粗糙集理论是用于数据分析的一种数学工具,它可以用在属性值表达模型中来描述属性间的依赖关系,评估属性的重要度和导出决策规则。Pawlak粗糙集模型通过等价关系粒化论域,非常适合处理离散型数据。经典粗糙集模型只能处理离散型数据的属性,但在实际生活中,信息系统通常包含多种不同类型的属性,之后便发展出了很多扩展的粗糙集模型。属性约简是粗糙集理论中的重要研究内容之一,本文在现有的基于正域的属性约简算法的基础上,针对其中一些算法约简效率较低的问题,通过引入结构差别矩阵,设计了约简效率更高的属性约简算法,并将其应用到复合信息系统中。针对现实生活中数据集不断动态变化的情况,本文还进一步研究了基于结构差别矩阵的动态属性约简算法。本文的主要工作如下:首先,针对基于正域的属性约简算法中一些算法约简效率较低的不足对其进行改进,设计了约简效率更高的基于结构差别矩阵的属性约简算法。该算法通过改进求解核属性集过程和不断缩小论域的方法加快了属性约简过程。针对现实生活中数据集包含多种类型数据的情况,通过详细分析各种属性的分类方法,将基于结构差别矩阵的属性约简算法应用到复合信息系统中。文中用实例详细说明了算法的属性约简过程,并在UCI数据库的6个数据集上进行了试验,验证了算法的有效性。然后,针对实际应用中数据集不断变化的问题,本文充分研究了当数据集动态变化时,结构差别矩阵的变化情况,并设计了基于结构差别矩阵的动态属性约简算法。从理论上分析了该算法的有效性,并通过UCI数据库中的Chess数据集对算法的有效性进行了验证。