基于局部条件区分能力的高效属性约简算法

doi:10.11772/j.issn.1001-9081.2021071170

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (2): 449-456.DOI: 10.11772/j.issn.1001-9081.2021071170

• 数据科学与技术 • 上一篇

基于局部条件区分能力的高效属性约简算法

康猛, 蒙祖强()

广西大学计算机与电子信息学院，广西南宁 530004

收稿日期:2021-07-07 修回日期:2021-08-06 接受日期:2021-08-09 发布日期:2021-11-02 出版日期:2022-02-10
通讯作者: 蒙祖强
作者简介:康猛（1995—），男，安徽亳州人，硕士研究生，主要研究方向：粒计算、数据挖掘、知识发现；
蒙祖强（1974—），男，广西河池人，教授，博士，CCF高级会员，主要研究方向：跨模态智能、粒计算、数据挖掘、知识发现。
基金资助:
国家自然科学基金资助项目(61762009)

Efficient attribute reduction algorithm based on local conditional discernibility

Meng KANG, Zuqiang MENG()

School of Computer，Electronics and Information，Guangxi University，Nanning Guangxi 530004，China

Received:2021-07-07 Revised:2021-08-06 Accepted:2021-08-09 Online:2021-11-02 Published:2022-02-10
Contact: Zuqiang MENG
About author:KANG Meng， born in 1995， M. S. candidate. His research interests include granular computing， data mining， knowledge discovery.
First author contact:MENG Zuqaing， born in 1974， Ph. D.， professor. His research interests include cross-modal intelligence， granular computing， data mining， knowledge discovery.
Supported by:
National Natural Science Foundation of China(61762009)

摘要/Abstract

摘要：

基于区分矩阵的传统属性约简方法具有直观易理解的优点，但时间和空间复杂度都很高，当数据规模较大或条件属性较多时，会无法快速得到约简结果。为解决该问题，在区分关系的基础上构造了条件区分能力来进行属性选择，提出一种基于条件区分能力的属性约简算法。而为了进一步加快属性重要性的计算、提高约简效率，依据大数定律中频率的稳定性，通过采样的方式将条件区分能力扩展为局部条件区分能力，提出基于局部条件区分能力的属性约简算法。理论证明了条件区分能力在属性的选择上比正区域更严格，并将该算法与基于区分度的高效前向属性约简算法（FAR-DV）、基于k近邻属性重要度和相关系数的属性约简算法（K2NCRS）及基于正区域排序升序决策表的快速正区域约简算法（FPRA）进行了对比。实验结果显示，该算法在属性选择顺序、约简率和分类精度上与FAR-DV基本一致，在约简效率上比上述三种算法提高了10倍以上；且随着数据规模的增大或条件属性的增多，在约简效率上的提升越明显。可以看出，所提算法具有更低的时空复杂度，适用于海量数据属性约简。

关键词: 属性约简, 区分矩阵, 区分能力, 条件区分能力, 大数定律, 局部条件区分能力

Abstract:

The traditional attribute reduction method based on discernibility matrix is intuitive and easy to understand. However， its time and space complexities are high， so when dealing with large scale data or many conditional attributes， it will not be able to get the reduction result quickly. In order to solve the problem， the conditional discernibility was constructed based on the discernibility relation for attribute selection， and an attribute reduction algorithm based on conditional discernibility was proposed. In order to further accelerate the calculation of attribute importance and improve the efficiency of attribute reduction， according to the stability of frequency in the law of large numbers， the conditional discernibility was extended to local conditional discernibility by sampling， and an attribute reduction algorithm based on local conditional discernibility was proposed. It was theoretically proved that the conditional discernibility was stricter than the positive region in attribute selection. And this algorithm was compared with efficient Forward Attribute Reduction algorithm from Discernibility View （FAR-DV）， attribute reduction algorithm based on k-Nearest Neighbor attribute importance and Correlation Coefficient （K2NCRS） and Fast Positive Region reduction Algorithm based on positive region sort ascending decision table （FPRA）. Experimental results show that the proposed algorithm is similar to FAR-DV in attribute selection order， reduction rate and classification accuracy. Compared with the above three algorithms， the proposed algorithm has the reduction efficiency improved more than ten times. With the increase of data scale or conditional attributes， the reduction efficiency improvement of this algorithm is higher. It can be seen that the proposed algorithm has lower time and space complexities and is suitable for the attribute reduction of massive data.

