李迎春，范有臣

(1.裝備指揮技術(shù)學(xué)院光電裝備系，北京101416;2.裝備指揮技術(shù)學(xué)院研究生院，北京101416)

1 引言

基于激光圖像信息的目標識別技術(shù)是激光主動成像系統(tǒng)的關(guān)鍵技術(shù)之一。根據(jù)獲取的激光圖像進行三維目標識別時，目標在空間的姿態(tài)具有隨機性:當(dāng)從不同的視角去觀察時，所看到的目標圖像各不相同，形狀比較復(fù)雜，發(fā)射激光和成像探測器的方向及位置也隨著成像平臺不斷運動，目標相對于成像探測器在不同方向角所呈現(xiàn)的圖像姿態(tài)變化萬千，目標到成像探測器的距離不同使得目標在二維圖像中的大小尺度不同，使得目標識別的難度大大增加。由于三維目標在激光成像過程中丟失了許多信息，如目標的紋理、顏色、深度、清晰的結(jié)構(gòu)等，再加上激光散射、成像系統(tǒng)模糊、噪聲干擾等的影響，使獲取的二維激光圖像中的目標只有不很清晰的形狀、輪廓、亮度信息。所以如何利用二維激光圖像進行三維目標識別，相當(dāng)于不確定性問題求解，給目標識別帶來了困難。

三維目標識別的重要任務(wù)是從大量數(shù)據(jù)中獲取知識［1］，表達知識并推理決策規(guī)則，其中涉及如何對大量的冗余數(shù)據(jù)和不完全數(shù)據(jù)進行處理。對于不準確以及不完整的知識，粗糙集理論［2］和人工神經(jīng)網(wǎng)絡(luò)方法［3－4］都顯示了它們各自的優(yōu)勢。粗糙集理論可以輸入定性、定量或者混合性信息，而神經(jīng)網(wǎng)絡(luò)一般不能處理具有語義形式的輸入［5］。神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)無導(dǎo)師聚類學(xué)習(xí)，但不能確定哪些知識是冗余的，哪些知識是有用的，而粗糙集理論可以描述知識表達中不同屬性的重要性，簡化知識表達空間，但它是從訓(xùn)練數(shù)據(jù)中推理規(guī)則的。鑒于粗糙集和神經(jīng)網(wǎng)絡(luò)在信息處理方式、知識獲取、抗噪聲能力、泛化性能等方面有很多互補之處，本文將兩者相結(jié)合進行激光圖像目標識別方法研究，把粗糙集方法作為人工神經(jīng)網(wǎng)絡(luò)方法的前置系統(tǒng)，通過粗糙集方法去掉冗余信息，使訓(xùn)練集簡化，進而減少人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間;同時使用人工神經(jīng)網(wǎng)絡(luò)作為后置的識別系統(tǒng)，有較強的容錯和抗干擾能力。

2 基本原理

結(jié)合粗糙集理論的集成神經(jīng)網(wǎng)絡(luò)，以三維目標識別為應(yīng)用目標，是將人工智能的粗糙集理論同神經(jīng)網(wǎng)絡(luò)模式識別相結(jié)合而建立的系統(tǒng)，利用粗糙集理論的知識推導(dǎo)優(yōu)勢，處理大量的樣本特征，進行屬性約簡后再提取特征，彌補神經(jīng)網(wǎng)絡(luò)一些自身不可克服的缺陷，建立結(jié)構(gòu)更簡單、訓(xùn)練時間更短的神經(jīng)網(wǎng)絡(luò)空間目標圖像識別系統(tǒng)。

整個識別系統(tǒng)分為離線部分和在線部分。離線部分的任務(wù)是對各類空間目標不同視角下的激光圖像進行去噪、分割，提取圖像中目標的約簡特征，確定用于識別的有效特征，對各類特征進行離線學(xué)習(xí)，確定神經(jīng)網(wǎng)絡(luò)的參數(shù)及連接權(quán)值，構(gòu)建識別神經(jīng)網(wǎng)絡(luò)。在線部分的任務(wù)是對任意一幅輸入的目標激光圖像進行的實時識別，確認目標的類型。基本框架如圖1所示。

