针对离群点检测中传统距离法不能有效处理符号型属性和经典粗糙集方法不能有效处理数值型属性的问题，利用邻域粗糙集的粒化特征提出了改进的邻域值差异度量（NVDM）方法进行离群点检测。首先，将属性取值归一化并以混合欧氏重叠度量（HEOM）和具有自适应特征的邻域半径构建邻域信息系统（NIS）；其次，以NVDM构造对象的邻域离群因子（NOF）；最后，设计并实现了基于邻域值差异度量的离群点检测（NVDMOD）算法，该算法在计算单属性邻域覆盖（SANC）的方式上充分利用有序二分和近邻搜索思想改进了传统的无序逐一计算模式。在UCI标准数据集上与现有离群点检测算法——邻域离群点检测（NED）算法、基于距离的离群点检测（DIS）算法和 K最近邻（ KNN）算法进行了实验对比、分析。实验结果表明，NVDMOD算法具有更好的适应性和有效性，为混合型属性数据集的离群点检测提供了一条更有效的新途径。

针对传统正负关联规则置信度阈值设置方法难以控制低可信度规则数量和易遗漏有趣规则的问题，提出了一个结合项集相关性的两级置信度阈值设置方法（PNMC-TWO）。首先，基于规则的无矛盾性、有效性和有趣性考虑，以相关度-支持度-置信度为框架，从规则置信度与项集支持度的计算关系出发，系统地分析了正负关联规则置信度取值随规则的项集支持度大小变化的规律；然后，与实际挖掘中用户对高可信度且有趣的规则需求相结合，提出了一个新的设置模型，避免了传统方法设置阈值时的盲目性和随意性；最后，从规则数量和规则质量两方面对所提方法与原双阈值法进行了实验对比。实验结果表明，所提方法不仅可以更好地确保提取出的关联规则有效和有趣，还可以显著地降低可信度低的关联规则数量。

针对保证实时数据对象时序一致性调度算法在软实时数据库系统环境下的应用问题,提出了一种基于概率统计的可延迟优化(SDS-OPT)算法。首先,分析和比较了现有算法在可调度性、服务质量(QoS)以及工作负载方面的特征与不足,指出优化现有算法的必要性;然后,利用最速下降法提升作业的执行时间筛选基准值,进而增加实时更新事务可调度的作业数量,以确保实时数据对象的时序一致性服务质量(QoS)最大化;最后,从工作负载和服务质量两个方面对所提算法和现有算法的性能进行对比分析。仿真实验结果表明,相对于已有的针对固定优先级可延迟调度算法(DS-FP)和统计性的非确定性可延迟调度算法(DS-PS),所提算法能够保证实时数据对象的时序一致性,同时降低工作负载,服务质量提升明显。

模糊粗糙集将模糊集合中的隶属度看作粗糙集理论中的属性值，描述了模糊事件的可能性程度和必然隶属度。详细分析了基于模糊粗糙集的两种属性约简算法FRSAR和CCDFRSAR，对比了它们的计算复杂性和收敛性，并以计算实例验证了分析结论： CCDFRSAR总体优于FRSAR。