鄰域互補信息度量及其啟發(fā)式屬性約簡

陳 帥 ，張賢勇 ，唐玲玉 ，姚岳松

（1.四川師范大學(xué)數(shù)學(xué)科學(xué)學(xué)院，成都，610066；2.四川師范大學(xué)智能信息與量子信息研究所，成都，610066）

引 言

信息理論能夠有效實施不確定表示與應(yīng)用[1]，已經(jīng)被系統(tǒng)地引入粗糙集進行數(shù)據(jù)分析與智能處理。例如，文獻[2-5]采用香農(nóng)熵、粗糙熵和加權(quán)熵等體系進行不確定性刻畫與約簡算法啟發(fā)。特別地，文獻[6]基于互補機制提出互補信息體系，相關(guān)不確定性度量包括互補熵、互補條件熵和互補互信息，它們刻畫了粗糙性與模糊性。繼而，文獻[7]以互補條件熵為啟發(fā)式信息，構(gòu)建基于正域的屬性約簡算法；文獻[8]基于三層粒度結(jié)構(gòu)，構(gòu)建三支加權(quán)互補熵體系?；パa信息度量采用的互補刻畫p(1-p)區(qū)別于香農(nóng)信息度量的對數(shù)刻畫-plog2p，但兩者具有一些共同特征(如函數(shù)上凸非單調(diào))，進而也存在一定相似性(如度量系統(tǒng)關(guān)系)。對比于香農(nóng)信息體系，互補信息系統(tǒng)能夠有效刻畫粗糙集的模糊性[6]?？梢姡パa信息度量具有獨特的不確定性刻畫優(yōu)勢，但其研究還相對較少，相關(guān)的深入與拓展具有創(chuàng)新價值。

粗糙集具有雙向逼近認知，能夠進行知識約簡與特征選擇，廣泛應(yīng)用于數(shù)據(jù)挖掘、機器學(xué)習(xí)和人工智能等領(lǐng)域。傳統(tǒng)粗糙集主要采用等價關(guān)系與知識剖分，相關(guān)數(shù)值型數(shù)據(jù)處理往往需要離散化。鄰域粗糙集引入鄰域關(guān)系與覆蓋結(jié)構(gòu)，具有理論擴張性與應(yīng)用魯棒性，能夠有效處理符號型數(shù)據(jù)、數(shù)值型數(shù)據(jù)乃至混合型數(shù)據(jù)。鄰域粗糙集的不確定性度量與屬性約簡得到了廣泛研究[9-15]。特別地，文獻[16]建立基于對數(shù)函數(shù)-log2p的信息體系(包括鄰域熵、鄰域條件熵和鄰域互信息)；文獻[17]用鄰域互信息進行特征選擇與多標簽學(xué)習(xí)；文獻[18]提出鄰域精度、鄰域熵、信息粒度及相關(guān)?；瘑握{(diào)性；文獻[19]建立一種模糊熵來度量鄰域粗糙集的不確定性；文獻[20]采用鄰域熵及其發(fā)展度量進行離群點檢測。總之，鄰域粗糙集尚未涉及互補信息度量體系，相關(guān)的構(gòu)建具有應(yīng)用意義。

基于上述背景，本文擬將經(jīng)典互補信息度量推廣到鄰域粗糙集，并研究相關(guān)的啟發(fā)式屬性約簡?；卩徲驍U張，具體構(gòu)建鄰域互補熵、鄰域互補條件熵和鄰域互補互信息，研究基本性質(zhì)；基于鄰域互補互信息及其?；菃握{(diào)性，設(shè)計屬性約簡及其啟發(fā)算法。研究結(jié)果被決策表實例與UCI 數(shù)據(jù)實驗有效驗證，并有利于基于鄰域粗糙集的不確定性信息處理。

1 經(jīng)典鄰域互補信息度量與鄰域系統(tǒng)

