基于粗糙集理论的属性约简算法和规则提取算法的设计和实现
 
     当今社会是一个信息爆炸的世界，因此，一门新兴的的自动信息提取技术：数据挖掘和知识发现，应运而生并得到迅速发展。本人的毕业课题是基于粗糙集(Rough Set)理论的数据浓缩算法研究。
     本人在一个学期的毕业课题设计中，对Pawlak Z.教授提出的经典Rough Set模型及其W. Ziarko教授提出的扩展模型—变精度β模型进行了一定的研究，并探讨了它们在数据挖掘中的应用。粗糙集模型把知识理解为划分，一个划分对应一个等价关系，对应一个商集。粗糙集模型在数据挖掘中具有广泛的适用性。变精度β模型是对概率模型的一种简化，它引入多数包含的概念，它通过参数β来调整个别特例所占地比例，摒弃个别特例的影响，使生成的规则更简化，当β＝0时，β模型就是经典模型了。变精度β模型修正了经典模型的缺陷，保持了经典模型的有用性。但β模型也有自己的缺陷，即不具备依赖程度的单调性，这造成β模型在理论上和编程上的许多麻烦，所以单调性在属性约简中是很重要的。因此，本人提出了ε模型，该模型是基于最大交集最大概率的思想，对粗集理论的基本定义做了较大的改动，使之具有单调性，且也可摒弃个别特例的影响，通过调整参数ε的值（一般在0～0.5之间），可达到较好的约简结果，生成更为简化的规则。