题目：基于粒计算的属性约简算法及应用研究

摘? 要

粒计算（Granulation Computing，GrC）作为粗糙集理论的发展，在近年来得到众多学者广泛关注。该理论在处理不确定的、模糊的、不完全的信息方面表现出了很好的优势，它融合了人工智能、模糊集、粗糙集等多种理论，在问题的求解与实践中提取出通用的理论和基本要素，其思路主要源于人类通常习惯将难以解决的、复杂的问题由大化小、由难化易、由繁化简的思想，它用结构化的、系统的方式方法来处理复杂的问题。粒计算对复杂问题的求解结果表现出了多视角多层次的粒结构，这个结构就是对问题的一个系统的近似解答，类似于人们通常从不同角度、层次去观察、审视问题。
本文结合粒计算的诸多特点将其运用到求解最小约简集——这个NP-hard问题中，并且将粒计算与支持向量机相结合应用于红斑鳞状皮肤病的鉴别诊断。本文具体研究内容为：
（1）首先分析了属性约简、粒计算和红斑鳞状皮肤病的研究现状及背景，接着介绍了粗糙集、粒计算和支持向量机（Support Vector Machines，SVM）的基本理论和基础知识，以及近年来常用到的几种属性约简算法。

（2）在对近年来的属性约简方法进行深入分析和介绍的基础上，提出一种基于粒计算模型的属性约简新算法。该算法运用条件属性与决策属性重要度的差值来度量相应属性的重要性，运用顺序前向搜索策略，根据属性的重要程度从属性全集中选择重要属性，剔除冗余属性，当满足一定的阈值约束条件时停止，得到原始决策系统的属性约简子集；最后用SVM来评价所选择属性子集的分类性能。UCI机器学习数据库数据集实验证明该算法可以快速得到决策系统的最佳属性约简子集，约简后的决策信息系统具有很好的分类性能。
（3）采用粒计算模型，仍以条件属性与决策属性重要度的差值来度量相应属性的重要性，对属性进行排序，运用顺序前向搜索策略，但是以支持向量机评价当前属性子集的分类性能，选择分类性能最好的属性子集为最佳属性约简子集。将此算法应用到红斑鳞状皮肤病的诊断中。其中， 采用网格搜索策略选择支持向量机核函数的最佳参数。实验结果显示，红斑鳞状皮肤病数据集的属性个数在约简后，由原来的34个降低为23个，并且达到了99.32%分类准确度。由此可见，本文算法对红斑鳞状皮肤病的鉴别有良好的诊断效果。