Key words: attribute reduction, discernibility matrix, discernibility, conditional discernibility, law of large numbers, local conditional discernibility

中图分类号:

TP18

康猛, 蒙祖强. 基于局部条件区分能力的高效属性约简算法[J]. 计算机应用, 2022, 42(2): 449-456.

Meng KANG, Zuqiang MENG. Efficient attribute reduction algorithm based on local conditional discernibility[J]. Journal of Computer Applications, 2022, 42(2): 449-456.

图/表 8

参考文献 23

1	PAWLAK Z. Rough sets［J］. International Journal of Computer and Information Sciences， 1982， 11（5）： 341-356. 10.1007/bf01001956
2	KRYSZKIEWICZ M， RYBINSKI H. Attribute reduction versus property reduction ［C］// Proceedings of the 4th European Congress on Intelligent Techniques and Soft Computing. Aachen： ELITE-Foundation， 1996： 204-208.
3	WONG S K M， ZIARKO W. On optimal decision rules in decision tables［J］. Bulletin of the Polish Academy of Sciences Mathematics， 1985， 33（11/12）： 693-696.
4	FAN X D， CHEN Q， QIAO Z J， et al. Attribute reduction for multi-label classification based on labels of positive region［J］. Soft Computing， 2020， 24（18）： 14039-14049. 10.1007/s00500-020-04780-4
5	LI B Z， WEI Z H， MIAO D Q， et al. Improved general attribute reduction algorithms［J］. Information Sciences， 2020， 536： 298-316. 10.1016/j.ins.2020.05.043
6	FAN X D， ZHAO W D， WANG C Z， et al. Attribute reduction based on max-decision neighborhood rough set model［J］. Knowledge-Based Systems， 2018， 151： 16-23. 10.1016/j.knosys.2018.03.015
7	YIN L Z， JIANG Z H. A fast attribute reduction algorithm based on a positive region sort ascending decision table［J］. Symmetry， 2020， 12（7）： No.1189. 10.3390/sym12071189
8	DONG Z， SUN M， YANG Y Y. Fast algorithms of attribute reduction for covering decision systems with minimal elements in discernibility matrix［J］. International Journal of Machine Learning and Cybernetics， 2016， 7（2）： 297-310. 10.1007/s13042-015-0438-2
9	SHI Y P， HUANG Y， WANG C Z， et al. Attribute reduction based on the Boolean matrix［J］. Granular Computing， 2019， 4（3）： 313-322. 10.1007/s41066-018-0108-3
10	WEI W， WU X Y， LIANG J Y， et al. Discernibility matrix based incremental attribute reduction for dynamic data［J］. Knowledge-Based Systems， 2018， 140： 142-157. 10.1016/j.knosys.2017.10.033
11	WANG B Q， LIANG C Y. A fast attribute reduction algorithm based on sorting and quantity of information［J］. Journal of Computational Methods in Sciences and Engineering， 2019， 19（1）： 97-107. 10.3233/jcm-180859
12	THUY N N， WONGTHANAVASU S. On reduction of attributes in inconsistent decision tables based on information entropies and stripped quotient sets［J］. Expert Systems with Applications， 2019， 137： 308-323. 10.1016/j.eswa.2019.06.071
13	WANG Y B， CHEN X J， DONG K. Attribute reduction via local conditional entropy［J］. International Journal of Machine Learning and Cybernetics， 2019， 10（12）： 3619-3634. 10.1007/s13042-019-00948-z
14	ZHANG X， MEI C L， CHEN D G， et al. Feature selection in mixed data： a method using a novel fuzzy rough set-based information entropy［J］. Pattern Recognition， 2016， 56： 1-15. 10.1016/j.patcog.2016.02.013
15	YANG P， LI J S， HUANG Y X. An attribute reduction algorithm by rough set based on binary discernibility matrix ［C］// Proceedings of the 5th International Conference on Fuzzy Systems and Knowledge Discovery. Piscataway： IEEE， 2008： 276-280. 10.1109/fskd.2008.355
16	杨传健，葛浩.基于有序差别集的高效属性约简算法［J］.计算机工程与应用， 2008， 44（29）： 146-149. 10.3778/j.issn.1002-8331.2008.29.041
	YANG C J， GE H. Efficient attribute reduction algorithm based on ordered discernibility set［J］. Computer Engineering and Applications， 2008， 44（29）： 146-149. 10.3778/j.issn.1002-8331.2008.29.041
17	QIAN J， LV P. Applying indiscernibility attribute to attribute reduction based on discernibility matrix ［C］// Proceedings of the 2009 International Conference on Environmental Science and Information Application Technology. Piscataway： IEEE， 2009： 397-400. 10.1109/esiat.2009.135
18	ZHAN Q. Algorithm of attribute reduction in dominance based rough sets combined with dominance discernibility matrix ［C］// Proceedings of the 2016 International Conference on Internet Multimedia Computing and Service. New York： ACM， 2016： 66-71. 10.1145/3007669.3007676
19	TENG S H， LU M， YANG A F， et al. Efficient attribute reduction from the viewpoint of discernibility［J］. Information Sciences， 2016， 326： 297-314. 10.1016/j.ins.2015.07.052
20	秦克云，敬思惠.决策系统基于不可区分关系及区分关系的约简［J］.计算机科学， 2018， 45（6）： 247-250. 10.11896/j.issn.1002-137X.2018.06.044
	QIN K Y， JING S H. Attribute reduction of decision systems based on indiscernibility relation and discernibility relation［J］. Computer Science， 2018， 45（6）： 247-250. 10.11896/j.issn.1002-137X.2018.06.044
21	CHEN J K， MI J S， XIE B， et al. A fast attribute reduction method for large formal decision contexts［J］. International Journal of Approximate Reasoning， 2019， 106： 1-17. 10.1016/j.ijar.2018.12.002
22	李贤平.概率论基础［M］.第3版.北京：高等教育出版社， 2010： 280-300. 10.1108/14676371011031874
	LI X P. Fundamentals of Probability Theory［M］. 3rd ed. Beijing： Higher Education Press， 2010： 280-300. 10.1108/14676371011031874
23	林芷欣，刘遵仁，纪俊.基于k近邻属性重要度和相关系数的属性约简［J］.计算机工程与设计， 2020， 41（9）： 2488-2494.
	LIN Z X， LIU Z R， JI J. Attribute reduction algorithm based on k-nearest neighbor attribute importance and correlation coefficient［J］. Computer Engineering and Design， 2020， 41（9）： 2488-2494.

