本书是关于粗糙集理论应用于数据分类的专著，本书的理论模型和算法分析，能够对从事识别、知识发现研究的学者以及爱好科研的朋友有一定的参考价值。

随着科技的不断进步，人工智能迅速发展。人工智能的发展离不开算法，而在算法中，分类技术是人工智能发展的重要组成部分。本书针对粗糙集分类技术的模型及其特征选择算法展开了深入研究。主要内容包括： （1）正向宏近似分类模型及其特征选择算法。正向宏近似分类模型把整个决策类集作为一个整体来近似，从宏观的角度描述了决策类集的上下近似，是一种能够快速求解一系列不同属性子集下系统近似的机制。基于正向宏近似分类模型提出的特征选择算法，采用正向宏近似分类模型快速产生边界，采用边界度量的属性重要度作为启发信息决定很优寻找路径，采用边界评估的约简准则来识别特征子集，有效提高计算效率。 （2）邻域划分分类模型及其特征选择算法。邻域划分分类模型采用邻域划分来描述分类模型，是对邻域决策粗糙集模型的改进和提升。基于邻域划分分类模型提出的特征选择算法，采用不平衡二叉树模型计算邻域，提高计算效率；采用邻域正域确定度来评估属性，提高分类精度。 （3）强化一致优势分类模型及其特征选择算法。强化一致优势分类模型按照强化一致优势原则建立了对象分类策略，具有很强的鲁棒性。基于强化一致优势分类模型提出的特征选择算法采用组合粗糙熵度量属性重要度，综合考虑了偏好决策系统的知识不确定性和目标决策类集的不确定性，能快速找到约简。 （4）混合数据分类模型及其在态势评估系统中的应用。介绍了混合数据分类模型，并把它应用于态势威胁评估分析，设计并实现了面向模型扩展的威胁评估系统。

目  录1  绪论 ／ １1.1  研究背景和意义 ／ １1.2  分类技术研究 ／ ３1.2.1  决策树方法 ／ ３1.2.1.1  ＩＤ３ 算法 ／ ４1.2.1.2  Ｃ４.５ 算法 ／ ４1.2.1.3  ＣＡＲＴ 算法 ／ ５1.2.1.4  其他算法 ／ ５1.2.2  神经网络方法 ／ ５1.2.3  贝叶斯方法 ／ ７1.2.3.１  优选后验概率贝叶斯分类模型 ／ ８1.2.3.２  优选似然比贝叶斯分类模型 ／ ８1.2.3.３  最小风险贝叶斯分类模型 ／ ８1.2.４  支持向量机方法 ／ ９1.2.５  Ｋ－最近邻方法 ／ １０1.2.６  粗糙集方法 ／ １１1.3  粗糙集理论研究现状 ／ １２1.3.1  粗糙集分类模型 ／ １２1.3.1.1  ＢＲＥＭ 模型 ／ １３1.3.1.2  ＳＯＥＭ 模型 ／ １４1.3.1.3  ＴＳＥＭ 模型 ／ １４1.3.2  特征选择算法 ／ １５1.3.2.1  ＤＭＦＳ 算法 ／ １５1.3.2.2  ＰＲＦＳ 算法 ／ １６1.3.2.3  ＩＶＦＳ 算法 ／ １７1.3.2.4  ＧＣＦＳ 算法 ／ １７1.3.3  粗糙集理论应用 ／ １８1.3.3.1  Ｒｏｕｇｈ Ｅｎｏｕｇｈ ／ １８ 1.3.3.2  ＫＤＤ－Ｒ ／ １８1.3.3.3  ＲＯＳＥ ／ １８1.3.3.4  ＬＥＲＳ ／ １９1.3.4  粗糙集分类的困难与挑战 ／ １９1.3.4.1  粗糙集分类模型的扩展问题 ／ １９1.3.4.2  属性约简算法效率问题 ／ １９1.3.4.3  知识的不确定性度量问题 ／ ２０1.3.4.4  粗糙集分类方法的应用推广问题 ／ ２０1.4  研究内容 ／ ２０1.5  本书结构 ／ ２３2  正向宏近似分类模型 ／ ２４2.1  引论 ／ ２４2.2  ＴＲＳＭ 模型 ／ ２５2.3  ＭＡＲＳ 模型 ／ ２７2.3.1  不一致容差块集 ／ ２７2.3.2  