连续型条件属性的模糊规则约简算法，用户可以根据实际决策需求和领域知识更改阈值,从而获得满意的模糊规则结果。

粗糙集理论[1]是一种研究不精确、不确定性知识的数学工具,其主要思想和优点就是在保持分类能力不变的前提下,能够通过知识约简导出问题的决策或分类规则。属性约简就是该理论中一个非常重要的概念,它反映了一个决策表的本质信息,现已得到广泛的应用[2]。

在实际情况中,大多数数据集的属性值是连续型的。这些连续型数据大多具有较强的模糊性,概念之间的界限并不十分明确。由于传统粗糙集理论十分适合处理离散域属性决策表,对于连续域属性决策表的处理能力非常有限,这就大大限制了它的应用。如果把粗糙集理论应用于连续性属性,那么在使用该理论之前就必须对连续属性进行离散化。然而,离散化后的属性值没有保留属性值在实数值上存在的差异,这将导致某种程度的信息损失。所以,粗糙集理论需要与其他能够处理不精确或不确定问题的理论结合起来,以扩展其应用范围。

模糊集理论也是一种用于在建模中针对一些实验数据中不确定性和模糊性问题的有力工具。其优点在于:模糊集理论提供了系统的、以语言表示这类信息的计算工具,通过使用由隶属函数表示的语言变量,它还可以进行数值计算。合理选择模糊规则是模糊推理系统的关键因素,它可以有效地对特定应用领域中的人类专门知识进行建模。Pawlak指出粗糙集理论和模糊集理论不是互相排斥的,而是可以相互补充的[3];Dubois等人[4]又进一步指出它们是处理不确定知识的两种数学方法,是具有互补性质的。为此,本文提出了一种将粗糙集和模糊集结合起来的连续型条件属性的模糊规则约简算法。

1 相关定义

为了较好地描述本文算法,先给出下面的一些定义作?铺垫。