基于对象变化的邻域决策粗糙集动态更新算法

孙海霞

（安徽三联学院 计算机工程学院，安徽 合肥 230601）

粗糙集理论是当今知识发现领域的一个研究热点，决策粗糙集模型[1-2]是粗糙集理论的重要研究分支，由于决策粗糙集在处理噪声数据方面具有较好的泛化性能[2]，因此目前已广泛应用于机器学习[3-4]、图像处理[5]和数据挖掘[6]等诸多领域。

早期的决策粗糙集建立在完备离散型的信息系统上，在其基础上，学者们进一步地提出了多种扩展的粗糙集模型，例如Liu 等[7]将决策粗糙集推广至不完备信息系统，提出一种改进的不完备决策粗糙集模型；Sun 等[8]在粗糙模糊集下提出了相应的决策粗糙集模型；Dou 等[9]基于多个代价的策略，提出了多代价的决策粗糙集模型；在数值型的数据集方面，Li 等[10]将邻域关系融入决策粗糙集模型中，提出了邻域决策粗糙集模型，该模型进一步提升了决策粗糙集的适用范围。

然而现实环境下的数据不总是静止不变的，而是时刻处于动态更新之中，为了提高粗糙集模型在动态数据下的处理效率，学者们对其提出了多种增量式的模型和算法[11-13]。在决策粗糙集等模型中，学者们同样提出了多种增量式更新算法。例如，Zhang 等[14]针对属性值动态变化情形提出了相应的增量式更新算法；针对流计算环境，Xu 等[15]提出了对象在线增加和减少时的增量式更新算法；Chen 等[16]利用集合更新的方法设计出了决策粗糙集的增量式更新算法；赵小龙等[17]针对数值型信息系统，研究了邻域粒化条件熵随对象增加和减少时的增量式更新，并进一步地提出了对应的增量式属性约简算法；……