增量式属性约简更新算法研究.docxVIP

增量式属性约简更新算法研究

摘要

在数据挖掘与知识发现领域，属性约简是关键环节。面对动态变化的数据环境，传统静态属性约简算法难以高效应对，而增量式属性约简更新算法应运而生。本文深入剖析了属性集变化下序决策信息系统的增量属性约简问题，提出基于知识粒度表征属性重要度的全新增量算法，涵盖属性增加与删除两种情形。通过详尽介绍优势粗糙集基础知识，将经典粗糙集基于知识粒度的属性约简算法拓展至优势粗糙集领域，成功获得处理序决策信息系统的属性约简算法。同时，给出劣势属性矩阵定义，运用基于知识粒度的矩阵计算方法，深入分析属性增删时属性约简的增量式更新机制，并精心设计两种增量属性约简算法。理论分析与实验结果充分表明，所提算法相较于静态属性约简算法，具备更高的效率与更强的适应性，为解决动态数据环境下的属性约简问题提供了有效的途径。

关键词

增量式属性约简；序决策信息系统；知识粒度；优势粗糙集

一、引言

在当今大数据时代，数据的规模与复杂性呈爆发式增长。数据挖掘与知识发现技术作为从海量数据中提取有价值信息的关键手段，受到了广泛关注。属性约简作为数据挖掘的重要环节，旨在从原始数据集中筛选出与决策信息系统分类能力一致的最小属性子集，以实现数据降维，提升数据处理效率与挖掘结果的可解释性。

经典粗糙集理论由波兰数学家Pawlak于1982年提出，凭借其在处理不确定性、模糊性和不精确性数据方面的独特优势，在机器学习、模式识别、数据挖掘和知识发现等众多领域得到了广泛应用。然而，经典粗糙集理论基于等价关系对论域进行划分，在面对属性值具有偏序关系的数据时，显得力不从心。为此，Greco等人基于优势关系对经典粗糙集方法进行了拓展，提出了优势粗糙集方法（DominanceRoughSetApproach，DRSA），该方法能够有效处理属性值具有偏序关系的数据，进一步丰富了粗糙集理论的应用场景。

在实际应用中，数据并非一成不变，其属性集常常会发生动态变化。例如，在医疗诊断系统中，随着医学技术的不断进步，可能会增加新的诊断指标；在市场分析中，随着市场环境的变化，某些原有的分析指标可能不再适用，需要被删除。面对属性集的动态变化，若继续使用传统的非增量属性约简算法，将会重复计算未变动前的部分属性，导致计算成本大幅增加，尤其在处理大规模数据集时，难以满足属性约简的效率要求。因此，研究适用于属性集动态变化的序决策信息系统的增量式属性约简算法具有重要的理论意义与实际应用价值。

二、相关理论基础

2.1粗糙集理论概述

粗糙集理论以信息系统为研究对象，信息系统可表示为一个四元组S=(U,A,V,f)，其中U=\{x_1,x_2,\cdots,x_n\}是论域，即对象的集合；A=\{a_1,a_2,\cdots,a_m\}是属性集；V=\bigcup_{a\inA}V_a，V_a是属性a的值域；f:U\timesA\toV是一个信息函数，它为每个对象的每个属性赋予一个相应的值。

在经典粗糙集理论中，通过等价关系对论域进行划分，形成等价类。对于属性子集B\subseteqA，对象x,y\inU，若\foralla\inB，都有f(x,a)=f(y,a)，则称x和y在属性集B上是等价的，记为(x,y)\inIND(B)，其中IND(B)称为B上的等价关系。由等价关系IND(B)划分的等价类构成了论域U的一个划分，记为U/IND(B)。

2.2优势粗糙集方法

优势粗糙集方法是对经典粗糙集理论的重要扩展，主要用于处理属性值具有偏序关系的数据。在序决策信息系统中，属性集A通常可分为条件属性集C和决策属性集D，即A=C\cupD且C\capD=\varnothing。对于条件属性a\inC，其值域V_a上存在偏序关系“\geq”。

优势关系定义如下：对于x,y\inU，若\foralla\inC，都有f(x,a)\geqf(y,a)，则称x优于y，记为x\succeq_Cy。由优势关系\succeq_C可生成优势类[x]_C^{\succeq}=\{y\inU:y\succeq_Cx\}和劣势类[x]_C^{\preceq}=\{y\inU:x\succeq_Cy\}。

基于优势关系，优势粗糙集方法通过定义上、下近似集来刻画概念的不确定性。对于决策类D的上向联合集D^{\geq}=\bigcup_{i=k}^nD_i（其中D_i是决策类，且D_1\preceqD_2\preceq\cdots\preceqD_n），其下近似集\underline{apr}_C^{\succeq}(D^{\geq})和上近似集\ov