粗糙集优化神经网络算法应用综述

摘要：现今數据分析邻域面临的大规模、多属性、混合型数据集较为普遍，对分析算法提出了较高的要求。粗糙集算法能在大量特征属性中筛选出重要属性，可以用于优化神经网络的输入数据，能够降低运算难度，提高算法性能。

关键词：粗糙集;神经网络;属性约简

在处理属性多、属性为混合型的数据时，要求选用的数据分析方法要有着能够筛选属性与处理混合型属性的优点，而1982年被Pawlak教授提出的粗糙集理论，在被深化研究发展后，已广泛的应用于属性约简、知识获得、分类器设计等方面，比较适合在繁杂的属性集之中筛选出影响决策的关键属性。但传统的粗糙集理论只能用来处理分类型数据，即数据本身为离散型的，对待连续的数值型数据，一般采用离散化的方法将数据转化为离散型，但转化过程中不可避免的损失数据信息，影响数据分析结果。为此研究人员引入邻域粗糙集某型来进行混合型属性的数据集的属性约简，邻域粗糙集的属性约简算法一般采用前向贪心搜索的策略，通过计算全局属性的重要度，测试属性加入候选集合对结果带来的影响，依次判断最优集合，这种算法能够大大降低邻域粗糙集属性约简的计算复杂度，使该方法的应用更广泛。

在航材专业内对于粗糙集方法的应用早有先例，例如利用超平面或超曲面的间接连续属性离散化的方法对数据进行离散化后进行属性约简，对飞机故障情况进行认定，设计自修复飞行控制效能评估系统与建立飞机备件需求量的相关研究 。……