原始數(shù)據(jù)源是激光主動成像系統(tǒng)的仿真圖像，首先建立目標的三維模型，再根據(jù)激光器模型、成像模型，對目標經(jīng)過激光主動成像得到的圖像進行仿真，由此得到三維目標不同角度、不同距離的激光圖像。

圖1 結(jié)合抗噪粗糙集的集成神經(jīng)網(wǎng)絡(luò)空間目標識別基本框架圖

仿真圖像經(jīng)過去噪與分割、特征提取模塊處理，形成了多個數(shù)字特征，組成一個特征向量。每一個空間目標由于其成像視角不同，可能形成多幅激光圖像，最終輸出多組特征向量組成原始樣本特征集。

得到原始樣本特征集之后，通過粗糙集方法去掉冗余信息，使訓(xùn)練集簡化，建立目標特征模型庫，構(gòu)建神經(jīng)網(wǎng)絡(luò)。在線輸入激光圖像時就可以只提取約簡的目標特征，采用已經(jīng)構(gòu)建好的神經(jīng)網(wǎng)絡(luò)識別目標。

3 激光圖像仿真與處理

3.1 目標激光主動成像仿真

利用OpenGL軟件通過編程的方式進行空間目標三維實體建模，如圖2所示為某衛(wèi)星三維模型。當(dāng)三維目標運動相對于成像探測器運動時，從不同的角度觀測目標會得到不同的二維投影側(cè)面視圖。為方便研究，不考慮成像平面與目標的距離，按照經(jīng)緯度劃分視覺球的方法，方位角和俯仰角等間隔的自動選取不同視角獲取的目標二維視圖，如圖3所示。再采用基于目標模型的激光主動成像仿真方法［6］，利用建立的空間目標三維模型得到的二維圖像作為成像仿真的基準圖，對目標的不同成像角度進行成像仿真，并加入噪聲影響，如圖4所示。

圖2 某衛(wèi)星三維模型

圖3 按照經(jīng)緯度劃分視覺球示意圖

圖4 某衛(wèi)星在不同視點的激光主動成像仿真圖像

3.2 激光圖像去噪分割算法

針對激光主動成像中混有隨機加性噪聲和散斑乘性噪聲的特點，采用了一種混合濾波算法。該方法把中值濾波和小波濾噪進行了結(jié)合，首先利用自適應(yīng)中值濾波器，根據(jù)噪聲干擾程度，采用變換窗口大小的方法，在原有中值濾波算法中加入一個判斷操作，以判斷窗口內(nèi)像素中值及濾波處的像素點灰度值是否為脈沖噪聲，然后分別進行處理［7］;然后利用基于相鄰系數(shù)的小波自適應(yīng)閾值方法對圖像進行去噪處理［8］。

激光圖像經(jīng)過去噪聲處理后，采用迭代式閾值分割算法實現(xiàn)圖像的分割，得到二值化圖像［9］。在迭代式閾值分割算法中，首先選擇一個近似閾值作為估計值的初始值，將圖像分割成兩部分，計算兩個部分的均值，在此基礎(chǔ)上選擇新的閾值，再使用新閾值分割圖像，重復(fù)上述步驟，直到分割閾值不再變化。

以某衛(wèi)星的一幅仿真激光圖像為例，分割處理結(jié)果如圖5所示。采用迭代式閾值分割算法對圖像進行分割后，圖像中目標區(qū)域可能會有一些空洞，如圖5(c)所示。使用形態(tài)學(xué)膨脹、腐蝕算法，選用正方形的結(jié)構(gòu)元素，能夠填補目標區(qū)域使其完整，如圖5(d)所示。

圖5 某衛(wèi)星激光圖像預(yù)處理結(jié)果

3.3 目標特征提取

目標識別的關(guān)鍵之一在于提取反映目標本質(zhì)屬性的特征參量［10］。常用的目標圖像特征有:圖像幾何特征(如周長、面積、復(fù)雜度、體態(tài)比等)和圖像統(tǒng)計特征(如幾何矩、Hu不變矩、仿射不變矩和小波矩等)。