本節(jié)利用文獻[6,8]與文獻[16,21]分別回顧經(jīng)典互補信息度量與鄰域系統(tǒng)。

決策表為四元組DT=(U,AT=C∪D,V,f)，U為有限論域，C,D分別為條件、決策屬性集,V=∪a∈AT Va(Va是屬性a∈AT的值域)，信息函數(shù)f：U×AT→V具有 ?x∈U，?a∈AT，f(x,a)∈Va。設(shè)條件屬性子集A?C誘導(dǎo)知識劃分決策屬性集D誘導(dǎo)決策分類 }；設(shè)?C=U-?表示補集，例如。

定義1[6,8]A?C的互補熵、D相對于A的互補條件熵、A與D之間的互補互信息分別為

定理1[6,8]互補熵、互補條件熵、互補互信息滿足如下系統(tǒng)方程

式中

定 理 2[6,8]若U/IND(A)≥U/IND(B)( 即 ? [x]B∈U/IND(B)，?[x]A∈U/IND(A)，s.t.[x]B? [x]A)，則

定義1 提供了經(jīng)典互補信息體系，其涉及補集描述與概率形式(如即其采用對稱二次函數(shù)p(1-p)替換經(jīng)典的非對稱對數(shù)函數(shù)-plog2p進行信息集成，從而成為一種新型不確定性度量，互補熵刻畫條件知識結(jié)構(gòu)的不確定性，互補條件熵與互補互信息描述條件結(jié)構(gòu)與決策結(jié)構(gòu)之間的信息關(guān)系，相關(guān)體系可以度量粗糙性與模糊性等不確定性[6]。 事 實 上 ，U/IND(A)與U/IND(D)具 有 關(guān) 于 等 價 劃 分 的 平 等 性 ，故 定 理 1 中 出 現(xiàn) 的H(D),HC(A|D)分別對稱于定義1 中的H(A),HC(D|A)；進而，定理1 提供5 種互補信息度量的系統(tǒng)方程。定理2 則表明互補信息系統(tǒng)具有粒化單調(diào)性，其中的粒化關(guān)系U/IND(A)≥U/IND(B)可由A?B實 現(xiàn) 。

鄰域粗糙集是經(jīng)典粗糙集的拓展，其基礎(chǔ)為鄰域系統(tǒng)[16,21]。對決策表DT，設(shè)A={c1,…,cn}?C，則其對應(yīng)距離函數(shù)可 以 誘 導(dǎo) 鄰 域 關(guān) 系NRA={(x,y)∈U×與 鄰 域 覆 蓋表示n個鄰域。

定 理 3[16,21](1)若δ1≤δ2, 則 ?x∈U有若δ=0, 則(x)=[x]A。 (2)若A?B,則 ?x∈U有(x)(此時也記U/NRA≥U/NRB)。

鄰域依托其覆蓋結(jié)構(gòu)為鄰域粗糙集奠定了粒計算基礎(chǔ)?；诙ɡ?，鄰域具有參數(shù)單調(diào)性，δ=0導(dǎo)致退化，即鄰域粒退化到等價類且鄰域粗糙集退化到經(jīng)典粗糙集；此外，鄰域還具有關(guān)于屬性子集關(guān)系的單調(diào)性，這為相關(guān)粒化單調(diào)性奠定了基礎(chǔ)。

2 鄰域互補信息度量及其性質(zhì)

經(jīng)典互補信息度量[6,8]適用于經(jīng)典粗糙集。針對擴張的鄰域粗糙集，本節(jié)自然定義鄰域互補信息度量, 以實施度量擴張與拓展應(yīng)用。 下面主要針對決策表DT及其鄰域覆蓋U/NRA={(x)i|i∈ 1,…,n}與決策分類U/IND(D)={Dj|j∈ 1,…,m}。

2.1 鄰域互補信息度量

定義2A?C的鄰域互補熵、D關(guān)于A的鄰域互補條件熵、A與D之間的鄰域互補互信息分別為本文采用p=1 的Manhattan 距離函數(shù)。加上 半 徑 參 數(shù)δ，則x的 領(lǐng) 域

