随着数据量的飞速增长,数据挖掘成为从大量数据中发现知识的重要手段。粗集是一种处理模糊和不确定性数据的工具,因而成为数据挖掘中的重要框架。约简和核是粗集理论的核心内容,数据经过约简后更有价值,更能准确的获取知识。本文针对粗集展开如下工作: 首先,本文在国内外有关数据挖掘(DM)与知识发现(KDD)方面的学术研究成果的基础上,研究了数据离散化处理和数据泛化的方法;讨论了属性约简的基本算法;研究了属性约简的典型算法,包括基于逻辑运算的属性约简算法、基于频度的属性约简算法、基于属性依赖度的属性约简算法、基于信息熵的属性约简算法,并分析了各约简算法的时间复杂度;提出了后删除属性的约简算法,该算法无需求核运算,节省了时间和空间,简化了求解过程。 其次,本文在约简的基础上研究了最简规则提取算法、典型规则提取算法;研究了决策树建立的算法,在讨论了ID3算法的基础上提出了基于粗集的决策树建立,并以实例验证其正确性。 最后,本文在上述理论方法研究的基础上,设计了基于Rough Set的知识发现工具。