肺结节分类是早期肺癌诊断的重要任务。基于深度学习的肺结节分类方法虽然能够取得良好的分类精度，但存在模型复杂和可解释性差的问题。为此，提出了一种基于神经网络架构搜索的肺结节分类算法。首先，将注意力残差卷积cell作为搜索空间的基本单元，并使用偏序剪枝方法作为搜索策略来构建神经网络架构以搜索3D分类网络，从而达到网络性能和搜索速度的平衡。其次，在网络中构建了多尺度通道和空间注意力模块来提高特征描述和类别推理的可解释性。最后，采用堆叠法将搜索到的网络架构进行多模型的融合，从而获取精准的肺结节良恶性分类预测结果。实验结果表明，在肺结节分类常用数据集LIDC-IDRI上，所提算法与最新肺结节分类算法相比具有较好的分类性能和较快的收敛，且所提算法的特异性和精确率分别达到95.37%和93.42%，能够实现良恶性肺结节的准确分类。

基于正域的属性约简算法是利用"下近似"思想,仅考虑被正确区分样本数的约简算法。借鉴"上近似"的思想,利用"邻域信息粒"的概念定义了区分对象集,探讨了其基本性质,并提出了基于区分对象集的属性重要度度量及启发式属性约简算法。该约简算法既考虑信息决策表的相对正域,也考虑以核属性为启发信息逐个增加条件属性时对边界域样本的影响。通过实例分析,说明了所提算法的可行性,并且以6个UCI标准数据集为实验对象,与基于正域的属性约简算法进行对比实验。实验结果说明,采用提出的约简算法得到的约简属性集,与基于正域的属性约简算法相比,在进行分类任务时的分类精度能够保持不变或有所提高。

针对已有不完备信息系统扩展粗糙集模型对噪声鲁棒性差的局限性,首先分析了调节基本知识粒大小的同时引入相对错误分类度的必要性;然后结合系统属性值的缺失定义了对象联系度权值矩阵,并以此为基础提出了基于可变容差关系的变精度粗糙集模型(VPRS-VPTR);接着讨论了模型的性质,分析了模型中相关参数(基本知识粒大小、相对错误分类度)对分类精度的影响,给出了分类精度随模型中相关参数变化的求解算法与时间复杂度分析;最后通过仿真实验与相关研究的扩展粗糙集模型进行对比。仿真结果显示,VPRS-VPTR分类精度更高,而且针对UCI数据库上的几组不完备数据集进行仿真实验的结果还表明,相同参数下各不完备数据集的测试集和训练集分类精度变化趋势相同,进而验证了模型的有效性、灵活性及所提算法的可行性。