超网络是一种基于规则的分类模型,能够有效地处理各种分类问题,已被广泛地应用于模式分类、机器学习、生物信息学等领域。在实际应用中,传统超网络模型主要存在以下两个问题:(1)模型只能处理离散型数据;(2)超边初始化过程中存在着较大的随机性。模糊粗糙集能够有效地处理具有复杂属性的数据,因此,本文在传统超网络的基础上,结合模糊粗糙集理论提出了一种模糊超网络模型。主要的工作内容如下:(1)结合模糊粗糙集理论与超网络的相关知识,提出了一种基于模糊超网络的分类方法。首先,根据最优模糊相似度阈值λ计算每个训练样本的λ-等价类样本集合,并根据该集合的类别分布将训练集中的样本划分为边界域样本、正域样本和负域样本,不同区域的样本按照不同的规则生成超边;其次,在超边替代过程中,模糊超网络会根据超边对训练样本的分类效果将超边集划分成三个区域:正域、负域、边界域,不同区域设置不同的替换规则;最后,在分类时,模糊超网络根据待分类样本的λ-等价类超边的投票结果来判断样本的类别。为了验证算法的性能,本文在15个UCI数据集上进行了实验,并采用正确率、Precision、Recall等作为评价指标,证明了模糊超网络具有较高适用性,在不同的数据集上都具有较好的分类效果。(2)针对串行算法在处理大规模数据集时出现的运行时间长、执行效率低等问题,本文结合Spark分布式并行计算框架,实现了并行化的模糊超网络分类算法。首先,从HDFS中读取数据创建训练集RDD和测试集RDD,并对训练集RDD进行转换得到超边集RDD;然后,采用并行的超边替代算法进行演化学习;最后,输出模糊超网络模型对测试集RDD中的数据进行分类。实验结果表明,并行算法既保持了原串行算法的有效性,又大幅度地降低了运行所需的时间。