簡單的幾何特征具有易于計算的優(yōu)點，幾何特征不變性的穩(wěn)定程度有所不同。其中，體態(tài)比具有良好的二維平面不變性，即在縮放、旋轉(zhuǎn)及平移變換中均具有較好的不變性，可以作為粗略匹配中一個有效的特征向量加以利用。

同一目標不同姿態(tài)下圖像的Hu不變矩、仿射不變矩和小波矩的特征分量值的取值范圍較大，且不同目標圖像的特征分量值之間存在一定程度的重合，不能通過某個單一的特征分量完成對衛(wèi)星目標的識別。分析其原因，主要是因為同一目標姿態(tài)變換后得到的二維圖像形狀差異較大，造成計算得到的特征值變化較大，不同衛(wèi)星目標圖像的特征分量就存在重合的可能。

由此可見，對于Hu不變矩、仿射不變矩和小波矩，每種矩特征中都存在幾個具有較好的二維平面不變性和一定視角范圍內(nèi)的特征不變性的特征分量，同時也存在不變性較差的特征分量。如果僅采用任意一種矩特征應(yīng)用于目標識別，達不到較好的識別效果。

根據(jù)以上對空間目標多視點特征的分析，本文把激光圖像中提取出的空間目標的幾何特征和統(tǒng)計特征值組成一個特征向量。其中包括1個幾何特征(二值圖像體態(tài)比)、7個Hu不變矩特征、3個仿射不變矩特征、6個小波矩特征，共計17個特征。這些特征具有相對較好的魯棒性。

考慮到三維目標識別所需的特征量較多，如果在識別過程中，每識別一次都要反復(fù)提取目標多視點特性視圖中的特征，將會使識別速度大大降低?？梢愿鶕?jù)前面的分析，針對每一個三維目標模型得到的每一幅特性視圖，提前計算其中的特征量，建立目標多視點特征數(shù)據(jù)庫。在后續(xù)識別時，只要計算出當(dāng)前需要識別的一幅圖像的特征，然后在數(shù)據(jù)庫中采用查表的方式進行匹配識別即可。這樣可以大大減少計算時間，提高識別速度。建立特征數(shù)據(jù)庫的過程包括以下幾個步驟:(1)選取目標模型進行編號;(2)按照經(jīng)緯度劃分視覺球的方法，方位角和俯仰角等間隔的選取目標多視點視圖。對圖像序列進行編號，并記錄其相應(yīng)的觀察視角角度;(3)對得到的多視點視圖進行圖像處理，得到二值化目標圖像;(4)進行特征提取，計算各種特征值，設(shè)置目標是否軸對稱等標志，并依次記錄存儲;(5)重復(fù)以上步驟，組成空間目標多視點特征數(shù)據(jù)庫。

4 采用粗糙集方法對特征約簡

利用粗糙集約簡特征作為激光圖像神經(jīng)識別網(wǎng)絡(luò)的前置步驟，其主要目的是做特征篩選，即利用粗糙集方法來選擇分類的屬性，作為建立識別神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的輸入數(shù)據(jù)，減少神經(jīng)網(wǎng)絡(luò)的輸入層的節(jié)點個數(shù)，從而縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，簡化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，同時在約簡特征維數(shù)時，推導(dǎo)出相應(yīng)的規(guī)則，即分類知識，作為構(gòu)造識別神經(jīng)網(wǎng)絡(luò)中間層的依據(jù)。

粗糙集方法對特征的處理主要分為特征屬性的離散歸一化、特征屬性的約簡兩個部分。

(1)特征屬性的離散歸一化

在粗糙集的特征約簡中，必須把所得的特征信息數(shù)據(jù)歸一化，使得用于粗糙集方法分析的決策表是有限維數(shù)的離散化數(shù)據(jù)表。離散歸一化方法應(yīng)該滿足如下條件:①屬性離散歸一化后的空間維數(shù)應(yīng)盡量小;②屬性值被離散歸一化中信息丟失應(yīng)盡量少。