定理4若δ=0，則NHδ(A)=H(A),NHCδ(D|A)=HC(D|A),NMIδ(D;A)=MI(D;A)。

定義2 的鄰域互補信息度量模擬了定義1 的經(jīng)典互補信息度量，主要將知識劃分U/IND(A)拓展替換為鄰域覆蓋U/NRA(即等價類換為鄰域(x)i。這種基于解析式的拓展方案，比較自然也更為穩(wěn)妥。由此，鄰域互補信息度量具有擴張性(定理4)。3 種鄰域度量具有類似于經(jīng)典互補熵的不確定性語義，但代替地使用鄰域覆蓋結(jié)構(gòu)。為了有利于鄰域覆蓋結(jié)構(gòu)的近似推理，它們具體采用鄰域粒不重復(fù)計數(shù)機制，這區(qū)別于元素誘導(dǎo)的鄰域可重復(fù)機制[16]。此外，定義2 也提供了補集描述與等價本質(zhì)兩種形式。下面模擬確定NHδ(A)，NHCδ(D|A)的對稱度量NHδ(D)A，NHCδ(A|D)，并發(fā)展系統(tǒng)關(guān)系。

命題1鄰域互補熵具有等價“雙和形式”

證明由式(5)與U/IND(D)的剖分性有

命題2，若δ=0 時等號成立。

證明由式(3)與U/NRA的覆蓋性，類似于命題1 的證明過程有

其中覆蓋U/NRA退化為劃分U/IND(A)時(此時δ=0)，上述等號成立。

定理5 采用類似于NHδ(A)(式(6))與NHCδ(D|A)(式(5))的“雙和形式”，設(shè)置符號

則鄰域互補熵、鄰域互補條件熵和鄰域互補互信息滿足如下系統(tǒng)方程

證明(1)注意到具有兩剖分部分由式(6，7)有

(2)由式(6，7)有

命題1 提供鄰域互補熵NHδ(A)的“雙和形式”。命題2 涉及的“雙和形式”類似且對稱于NHδ(A)的，但其不同于且不小于H(D)，這是因為覆蓋U/NRA替換了劃分U/IND(A)。由此，定理5 提取命題2“雙和形式”形成新符號NHδ(D)A，其依賴于A從而區(qū)別于只依賴于D的H(D)；此外，定理5 還提供了NHCδ(A|D)?？梢?，NHδ(D)A與NHδ(A)具有在“雙和層面"的粒交換性，而NHCδ(A|D)與NHCδ(D|A)具有集差換序。從而，定理5 證明并表現(xiàn)了鄰域互補信息度量的系統(tǒng)關(guān)系，其對應(yīng)經(jīng)典互補信息度量的系統(tǒng)關(guān)系(式(2))。由此，下述推論1 補充了NHδ(D)A,NHCδ(A|D)對于H(D),HC(A|D)的擴張性，還揭示了NMIδ(D;A)≠H(D)-NHCδ(D|A)的擴張?zhí)禺愋?。由此定理所? 值條件容易檢驗。

推論1(1)若δ=0,則NHδ(D)A=H(D),NHCδ(A|D)=HC(A|D)。

(2)NHδ(D)A≥H(D),NMI(D;A)≥H(D)-NHCδ(D|A)，若δ=0 時等號成立。

定 理 6U/NRA?U/IND(D)(即的 充分必要條件是NHCδ(D|A)=0。

證明(1)若U/NRA?U/IND(D),則即 有因 此 由 式 (5)有NHCδ(D|A)=0。 (2)反 設(shè)NHCδ(D|A)=0,但U/NRA?U/IND(D)。 此 時 ，?i*∈{1,…,n}，j*∈因 此 , 由 式 (5)有該矛盾意味著充分性成立。

