基于矩阵方法的区分度增量式属性约简算法

沈 玉 峰

(安徽三联学院计算机工程学院 安徽 合肥 230601)

0 引 言

粗糙集[1]是人工智能领域的重要分支，属性约简[2]是粗糙集理论的重点研究内容。属性约简的目的是为了将原始信息系统的冗余属性进行甄别和删除，从而提高数据集的知识发现性能。然而随着信息技术的发展以及数据采集技术的提高，实际应用环境下的数据总是时刻处于动态更新之中，传统的各种属性约简算法是针对静态的数据设计的，而对于动态的数据集，这些算法的处理效率较为低下，不能很好地适应实际的工程需求[3-4]。

为了改善动态数据下的属性约简性能，学者们提出了一种改进的属性约简方法——增量式属性约简[5]，增量式属性约简的核心思想是增量式学习，即在原始属性约简的基础上融入增量式学习，当信息系统发生更新时，增量式属性约简算法能够将原来的属性约简结果加以利用，在其基础上进一步计算出新的属性约简结果。由于增量式属性约简的高效性，目前已成为属性约简领域的研究热点[6-7]。

对象的动态增加和减少是信息系统最为常见的一种动态更新形式，为此学者对这类属性约简问题进行了大量的研究。最早的属性约简是基于粗糙集的正区域来构造，Chan[5]研究了正区域随信息系统变化时的增量式更新，提出了最早的增量式属性约简算法。在Chan的研究思路基础上，Shu等[8]提出了一种改进的增量式属性约简，进一步提高了动态数据的处理效率。……