随着数据库技术的发展和应用,社会各部门积累了大量的数据,而且这些数据每一天都在增加,数据挖掘是发现这些数据背后隐藏的知识的有效手段。但是,如果在数据库更新之后要对全部数据重新进行挖掘,需要消耗大量的资源,这导致对增量挖掘算法的迫切需求。把增量算法与数据库的更新结合在一起,渐增地进行知识的更新,修正和加强先前业已发现的知识,从而使得修正后的知识库能够适应更新后的数据库,而不必重新挖掘全部数据。 粗糙集理论是数据挖掘的方法之一,它是处理模糊和不确定知识的一种数学工具,已在人工智能与知识发现、模式识别、智能控制、智能决策、冲突分析及故障检测等方面得到了较好应用。但是,目前基于粗糙集理论提出的数据挖掘算法主要都是针对静态数据集,考虑到实际应用的需求和粗糙集理论的现状,本文主要对粗糙集理论的增量算法进行研究。而粗糙集中的决策逻辑作为一种从信息系统中获取蕴涵于其中知识的模型,使用逻辑推演中的符号工具,能够有效发现知识的依赖性并对知识进行简化,而且能够准确的描述新增样例的状态,所以本文选择决策逻辑理论作为增量学习研究的理论基础。 本文首先对文献[15]中基于决策逻辑的增量算法的研究进行了分析,指出了其中在对新增样例进行分类的方法上存在的错误,然后通过对该理论的修正,即对新增样例设计了新的分类方法,并在此分类方法的基础上,对完备极小决策算法的增量计算进行了详细讨论,提出了基于决策逻辑的新的增量学习理论。依据本文提出的增量学习理论,设计了增量学习算法,并分析了算法的时间复杂性,理论证明增量算法较经典算法在时间复杂度上有很大的优势。最后针对时间复杂度相同的情况,通过实验对其在时间性能上进行了试验。