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(duì)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(gè)決策類集作為一個(gè)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(jī)制。基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(píng)估的約簡準(zhǔn)則來識(shí)別特征子集，有效提高計(jì)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(duì)鄰域決策粗糙集模型的改進(jìn)和提升。基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(jì)算鄰域，提高計(jì)算效率；采用鄰域正域確定度來評(píng)估屬性，提高分類精度。(3)強(qiáng)化一致優(yōu)勢(shì)分類模型及其特征選擇算法。強(qiáng)化一致優(yōu)勢(shì)分類模型按照強(qiáng)化一致優(yōu)勢(shì)原則建立了對(duì)象分類策略，具有很強(qiáng)的魯棒性�；�于強(qiáng)化一致優(yōu)勢(shì)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(shí)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(shì)評(píng)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(shì)威脅評(píng)估分析，設(shè)計(jì)并實(shí)現(xiàn)了面向模型擴(kuò)展的威脅評(píng)估系統(tǒng)。