隨著科技的不斷進(jìn)步，人工智能迅速發(fā)展。人工智能的發(fā)展離不開算法，而在算法中，分類技術(shù)是人工智能發(fā)展的重要組成部分。本書針對粗糙集分類技術(shù)的模型及其特征選擇算法展開了深入研究。主要內(nèi)容包括：(1)正向宏近似分類模型及其特征選擇算法。正向宏近似分類模型把整個決策類集作為一個整體來近似，從宏觀的角度描述了決策類集的上下近似，是一種能夠快速求解一系列不同屬性子集下系統(tǒng)近似的機制�；�于正向宏近似分類模型提出的特征選擇算法，采用正向宏近似分類模型快速產(chǎn)生邊界，采用邊界度量的屬性重要度作為啟發(fā)信息決定最優(yōu)尋找路徑，采用邊界評估的約簡準(zhǔn)則來識別特征子集，有效提高計算效率。(2)鄰域劃分分類模型及其特征選擇算法。鄰域劃分分類模型采用鄰域劃分來描述分類模型，是對鄰域決策粗糙集模型的改進(jìn)和提升�；�于鄰域劃分分類模型提出的特征選擇算法，采用不平衡二叉樹模型計算鄰域，提高計算效率；采用鄰域正域確定度來評估屬性，提高分類精度。(3)強化一致優(yōu)勢分類模型及其特征選擇算法。強化一致優(yōu)勢分類模型按照強化一致優(yōu)勢原則建立了對象分類策略，具有很強的魯棒性�；�于強化一致優(yōu)勢分類模型提出的特征選擇算法采用組合粗糙熵度量屬性重要度，綜合考慮了偏好決策系統(tǒng)的知識不確定性和目標(biāo)決策類集的不確定性，能快速找到約簡。(4)混合數(shù)據(jù)分類模型及其在態(tài)勢評估系統(tǒng)中的應(yīng)用。介紹了混合數(shù)據(jù)分類模型，并把它應(yīng)用于態(tài)勢威脅評估分析，設(shè)計并實現(xiàn)了面向模型擴展的威脅評估系統(tǒng)。