大数据时代的到来,数据量急剧增长,各行各业都面临着海量数据信息,越来越多的公司正“淹没”在海量数据中,如何从中挖掘有效信息已成为研究热点。粗糙集理论能够有效地处理复杂系统中的数据信息,已成为处理不精确、不确定性问题的数学工具。其最大优势在于不需要任何先验知识就可以对数据进行处理,寻找最优信息,既保持了知识分类能力不变,又能对数据进行冗余处理(属性约简),最终获取有效信息。全粒度粗糙集作为一种新型粗糙集模型,既继承了传统粗糙集的静态性,又具有一定的动态性,且具有一定的量子计算思想,能够模拟人类认知的复杂性和多样性。相比其他传统粗糙集模型,全粒度粗糙集具有一定的动态性,可以从一个粒度跳转到另一粒度,跳转自然,毫无困难;相比多粒度粗糙集,全粒度粗糙集是多粒度粗糙集的超集,其研究比多粒度粗糙集更全面。不确定性处理及属性约简是粗糙集理论两大核心内容,而全粒度粗糙集由于其动态变化性,对于不确定性问题的处理更加灵活多样,全粒度属性约简研究也随之丰富。随着全粒度粗糙集理论的逐渐发展,其不确定性研究及属性约简问题已成为当前主要工作。对此,本文对全粒度粗糙集不确定性度量及属性约简进行系统研究,主要工作如下:1.定义新的全粒度不确定性指标。本文结合传统粗糙集理论以及全粒度粗糙集模型特点,定义全粒度不确定性指标,易于探索全粒度粗糙集理论中的不确定性问题,丰富了全粒度粗糙集理论内涵,为全粒度属性约简奠定理论基础。2.重新定义相关全粒度属性约简。本文运用全粒度不确定性指标分别对概念的全粒度属性约简和全粒度Pawlak约简进行重新定义,不仅简化原本定义的计算复杂性,更进一步为全粒度属性约简启发式算法的设计提供理论依据。3.提出两种属性约简准则。本文从知识划分角度出发,给出可区分度和正区域可区分度的定义,提出了两种属性约简准则:基于可区分度属性约简、基于正区域可区分度属性约简,探究它们与全粒度各种属性约简的联系。理论分析表明基于正区域可区分度属性约简和全粒度Pawlak约简完全相等,则全粒度Pawlak约简可通过基于正区域可区分度属性约简间接获取,进而设计基于正区域可区分度属性约简启发式算法。4.实验分析基于正区域可区分度属性约简算法的高效性及可行性。该实验采用对比分析和交叉验证的方法,将该算法和其他方法作比较,分别在六组数据集中进行属性约简,最终比较其约简时间、约简率、分类准确率。