决策理论粗糙集中的非单调属性约简

对于Pawlak粗糙集模型（PRS）中的大多数属性约简，单调性是属性集定量度量的基本属性。 基于单调性，定义了Pawlak粗糙集模型的一系列属性约简，例如保留正区域的约简和条件熵保留的约简，并在先前的粗糙集研究中提出了相应的启发式算法。 但是，在概率粗糙集模型中，某些属性集的定量度量可能是非单调的，例如决策理论粗糙集（DTRS），因此应重新研究属性约简的非单调定义，并应使用启发式算法。重新考虑。 本文比较讨论了PRS和DTRS中正区域的单调性。 理论分析表明，随着属性的减少，DTRS模型中的正区域可能会扩大，这与PRS模型中的正区域本质上是不同的。 因此，本文针对DTRS模型提出了一种新的非单调属性约简，并提出了一种搜索新定义的属性约简的启发式算法， 其中，在属性缩减过程中，允许扩大正区域而不是使其保持不变。 实验分析被包括在内，以验证理论分析并量化所提出的属性约简算法的有效性。