构建 ＭＡＲＳ 模型 ／ ２８2.4  Ｐ－ＭＡＲＳ 模型 ／ ３０2.4.1  分解算子 ／ ３０2.4.2  构建 Ｐ－ＭＡＲＳ 模型 ／ ３２2.4.3  Ｐ－ＭＡＲＳ 模型示例 ／ ３６2.5  基于 Ｐ－ＭＡＲＳ 模型的特征选择 ／ ３８2.5.1  边界度量的属性重要度 ／ ３９2.5.2  边界评估的约简准则 ／ ３９2.5.3  ＰＭＦＳ 算法 ／ ４０2.6  实验分析 ／ ４２2.6.1  数据集 ／ ４２2.6.2  相关算法 ／ ４２2.6.3  特征子集分析 ／ ４３2.6.4  时间效率分析 ／ ４４2.7  小结 ／ ４７3  邻域划分分类模型 ／ ４８3.1  引论 ／ ４８3.2  ＮＲＳＭ 模型 ／ ５０3.3  ＮＤＲＳ 模型 ／ ５３3.4  ＮＰＤＭ 模型 ／ ５４3.4.2  邻域划分 ／ ５４3.4.2  ＮＰＤＭ 模型描述 ／ ５７3.4.3  基于 ＮＰＤＭ 模型的多粒度分析 ／ ６０3.5  基于 ＮＰＤＭ 模型的特征选择 ／ ６２3.5.1  ＮＰＲＣ 评估方法 ／ ６２3.5.1.1  三种典型的属性评估方法 ／ ６３3.5.1.2  ＮＰＲＣ 评估方法 ／ ６５3.5.1.3  评估方法示例 ／ ６７3.5.2  ＵＢ－ｔｒｅｅ 模型 ／ ７０ 3.5.2.1  相关概念和性质 ／ ７０3.5.2.2  ＵＢ－ｔｒｅｅ 模型 ／ ７２ 3.5.2.3  ＵＢＮＣ 算法 ／ ７４3.5.3  ＮＰＦＳ 算法 ／ ７５3.6  实验分析 ／ ７８3.6.1  确定邻域半径的取值范围 ／ ７８3.6.2  属性评估方法比较 ／ ８０3.6.3  特征选择算法比较 ／ ８０3.6.3.1  特征子集及其基数比较 ／ ８０3.6.3.2  分类精度比较 ／ ８２3.6.3.3  运行时间比较 ／ ８３3.7  小节 ／ ８４4  强化一致优势分类模型 ／ ８５4.1  引论 ／ ８５4.2  ＤＲＳＡ 模型 ／ ８６4.3  ＥＣ－ＤＲＳＡ 模型 ／ ８９4.3.1  优势类和劣势类的决策区 ／ ８９4.3.2  对象的相对一致性 ／ ９１4.3.3  对象的强化一致优势度 ／ ９２4.3.4  ＥＣ－ＤＲＳＡ 模型描述 ／ ９４4.3.5  实例分析 ／ ９５4.3.5.1  ＤＲＳＡ 模型 ／ ９６4.3.5.2  ＶＣ－ＤＲＳＡ 模型 ／ ９８4.3.5.3  ＶＰ－ＤＲＳＡ 模型 ／ ９９4.3.5.4  ＥＣ－ＤＲＳＡ 模型 ／ １００4.4  ＥＣ－ＤＲＳＡ 模型的约简 ／ １０１4.4.1  １１ 种约简及其相互关系 ／ １０２4.4.2  基于组合粗糙熵的属性约简 ／ １０７4.4.2.1  组合粗糙熵 ／ １０７4.4.2.2  属性重要度度量 ／ １０９4.4.2.3  ＣＲＥＡＲ 算法 ／ １０９4.4.3  实例分析 ／ １１０4.5  小节 ／ １１３5  混合数据分类模型及其在态势评估系统中的应用 ／ １１４5.1  引论 ／ １１４5.2  ＨＤＲＳ 模型 ／ １１５5.3  ＨＤＲＳ 模型在面向统一场的态势评估系统中的应用 ／ １１６5.3.1  统一场概述 ／ １１６5.3.2  面向统一场的态势评估系统 ／ １１８5.3.3  基于 ＨＤＲＳ 模型的威胁评估 ／ １２０5.3.4  威胁评估系统设计与实现 ／ １２５5.4  小节 ／ １２８6  总结与展望 ／ １３０6.1  研究总结 ／ １３０6.2  未来工作展望 ／ １３３参考文献 ／ １３５附录一  主要符号对照表 ／ １４８附录二  数据安全技术 数据分类分级规则 ／ １５１