推 論 2U/NRA?U/IND(D)等 價 于NMIδ(D;A)=NHδ(D)A,NHδ(A)=NHCδ(A|D)+NHδ(D)A。

定理7(1)NHδ(A)∈[0,|U|/4]，且U/NRA={U}?NHδ(A)=0。

(2)NHCδ(D|A)∈[0,|U|],且U/NRA?U/IND(D)?NHCδ(D|A)=0。

(3)NMIδ(D;A)∈[0,|U|],且U/NRA={U}?NMIδ(D;A)=0。

證明(1)0 是顯然的，且可由U/NRA={U}取得。

(2)由式(5)有

由此定理所述0 值條件容易檢驗。

推論3H(A),HC(D|A),MI(D;A)都具有雙界范圍[0,1]。

定理6(及推論2)提供了?；瘲l件U/NRA?U/IND(D)的信息描述，這有利于覆蓋?；囊蕾囃评?。定理7 提供了NHδ(A),NHCδ(D|A),NMIδ(D;A)的雙界及其下確界0 取得情形?；谧C明式(9)，NHCδ(D|A),NMIδ(D;A)通過“雙和形式”放縮，從而獲得上界 |U|；類似地，NHδ(A)也可以采用“雙和形 式 ”(式 (6))得 到 相 同 上 界 |U|。 若 覆 蓋U/NRA退 化 為 劃 分U/IND(A)時 (此 時δ=0)，式 (9)中則上界|U|皆可以降低到1，故推論3 描述了退化的經(jīng)典互補度量情形。此外，NH(A)δ采用“單和形式”及拋物函數(shù)p(1-p)最大值1/4 來提供上界|U|/4，其通常小于上述上界|U|。進而，相關(guān)的更小上界乃至上確界值得探討。

表1 實例決策表Table 1 Instance decision table

2.2 鄰域互補信息度量的?；菃握{(diào)性

不確定性度量的?；瘑握{(diào)性或非單調(diào)性是信息應(yīng)用的一個重要特性[2,3,15]，決定著屬性約簡的定義構(gòu)造與算法啟發(fā)。定理2 表明，經(jīng)典互補信息度量具有?；瘑握{(diào)性。本小節(jié)闡述鄰域互補信息度量基于擴張變異的?；菃握{(diào)性。下面首先通過一個實例來計算信息值并提供非單調(diào)事實。

例 1決策 表DT如表 1，其中U/IND(D)={D1={x1,x2,x4,x5},D2={x3,x6,x7}}。

基于Manhattan 距離與半徑δ=0.5，可以構(gòu)建鄰域體系。為了研究?；旅婢劢棺匀粚傩栽鲦湥簕c1}?{c1,c2}?{c1,c2,c3}?{c1,c2,c3,c4}?{c1,c2,c3,c4,c5}(鏈元屬性集用A統(tǒng)一表示)。表2 提供相關(guān)鄰域及覆蓋。再由式(5，7)，表3 提供所有5 種鄰域互補信息度量值。作為例子，鏈元{c1,c2,c3}的前3 個度量計算過程為：

表2 基于屬性增鏈的鄰域及覆蓋Table 2 Neighborhood and coverage based on attribute chaining

表3 基于屬性增鏈的鄰域互補信息度量Table 3 Neighborhood complementary information metric based on attribute chaining

基于表3 結(jié)果，首先可以檢驗系統(tǒng)式(8)，即表3 中第(3)個度量值等于第(4)與(2)的度量值的差，也等于第(1)與(5)的度量值的差。此外當A取 {c1,c2}或{c1,c2,c3}時不等號為嚴格大于;可見，NHδ(D)A依賴于A從而不同于只依賴于D的常值H(D)，進而NMIδ(D;A)≠H(D)-NHCδ(D|A)(推論1)。最后聚焦?；菃握{(diào)性。伴隨屬性增鏈的覆蓋細化，這5 種度量都呈現(xiàn)“先增大后減少”趨勢，該波動充分說明了所有度量的?；菃握{(diào)性。關(guān)于屬性增鏈，雖然單元素具有鄰域細化(即 ?x∈U有但覆蓋在“脫離元素追蹤”與“去除粒重復(fù)”后呈現(xiàn)對應(yīng)變化的復(fù)雜性，比如覆蓋粒數(shù)具有波動：|U/NR{c1}|=1＜|U/NR{c1,c2}|=5 ＜|U/NR{c1,c2,c3}|=6 ＞ |U/NR{c1,c2,c3,c4}|=5 ＜ |U/NRC|=7。