数据集	实例数	特征数	类别数
Tic-tac-toe	958	9	2
Kr-vs-kp	3 196	36	2
Mushroom	8 124	22	2
Letter	20 000	16	26
Connect	67 557	42	3

数据集	实例数	特征数	类别数
Tic-tac-toe	958	9	2
Kr-vs-kp	3 196	36	2
Mushroom	8 124	22	2
Letter	20 000	16	26
Connect	67 557	42	3

数据集	FAR-DV	算法1	算法2（k=1 000）
Tic-tac-toe	［4， 1， 7， 3， 5， 0， 8， 2］	［4， 1， 7， 3， 5， 8， 0， 2］	［4， 0， 8， 3， 5， 2， 6， 1］
Kr-vs-kp	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［5， 32， 9， 34， 20， 14， 23， 17， 8， 4， 10， 12， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］
Mushroom	［5， 20， 0， 21］	［5， 20， 0， 21］	［5， 20， 0， 21］
Letter	［2， 15， 8， 9， 11， 12， 13， 10， 0， 1， 5， 4］	［2， 15， 8， 9， 11， 12， 13， 10， 0， 5， 1， 4］	［2， 8， 15， 9， 7， 12， 13， 11， 10， 3， 4， 5］
Connect	［0， 18， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］	［0， 18， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］	［18， 0， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 2， 8， 20， 38， 26， 32， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］

数据集	FAR-DV	算法1	算法2（k=1 000）
Tic-tac-toe	［4， 1， 7， 3， 5， 0， 8， 2］	［4， 1， 7， 3， 5， 8， 0， 2］	［4， 0， 8， 3， 5， 2， 6， 1］
Kr-vs-kp	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［5， 32， 9， 34， 20， 14， 23， 17， 8， 4， 10， 12， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］
Mushroom	［5， 20， 0， 21］	［5， 20， 0， 21］	［5， 20， 0， 21］
Letter	［2， 15， 8， 9， 11， 12， 13， 10， 0， 1， 5， 4］	［2， 15， 8， 9， 11， 12， 13， 10， 0， 5， 1， 4］	［2， 8， 15， 9， 7， 12， 13， 11， 10， 3， 4， 5］
Connect	［0， 18， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］	［0， 18， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］	［18， 0， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 2， 8， 20， 38， 26， 32， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］

