不完备决策表的相对约简算法

：诸多处理不确定性问题的理论由于各自的侧重点不同，因而相互之间具有很强的互补性。本文研究了将两种常用于处理不完备信息的理论结合来给出一种新的相对约简算法，并给出实例计算结果，证明了算法的可行性。

信息系统是一个具有对象和属性关系的数据库， 这种数据库隐含着知识的对象与属性之间的关系，最终表达的知识模式是用属性来表达的，具有明确的直观含义，可以被理解。当今的信息系统以电子计算机和现代通信技术为基本信息处理手段，运用数学的方法，为管理决策提供信息服务。

科学技术的进步使得信息技术的发展十分迅速， 应用范围也在不断扩展。近十年来信息呈现爆炸式增长。如此海量的数据，如何找出其内在联系？如何从中提取出重要的内容，忽略错误的数据造成的影响并且缩减冗余信息？同时，现实世界中客观事物和现象 往往是不确定的，或具有不完备性，而人们主观的认识领域的信息和知识大多也是不精确的，这就要求在知识的表示和处理时能够反映这种不确定性。在此背景下，数据挖掘和数据库知识发现成为了新的研究领域。

在DM 和KDD 的诸多理论以及方法中， 模糊集、粗糙集、神经网络、遗传算法、证据理论等，都非常有效，其理论得到了不断的发展完善，应用也得到了很好的实践和推广。每种理论各自有自己的优缺点， 因而可以进行互补性研究，充分利用它们的长处[1-3]。

在不完备信息系统约简方面，最常见的是利用辨识矩阵和布尔推理方法， Kryszkieewicz 给出了不完备决策表的知识约简方法，并且提出了一种获取最优规