对于约简而言，其实质上是保证复合物分类能力不变，立即降低弱约简的定义。利用区分矩阵能很容易计算出弱约简和遗传算法可以在分解寻优的优势，将染色体对区分函数的覆盖度作为适应度函数的参数，提出了一种基于遗传算法和区分矩阵的属性约简算法。算法中从粒计算的角度，重新划分粒度，对基于划分和覆盖的粗糙集方法通过k近邻算法通过准确率对弱约简效果进行评估。通过UCI数据集证明了该算法的有效性。该算法的时间复杂度是多个式的。

属性约简（Attribute reduction），又名特征选择，就是剔除冗余属性或冗余特征，起到降维作用，它是机器学习与模式识别等诸多领域中的重要研究课题。粗糙集（Rough Set）理论是一种刻划不完整性和不确定性的数学工具，能有效地分析和处理不精确、不一致、不完整等各种不完备信息，其主要研究属性约简和规则提取。为此，基于粗糙集的属性约简技术研究成为当今研究热点。本报告根据自己所做的相关工作和发表的相关论文，主要讲解基于属性重要性的属性约简、基于属性相似度的属性约简和基于进化计算的高维属性约简等内容。

粗糙集属性约简算法的实现与应用.

简单介绍了粗糙集及其贪心算法，针对贪心算法的有效性进行了改进。

为了提高基于群体智能的粗糙集最小属性约简算法的求解质量和计算效率,提出一个结合长期记忆禁忌搜索方法的粒子群并行子群优化算法.并行的各子群不仅具有禁忌约束,而且包含多样性和增强性策略.由于并行的子群共同陷入局部最优的概率小于一个粒子群陷入局部最优的概率,该算法可提高获得全局最优的可能性,并减少受初始粒子群体的影响.多个UC I数据集的实验计算表明,提出的算法相对于其他的属性约简算法具有更高的概率搜索到最小粗糙集约简.因此所提出的算法用于求解最小属性约简问题是可行和较为有效的.

实现RS属性约简的模块化软件，具有数据预处理、补齐、离散化以及约简的功能

本文在介绍粗糙集理论的基础上,给出粗糙集 理论在数据挖掘中的应用,属性约简的启发式算法, 通过一个实例说明了算法的有效性

针对粗糙集理论中的属性约简问题做了探讨研究。从寻找属性约简的角度,首先描述了决策表中的属性的重要性,并利用已求得的正区域使处理数据的范围不断缩小,约简集中的属性从核集开始,通过向属性核添加重要性最大的属性,得到属性的最小相对约简。从而减少求约简的时间。最后进行实证,该算法同传统的算法相比,在计算量减少的同时能得到更简约的结果,证明了该算法的正确性和可行性。

基于粗糙集与证据理论的信息融合研究论文，可以将教你知道如何将粗糙集与证据理论融合，采集信息的必要性。

Rosetta是由挪威科技大学计算机与信息科学系和波兰华沙大学数学研究所合作开发的一个基于Rough集理论框架的表格逻辑数据分析工具包，包括了计算核和图形用户界面，能够在微机的WindowsNT/98/95操作系统上运行。 Rosetta 的设计实现了对数据挖掘和知识获取的支持从数据的初始浏览和预处理，计算最小属性约简和产生if-then决策规则或描述模式，到对所得到的规则或模式的验证和分析。Rosetta的目的是要作为基于不可分辨关系模型的通用工具，而不是为某个特定的应用领域设计的专用系统。 Rosetta提供了一个很直观的图形用户接口，采用了数据导航的技术。图形用户界面是高度面向对象的，所有操作对象被表示为独立的图形用户界面的元素项，每个元素有自己的与上下为相关的菜单集合。 Rosetta 的计算核心也可以采用命令行程序。计算核心提供了如下的功能： 输入/输出 通过ODBC和DBMSs部分集成 输出格式包括规则、约简、表格、图像以及C++和Prolog等格式。 预处理 不完备数据表的完备化处理（数据补齐） 连续属性值的离散化 计算 支持有教师学习和无教师学习 支持用户自己定义的不可分辨关系概念 对不同类型的不可分辨关系有效地计算精确约简和近似约简 产生if-then规则或以约简形式表达的描述模式 执行文件 支持交叉沿着测试 后处理 过滤约简结果和所得到的规则 验证与分析 用得到的规则处理未知样本 产生混淆矩阵、ROC曲线和标度曲线 用一定的质量标准对规则进行评价 统计假设测试 其他 公差关系聚类 计算划分和可变精度Rough集近似 支持对观察的随机抽样。 Rosetta在上述的功能中提供了很多可选的算法，是一个很好的研究试验平台。