基于数据权重的鲁棒性模糊粗糙集与属性约简

摘要

提出一种鲁棒性模糊粗糙集模型和属性约简算法。考虑数据样本的局部密度并进行量化，利用量化结果评估样本在数据集整体中的噪声程度；通过噪声程度衡量样本的权重，定义一种样本集之间的距离度量，并将样本之间的模糊相似性替换为样本集之间的模糊相似性，提升模糊相似关系的鲁棒性，建立一种鲁棒性模糊粗糙集模型；基于所提出的鲁棒性模糊粗糙集定义属性与类之间的依赖度，以评估属性子集的显著性，并设计一种鲁棒性模糊粗糙集的属性约简算法。试验结果表明，所设计的属性约简算法比现有的算法具有更强的鲁棒性和优越性。

关键词

模糊粗糙集 / 鲁棒性 / 噪声数据 / 样本权重 / 模糊依赖度 / 属性约简