数据集	特征数	FAR-DV			算法1			算法2（k=1 000）
		约简后特征数	分类精度/%		约简后特征数	分类精度/%		约简后特征数	分类精度/%
		约简后特征数	SVM	CART	约简后特征数	SVM	CART	约简后特征数	SVM	CART
Tic-tac-toe	9	8	78.6	80.4	8	78.6	80.4	8	82.1	90.1
Kr-vs-kp	36	29	98.0	99.3	29	98.0	99.3	29	98.0	99.3
Mushroom	22	4	99.6	100.0	4	99.6	100.0	4	99.6	100.0
Letter	16	12	57.3	78.3	12	57.3	78.3	12	59.0	78.8
Connect	42	34	76.9	74.6	34	76.9	74.6	34	76.9	74.6

基于局部条件区分能力的高效属性约简算法

Efficient attribute reduction algorithm based on local conditional discernibility

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 23

相关文章 15

编辑推荐

Metrics

k	Tic-tac-toe	Letter	k	Mushroom
100	［7， 4， 1， 6， 3， 0， 2， 5］	［11， 15， 9， 2， 8， 12， 13， 7， 10， 3， 4， 5］	10	［3， 9， 5， 1， 12， 20， 0］
500	［4， 5， 3， 2， 8， 6， 0， 1］	［2， 9， 15， 8， 11， 13， 12， 10， 0， 1， 5， 4］	30	［5， 3， 20， 0， 8］
1 000	［4， 0， 8， 3， 5， 2， 6， 1］	［2， 8， 15， 9， 7， 12， 13， 11， 10， 3， 4， 5］	50	［5， 20， 3， 0， 8］
1 500	［4， 3， 5， 6， 0， 2， 8， 1］	［2， 8， 15， 9， 11， 12， 13， 10， 0， 1， 5， 4］	70	［5， 3， 20， 0， 8］
2 000	［4， 7， 1， 6， 8， 0， 2， 3］	［2， 15， 8， 9， 11， 12， 13， 10， 0， 1， 5， 4］	90	［5， 20， 0， 21］
2 500	［4， 3， 5， 1， 7， 0， 8， 2］	［2， 8， 15， 9， 11， 12， 13， 10， 0， 1， 5， 4］	110	［5， 20， 0， 21］
3 000	［4， 3， 5， 7， 1， 0， 8， 2］	［2， 15， 9， 8， 11， 12， 13， 10， 0， 1， 5， 4］	130	［5， 20， 0， 21］
3 500	［4， 3， 5， 8， 2， 0， 6， 1］	［2， 15， 8， 9， 11， 12， 13， 10， 0， 1， 5， 4］	150	［5， 20， 0， 21］
4 000	［4， 5， 3， 1， 7， 0， 8， 2］	［2， 15， 8， 9， 11， 12， 13， 10， 0， 1， 5， 4］	170	［5， 20， 0， 21］

