文献综述
（一）课题研究的现状及发展趋势
1982年，波兰数学家Z.Pawlak提出了粗糙集理论，粗糙集理论能有效地对各种不完备信息进行分析和处理，是一种强大的处理不精确、不完备和模糊知识的数据分析工具，它对数据属性进行约简的前提条件是保留关键信息，然后求出规则（知识）的最简表示，并能从经验数据中获得容易被验证的规则（知识），发现内在的规律，从而为利用粗髓集方法进行数据分类提供理论基础。因此，对于粗髓集的研究主要集中在属性约简和规则的提取上。但是粗糙集也存在对噪声数据的敏感性的限制，需要将粗糙集与其他智能方法相结合来研究。
早在1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts首次提出神经元的数学模型（M-P模型），并且一直沿用至今，影响最为深远的是误差反传算法及其网络模型(BP神经网络)的提出。神经网络具有自组织、自学习、自适应、容错性、大规模并行处理以及联想记忆等特点，并被广泛应用于许多科学研究领域，如模式识别，图像识别，数据压缩等。但是，传统的神经网络也存在着很多问题，如易陷入局部极小，训练时间较长，过拟合等问题，为了解决以上问题，许多优化算法被引入到神经网络权值的学习和结构的自动设计中，但是在处理和分析数据时存在训练时间长、学习效率低下及泛化能力差等问题，而这些问题目前仍然没有较好地解决。
（二）研究的意义和价值
在实际处理数据的过程中发现，如果仅仅使用粗糙集来处理数据，不足以克服粗糙集对噪声数据敏感的缺点；如果仅仅使用人工神经网络来处理数据，不能够克服由于数据规模大而导致的训练时间过长、收敛速度慢的缺点。综合两者的优缺点，若将两者结合起来，会形成优势互补，达到双赢的结果，用粗糙集的属性约简对高维度的数据进行预处理，除去冗余属性，从而降低数据的维度，再用神经网络对数据进行训练和学习，会大大减少训练的时间，提高训练的效率，且使得预测结果也更加准确。
（三）参考文献
[1]鲍迪, 张楠, 童向荣, 等. 区间值决策表的正域增量式属性约简算法[J/OL]. 计算机应用:1-10[2019-05-06].http://kns.cnki.net/kcms/detail/51.1307.TP.20190417.1753.004.html.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
