随着第三代人工智能时代的到来,数据挖掘、模式识别、云计算等技术也得到迅猛发展。而处在数据驱动的人工智能现阶段,以应用需求为目标,挖掘有效的信息已经成为现代科技发展的主要驱动力。作为数据挖掘的一种数据工具,属性约简致力于根据给定的约束条件删除数据中的冗余属性,为减少数据存储空间、节省数据分析时间做出了一定的贡献。而于此同时,约简对应的分类效果也是众多学者关注的重点,文中就如何在不降低分类器的分类性能的同时尽量加快求解约简的过程做了一些研究。具体而言,本文的研究内容与创新性成果主要在于:(1)构造基于适应度函数的多准则属性约简。单个准则对应着单约束条件,而利用单个的约束条件来计算约简只能赋予约简结果某一方面的性质或能力,这个约简结果往往难以适应复杂环境下的多种要求。为了应对这一难题,文中构造了基于适应度函数的多准则属性约简。首先,求解约简的搜索策略有很多,文中使用的是基于贪心策略的启发式搜索策略,而文中的启发式信息由多种衡量条件属性与决策属性之间关系的准则构造了适应度函数;其次,不同于传统朴素算法计算约简时只是用单个适应度函数来定义约束条件和筛选属性,文中的多准则属性约简将多个适应度函数结合起开同时用于定义约束条件和筛选属性;最后,为了减少求解约简的时间消耗,文中使用改进版基于聚类的样本选择算法来压缩样本搜索空间。实验结果表明(a)压缩样本搜索空间可以减少求解约简的时间消耗;(b)相比于单准则约简,多准则约简结果可以在不降低原有单准则性能的同时提升分类的分类性能。(2)从局部视角构造集成选择器并提出了面向一致性样本的属性约简。基于适应度函数的多准则属性约简是集成思想的一种实现策略,而学者们往往只关注了决策系统作为一个整体的性能,忽视了不同决策类对不同关键属性的需求。基于这一思考角度,文中从局部视角重新构造一种集成策略,期望得到的约简可以尽可能平衡不同决策类的需求。另外,就一致性样本问题的讨论,文中详细展示了一致性原则的构造动机及原理,并直接利用经过一致性采样之后生成的新决策系统来进行约简求解。(3)从多粒度视角构造属性约简,对多个粒度下的约束条件进行融合。近日,多粒度思想是一个值得讨论的问题,因为从粒计算的计算来看不同粒度可以提供不同尺度或梯度的信息。然而,针对属性约简的讨论,已有的方法往往只关注单个粒度下的属性约简设计。本章节提出从多粒度视角考虑属性约简。为了构建多粒度属性约简,需要解决两个主要问题为:(a)构建多粒度框架;(b)定义设计多粒度属性约简。前者是通过利用邻域粗糙集的特性来构建的,因为邻域粗糙集中构建的邻域关系与半径参数紧密相关,可以根据半径的变化构造一系列不同尺度不同层此的粒化结果,即构造多粒度框架结构;后者的设计重点放在多粒度约束条件的设计和合适候选属性的筛选两个方面,多粒度约束条件是将多个粒度对应的约束条件进行融合,筛选属性使用了局部视角下的集成策略。实验结果表明在不降低分类性能的同时多粒度约简相比于单粒度约简可以节省大量的计算时间。最后,对全文进行总结,并指出了研究方向。