k	Kr-vs-kp	Connect
100	［5， 8， 32， 9， 34， 20， 14， 17， 23， 4， 12， 10， 22， 25， 0， 1， 35， 33， 16， 15， 29， 6， 19， 26， 3， 24， 30， 2， 11， 27］	［6， 0， 18， 36， 30， 13， 7， 24， 2， 12， 14， 19， 37， 1， 31， 25， 8， 20， 38， 32， 26， 15， 9， 21， 3， 34， 27， 39， 16， 10， 22， 4， 40， 28］
500	［32， 9， 34， 20， 14， 5， 23， 8， 17， 12， 10， 4， 25， 35， 0， 11， 33， 15， 6， 22， 29， 19， 16， 3， 24， 26， 30， 2， 27］	［6， 0， 36， 30， 18， 13， 7， 24， 1， 37， 12， 19， 31， 25， 14， 8， 2， 20， 38， 26， 32， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］
1 000	［5， 32， 9， 34， 20， 14， 23， 17， 8， 4， 10， 12， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［18， 0， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 2， 8， 20， 38， 26， 32， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］
1 500	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［6， 0， 36， 18， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 2， 8， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］
2 000	［32， 9， 5， 34， 20， 14， 23， 17， 8， 12， 10， 4， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［0， 18， 36， 6， 30， 13， 24， 7， 1， 12， 19， 37， 31， 25， 14， 2， 8， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］
2 500	［32， 9， 34， 20， 14， 5， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［0， 18， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］
3 000	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［0， 36， 18， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］
3 500	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［6， 0， 36， 18， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］
4 000	［32， 9， 34， 20， 5， 14， 23， 17， 8， 12， 4， 10， 25， 22， 33， 0， 35， 15， 29， 19， 16， 6， 26， 3， 24， 30， 2， 11， 27］	［0， 18， 36， 6， 30， 13， 7， 24， 1， 12， 37， 19， 31， 25， 14， 8， 2， 20， 38， 32， 26， 15， 9， 3， 21， 27， 33， 40， 16， 10， 22， 4， 34， 28］

数据集	FAR-DV	K2NCRS	FPRA	算法1	（k=1 000）算法2
Tic-tac-toe	0.13	0.11	0.28	0.09	0.10
Kr-vs-kp	5.65	5.66	12.14	3.85	0.33
Mushroom	11.89	5.19	3.41	7.29	0.48
Letter	18.10	11.63	26.97	13.62	1.00
Connect	4 497.35	1 130.98	3 299.31	3 031.51	56.87

[1]	王磊. 改进粗糙集属性约简结合K-means聚类的网络入侵检测方法[J]. 计算机应用, 2020, 40(7): 1996-2002.
[2]	曾元鹏, 王开军, 林崧. 面向二类区分能力的干扰熵特征选择方法[J]. 计算机应用, 2020, 40(3): 626-630.
[3]	章夏杰, 朱敬华, 陈杨. Spark下的分布式粗糙集属性约简算法[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 518-523.
[4]	欧彬利, 钟夏汝, 代建华, 杨田. 基于变精度覆盖粗糙集的入侵检测方法[J]. 计算机应用, 2020, 40(12): 3465-3470.
[5]	李孜颖, 石振国. 面向大数据任务的调度方法[J]. 计算机应用, 2020, 40(10): 2923-2928.
[6]	鲍迪, 张楠, 童向荣, 岳晓冬. 区间值决策表的正域增量式属性约简算法[J]. 计算机应用, 2019, 39(8): 2288-2296.
[7]	陈曼如, 张楠, 童向荣, 东野升龙, 杨文静. 基于多尺度属性粒策略的快速正域约简算法[J]. 计算机应用, 2019, 39(12): 3426-3433.
[8]	谭永奇, 樊建聪, 任延德, 周晓明. 改进的属性约简算法及其在肝癌微血管侵犯预测中的应用[J]. 计算机应用, 2019, 39(11): 3221-3226.
[9]	李旭, 荣梓景, 阮晓曦. 关系决策系统中相对不可区分和区分关系的约简[J]. 计算机应用, 2019, 39(10): 2852-2858.
[10]	王映龙, 曾淇, 钱文彬, 舒文豪, 黄锦涛. 变精度下不完备混合数据的增量式属性约简方法[J]. 计算机应用, 2018, 38(10): 2764-2771.
[11]	姚晟, 汪杰, 徐风, 陈菊. 不完备邻域粗糙集的不确定性度量和属性约简[J]. 计算机应用, 2018, 38(1): 97-103.
[12]	郑忠仁, 程勇, 王军, 钟水明, 徐利亚. 基于遗传算法的气象观测数据区间值属性约简算法[J]. 计算机应用, 2017, 37(9): 2678-2683.
[13]	江洋, 李成海. 基于改进变精度粗糙集的漏洞威胁评估[J]. 计算机应用, 2017, 37(5): 1353-1356.
[14]	孙丽华, 严军峰, 徐健锋. 基于多机器学习竞争策略的短时雷电预报[J]. 计算机应用, 2016, 36(9): 2555-2559.
[15]	熊方, 张贤勇. 变精度粗糙集的区域属性约简及其结构启发算法[J]. 计算机应用, 2016, 36(11): 2954-2957.