定理8設(shè)U/NRA?U/NRB，則同類型的鄰域互補信息度量在A與B上的大小關(guān)系是不確定的，即以下5 組度量無必然的大小關(guān)系：

(1)NHδ(A)與NHδ(B)；(2)NHCδ(D|A)與NHCδ(D|B)；(3)NMIδ(D;A)與NMIδ(D;B)；(4)NHδ(D)A與NHδ(D)B；(5)NHCδ(A|D)與NHCδ(B|D)。

基于例1 的事實支撐，定理8 自然提供5 種鄰域互補信息度量的?；菃握{(diào)性。主要分析前面3 種重要度量的相關(guān)機制。事實上，度量的覆蓋刻畫具有對分類刻畫的拓展性并利于后續(xù)近似推理，但直接的鄰域粒變化具有復(fù)雜性，這在很大程度上誘導(dǎo)了相關(guān)的?；淮_定性。

(1)基于式(5)，鄰域互補熵的“單和內(nèi)部”涉及上凸拋物函數(shù)p(1-p)，其先增后減并在p=0.5 處取得 最 大 值 0.25。 當U/NRA?U/NRB時 ，有(x)( 定 理 3)，因 此 ?x∈U有但 無 法 確 定p((x)))的大小關(guān)系。后續(xù)覆蓋細化也具有不確定性，因此NHδ(A)與NHδ(B)無必然大小關(guān)系。

(2)類似地,當U/NRA?U/NRB時,領(lǐng)域互補條件熵“雙和內(nèi)部”具有信息減少的確定趨勢：但在后續(xù)求和中信息具有增加的可能性，因為B的鄰域粒數(shù)可以更多。最終，NHCδ(D|B)對比NHCδ(D|A)的大小關(guān)系還是無法確定。

(3)當U/NRA?U/NRB時,領(lǐng)域互補互信息的“雙和內(nèi)部”具有與這兩種相反方向的確定性導(dǎo)致兩種因子乘積大小的不確定性。此外,“雙求和”粒數(shù)目仍然是一個不確定問題，因此也無法最終確定NMIδ(D;A)與NMIδ(D;B)的大小關(guān)系。

3 基于鄰域互補互信息的啟發(fā)式屬性約簡

基于相關(guān)的不確定性語義，鄰域互補熵和鄰域互補條件熵、鄰域互補互信息都可以被利用于屬性約簡構(gòu)建。針對決策表，考慮到鄰域互信息能夠有效度量從條件屬性到?jīng)Q策屬性的信息量與依賴度，故本節(jié)主要采用該測度來構(gòu)建啟發(fā)式屬性約簡?；诹；菃握{(diào)性(定理8)，這里采用文獻[15]的約簡策略與算法思路，其主要追求更高互信息量。

定義3基于決策表DT，R?C稱為C的一個約簡，若(1)NMIδ(D；R)≥NMIδ(D；C);(2)?r∈R，NMIδ(D;R-{r})＜NMIδ(D;R)。

定義4屬性a∈A,a∈(C-A)關(guān)于A的內(nèi)部、外部重要度分別為sigin(a,A,D)=NMIδ(D;A)-NMIδ(D;A-{a})；sigout(a,A,D)=NMIδ(D;A∪{a})-NMIδ(D;A)。