對每一幅激光圖像中提取出的17個特征經(jīng)過簡單的線性歸一化后發(fā)現(xiàn)，各特征值不是均勻地分布在［0，1］區(qū)間。某些的特征值變化幅度較小，有些甚至始終集中分布在接近1的較強信號區(qū)域或接近0的較弱信號區(qū)域。如果采用常用的等頻法、等區(qū)間法［11－12］等均勻化的離散方法直接對這些特征屬性數(shù)據(jù)進行離散化，得到的編碼將不符合實際數(shù)據(jù)模式本質(zhì)特性，在很大程度上影響不同對象的可辨別能力。

可以對不同取值范圍的特征值進行非線性離散歸一化處理［13］，實現(xiàn)特征值的統(tǒng)一化分類與處理，得到相對一致的分類編碼標準。同時，為了粗糙集的方便運算和發(fā)揮條件屬性的綜合判決效果，對特征屬性的量化也不宜過細，否則會帶來決策表的較大浮動，不利于屬性間共性問題的提取與訓(xùn)練。因此，對于不同的特征值，通常最多離散化編碼至識別對象的半數(shù)。例如，為識別和判決6種不同目標，通常將特征屬性的離散化編碼數(shù)置為3，即單個條件屬性最多只分為3類。

(2)特征屬性的約簡

當(dāng)實際的特征屬性數(shù)據(jù)集存在噪聲或不完整性時，易產(chǎn)生偶然規(guī)則或不相容規(guī)則。本文利用屬性約簡方法在對目標樣例進行分析的同時，自動標記出重復(fù)樣例、偶然性樣例和不相容樣例［13］，并在此基礎(chǔ)上構(gòu)建包含可信度的決策表，將依賴度、重要度與可信度建立關(guān)系，利用粗糙集的相關(guān)理論對決策表進行約簡。特征屬性的約簡算法包括:不相容規(guī)則的處理、粗糙集的約簡、粗糙集精簡3個步驟。

經(jīng)過特征屬性約簡后，將已經(jīng)簡化的條件屬性作為規(guī)則的前部，決策屬性作為規(guī)則的后部，就可以形成決策規(guī)則。

仿真中，通過對六種型號的在不同角度拍攝的衛(wèi)星照片進行預(yù)處理，然后提取出一組Hu不變矩、仿射不變矩、小波矩和二值圖像體態(tài)比，共17個屬性，然后對其進行歸一化處理和壓擴式非均勻離散化，并對樣例進行分析，自動標記出重復(fù)樣例、偶然性樣例和不一致樣例，并在此基礎(chǔ)上構(gòu)建包含可信度的決策表(包含條件屬性集、決策集和可信度)，然后，將依賴度γ(X－{xi}，D)和重要度SGF(X－{xi}，D)與可信度ηJ(i)建立關(guān)聯(lián)關(guān)系，利用粗糙集的相關(guān)理論對決策表進行約簡，得到訓(xùn)練規(guī)則［13］。

通過仿真，得到的部分離散化編碼決策表如表1所示。

表1 離散化編碼決策表(部分)

表2 粗糙集精簡后的規(guī)則表

簡化后的決策表如表2所示。可以看出，利用粗糙集對特征進行約簡后，最初選取的17個特征屬性精簡到了5個，將大大減少對激光圖像進行特征提取的工作量，提高自動識別的速度。

5 仿真結(jié)果分析

采用結(jié)合粗糙集的集成神經(jīng)網(wǎng)絡(luò)方法對激光圖像進行目標識別。選用徑向基神經(jīng)網(wǎng)絡(luò)作為基本的網(wǎng)絡(luò)結(jié)構(gòu)，但在選擇各層節(jié)點上與粗糙集相結(jié)合，充分利用上節(jié)中粗糙集處理部分得到的結(jié)果輔助神經(jīng)網(wǎng)絡(luò)的構(gòu)造。對徑向基神經(jīng)網(wǎng)絡(luò)進行了改進，網(wǎng)絡(luò)共由4層神經(jīng)元組成一個多輸入多輸出系統(tǒng)。粗糙集規(guī)則的條件部分由前兩層網(wǎng)絡(luò)連接實現(xiàn)。第3層神經(jīng)元表示粗糙集推出的規(guī)則，其中每個神經(jīng)元代表一條規(guī)則。第4層神經(jīng)元是規(guī)則的結(jié)論，即三維目標種類的輸出。

