本课题的研究工作,主要围绕着粗糙集理论的特点以及粗糙集在实际中应用的要点展开,涵盖了粗糙集理论的基本观点和特点、粗糙集理论进行实际应用的一般模型、粗糙集信息表补齐和数据离散化的主要方法、属性约简的主要方案、与其它机器学习方法在实际应用中结合的成功实例、粗糙集实验系统等内容。形成了较为完善的粗糙集应用理论和技术方案。 回顾了粗糙集理论的基本观点和特点,对粗糙集的理论研究现状和应用情况作了简单的归纳和总结。并提出了粗糙集在实际应用中的一般模型,对粗糙集信息表补齐、连续数据离散化、属性约简的常用算法进行了介绍和讨论。 介绍了利用粗糙集理论和核Fisher方法构造了Rough—核Fisher财务预警系统。该系统以粗糙集理论的有关方法作为知识获取的预处理机制,以训练好的核Fisher方法作为系统的知识库,以此建立系统的总体结构。最后用实际的数据库为例,构造了基于中国上市公司财务数据的财务预警模型,并得出令人满意的分类正确率。 利用粗糙集方法中的决策规则提取,进行了车牌字符识别的研究。将车牌字符进行归一化处理后构造16×16的矩阵,以此为依据构造决策表;随后提取决策规则构造决策规则表对车牌字符进行识别。最后通过实例,证明了本文所述方法的有效性。 对目前常用的粗糙集实验系统进行了介绍,指出了它们的优势和不足,以便供广大粗糙集学习和研究人员借鉴参考。 总结全文,粗糙集理论与方法对于智能信息处理的确为一种较为有效的手段,值得大力研究和推广。若能在动态数据支持、大数据集中的处理效率、得到的规则冗余性等问题得到更好的解决的话,将会有更好的发展前景。