這里的約簡追求更優(yōu)的鄰域互補互信息，定義3 中的兩條分別描述相關(guān)的“聯(lián)合充分性”與“獨立必要性”。內(nèi)重要度sigin(a,A,D)表示在A中刪除屬性a產(chǎn)生的關(guān)于鄰域互補互信息的信息減量，而外重要度sigout(a,A,D)表征在A上增加屬性a產(chǎn)生的信息增量，兩者提供了快速約簡的屬性選擇機制。若NMIδ(D;C-{c})＜NMIδ(D;C)，此時有 sigin(c,C,D)＞ 0，即c關(guān)于C是重要的，因此可以構(gòu)建C的重要屬性子集。類似地，sigout(a,R,D)＞0 說明a關(guān)于R是重要的，因此可以選擇最大外重要度的對應(yīng)屬性加入R以實施快速更新。下面采用這兩種重要度來設(shè)計一個啟發(fā)式搜索算法，以快速得到一個約簡。

算法1基于鄰域互補互信息的屬性約簡啟發(fā)算法

輸入 決策表DT、鄰域半徑δ;

輸出 基于鄰域互補互信息的屬性約簡R。

Step 1設(shè)置R=?；

Step 2?ci∈C，計算 sigin(ci,C,D)，若 sigin(ci,C,D)＞ 0，則實施更新R←R∪{ci}；

Step 3計算鄰域互補互信息NMIδ(D;R)與NMIδ(D;C)，若NMIδ(D;R)≥NMIδ(D;C)，則進入第5 步，否則進入第4 步；

Step 4?a∈(C-R)，計 算 sigout(a,R,D)，并 選 擇 外 部 屬 性 重 要 度 最 大 的 屬 性a?，進 行 更 新R←R∪{a?}，并進入步驟 3；

Step 5?ri∈R，若NMIδ(D;R-{ri})≥NMIδ(D;R)，則進行更新R←R-{ri}；

Step 6返回R。

算法1 優(yōu)化了文獻[15]的非單調(diào)算法結(jié)構(gòu)，并主要采用鄰域互補互信息及其屬性重要度進行啟發(fā)式快速搜索。步驟1 進行初始化。步驟2 基于內(nèi)重要度啟發(fā)，搜索C中所有重要屬性并循環(huán)加入R。步驟3 是1 個評估過程,若R不滿足約簡第1 條，則進入步驟4，選取最大外重要度的屬性進行快速的循環(huán)更新；(最終)滿足第1 條,再利用步驟3 進入步驟5。步驟5 循環(huán)刪除冗余屬性。由此，步驟6 輸出結(jié)果。該算法能夠快速得到一個基于鄰域互補互信息的屬性約簡，相關(guān)時間復(fù)雜度是可行的[15]。

例2基于例1 的決策表及相關(guān)設(shè)置與計算，下面說明算法1 及其有效性。具體地，步驟1 賦值R=?。步驟2 計算C種屬性的內(nèi)重要度

由此,將{c1,c3,c4,c5}4 個重要屬性循環(huán)添加到R中，此時R更新為R={c1,c3,c4,c5}。步驟3 計算有

滿足約簡條件1，故進入步驟5。步驟5 實施反向冗余剔除。由

故R剔除c3,保留c1,c4,c5。且R更新為R={c1,c4,c5}。由

故剔除c1,保留c4,c5。且R更新為R={c4,c5}。由

此時，步驟6 輸出最終約簡結(jié)果R={c4,c5}。

4 UCI 數(shù)據(jù)實驗

本節(jié)實施數(shù)據(jù)實驗來驗證鄰域互補熵、鄰域互補條件熵和鄰域互補互信息的粒化非單調(diào)性，以及基于鄰域互信息的啟發(fā)約簡算法1。具體從UCI 機器學(xué)習(xí)數(shù)據(jù)庫（http：//archive.ics.uci.edu/ml）選取5 類數(shù)據(jù)集(如表4)。首先采用最大-最小標準化數(shù)據(jù)預(yù)處理，仍用Manhattan 距離函數(shù)，鄰域半徑參見表4。

