使在邻域粗糙集的改进版本中，启发式约简算法仍然可能出现冗余属性，这可能降低决策表的信息保留程度和分类性能。作者提出了一种融合属性权重的新方法，通过设置阈值来消除约简过程中的冗余属性。这种方法考虑了每个属性对决策的重要性，根据权重大小动态调整阈值，以确保约简结果更加精炼且保留更多的知识信息。 为了验证新算法的有效性，作者选取了UCI数据集进行实验，并将其与几种常用的启发式约简算法进行了对比分析。实验结果显示，提出的属性约简方法在减少冗余属性的同时，保持了较高的知识保留度和分类能力，证明了其优越性。 本文的研究工作集中在改进多半径邻域粗糙集的属性约简算法，通过融合属性权重影响，优化了约简过程，提高了约简质量和分类性能。这种方法对于处理包含连续属性值的数据集尤其有价值，有助于提升数据分析和决策支持的质量。