表4 5 類UCI 數(shù)據(jù)集描述Table 4 Description of five categories of UCI data sets

為揭示信息變化，選取自然屬性增鏈{c1}?{c1,c2}?…?C(設(shè)鏈元{c1,…,ck}=(Ak))。針對核心度量NHδ(Ak),NHCδ(D|Ak),NMIδ(D;Ak)，表 5 提供了截斷于A13的主體信息值，圖 1 則進行全部數(shù)值描繪(其橫坐標對應(yīng)Ak的k，3 種度量簡記為NH,NHC,NMI)。基于表 5 分析，結(jié)合圖 1 趨勢，3 種度量的?；菃握{(diào)性均非常明顯，對于基于鄰域互補互信息的啟發(fā)式屬性約簡，算法1 提供如下有效約簡結(jié)果(表 6 左欄)。

表5 5 類數(shù)據(jù)集關(guān)于屬性增鏈的3 種鄰域互補信息值Table 5 Three kinds of neighborhood complementary information values for attribute chaining with five categories of data sets

圖1 5 類UCI 數(shù)據(jù)集關(guān)于屬性增鏈的3 種鄰域互補信息的非單調(diào)變化Fig.1 Non-monotonic changes in complementary information of three neighborhoods of attribute-added chain in five categories of UCI data sets

本文度量與算法最相關(guān)于文獻[15]，為了相關(guān)對比，補充了文獻[15]的信息熵值及算法的數(shù)據(jù)實驗,仍然基于表4 的5 類數(shù)據(jù)集。基于相關(guān)實驗結(jié)果,文獻[15]基于屬性增鏈的3 種度量值結(jié)果與表5 的差距不大,對應(yīng)的非單調(diào)圖與圖1 也類似，故兩者都省略。文獻[15]算法所得約簡結(jié)果放入表6 右欄，其與本文算法1 的結(jié)果(表6 左欄)具有較明顯的差異性；此外，文獻[15]算法的實驗處理比算法1 需要更多的時間。綜上實驗結(jié)果對比可見，兩套信息度量值具有一定的相似性，但啟發(fā)的約簡結(jié)果具有差異性，如表5(a)中{c1,c2,c6,c9}≠{c1,c2,c3,c9}等，這種相關(guān)性與差異性來源于兩者的度量機制?；谙嚓P(guān)分析,兩套度量具有相同的外部“疊加求和”，在這種多信息融合情況下，內(nèi)部的p(1-p)與-不能導(dǎo)致宏觀顯著性的值差異。但是這兩種度量的微觀差異在算法中會發(fā)生作用,從而致使啟發(fā)屬性的選擇與順序，即兩種度量具有不同的約簡啟發(fā)性，故兩者算法結(jié)果有所不同。此外，本文算法1 對文獻[15]算法的反向冗余剔除模塊進行了結(jié)構(gòu)改進，此實驗中自然具有更高效率。

表6 兩種算法下的約簡結(jié)果Table 6 Reduction results under two algorithms

5 結(jié)束語

基于解析式模擬與粒替換，本文將經(jīng)典粗糙集的經(jīng)典互補信息度量推廣到鄰域粗糙集的鄰域互補信息度量，得到了相似的系統(tǒng)體系(其中H(D)被NHδ(D)A所替代)，并將?；瘑握{(diào)性拓展為粒化非單調(diào)性，同時還得到了關(guān)于退化與雙界等性質(zhì)?；卩徲蚧パa互信息及其?；菃握{(diào)性，提出屬性約簡及其啟發(fā)式算法。最后，相關(guān)實例與實驗都驗證了研究結(jié)果的有效性。鄰域互補信息度量及其屬性約簡還值得深入研究與應(yīng)用，例如可以構(gòu)建基于鄰域互補(條件)熵的屬性約簡進行系統(tǒng)研究與應(yīng)用。