神經(jīng)網(wǎng)絡(luò)中需要先用訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練，再將測試樣本輸入已訓(xùn)練好的網(wǎng)絡(luò)得出識別結(jié)果。實驗訓(xùn)練指標為:訓(xùn)練精度為0.1，徑向基函數(shù)的寬度以0.5為間隔在［1，3］取值，若經(jīng)一次集成訓(xùn)練后不能確定輸出類別，則再次進行網(wǎng)絡(luò)訓(xùn)練，此時徑向基函數(shù)的寬度為(0.8，1，1.5，1.6，2，2.4，2.5，3)，若仍然不能確定，則輸出為不能確定類型。

首先，對六個幾何形狀不同的衛(wèi)星建立目標多視點特征數(shù)據(jù)庫。每個模型在俯仰角為－90°～90°、方位角為0°～360°的范圍內(nèi)，按經(jīng)緯度劃分視覺球的方法每間隔20°獲取一幅圖像，得到162幅不同視點下的目標特性視圖。通過圖像分割得到目標二值圖像，提取利用屬性約簡方法獲得的5個有效特征，組成目標多視點特征數(shù)據(jù)庫。以一個衛(wèi)星數(shù)據(jù)為例，數(shù)據(jù)庫內(nèi)容如表3所示。把數(shù)據(jù)庫中的圖像特征進行離散歸一化、抗噪粗糙集屬性約簡后，作為訓(xùn)練樣本，輸入到徑向基神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)各層之間的連接權(quán)值。

表3 目標多視點特征數(shù)據(jù)庫內(nèi)容

再重新對這六個衛(wèi)星按經(jīng)緯度劃分視覺球的方法每隔15°生成測試圖像，得到目標在不同姿態(tài)下的激光主動成像仿真圖，共6×288=1728幅。對激光圖像進行預(yù)處理、提取特征數(shù)據(jù)后作為測試樣本輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進行識別，統(tǒng)計識別結(jié)果。對千余次識別結(jié)果進行統(tǒng)計，識別如表4所示。

表4 六個衛(wèi)星目標的識別結(jié)果

從實驗結(jié)果可以看出，結(jié)合粗糙集的集成神經(jīng)網(wǎng)絡(luò)方法能夠?qū)す鈭D像實現(xiàn)有效地目標識別，識別正確率保持在80%以上。

分析識別錯誤的原因，主要有:(1)同一個三維目標由于成像角度不同得到的激光圖像中目標的形狀差別可能較大，而不同目標在某些角度成像又很類似，用同一組特征向量對圖像實現(xiàn)精準的分類比較困難的。(2)由于每一個三維目標都生成了大量的多視點特性圖像，使得訓(xùn)練樣本隨之增加，大量的訓(xùn)練樣本導(dǎo)致網(wǎng)絡(luò)泛化誤差增大，可能導(dǎo)致輸出結(jié)果錯誤。(3)對激光圖像進行處理時，由于去噪和分割算法的影響，使得到的目標二值化圖像特征發(fā)生了變化，與訓(xùn)練樣本圖像特征不一致，導(dǎo)致識別錯誤。

在原始數(shù)據(jù)中，隨機選取90%的數(shù)據(jù)作為訓(xùn)練集，剩余10%作為測試集。比較普通的徑向基神經(jīng)網(wǎng)絡(luò)、結(jié)合粗糙集的集成徑向基神經(jīng)網(wǎng)絡(luò)這兩種方法的計算時間和識別率，結(jié)果如表5所示。直接采用徑向基神經(jīng)網(wǎng)絡(luò)識別方法，選取的特征沒有經(jīng)過約簡，數(shù)目眾多，使得計算時間較長，識別率偏低;集成抗噪粗糙集的徑向基神經(jīng)網(wǎng)絡(luò)比未結(jié)合粗糙集的網(wǎng)絡(luò)來說，收斂得更快，訓(xùn)練時間更短，計算速度比改進前也有了明顯提高，識別準確率也更高。

表5 幾種識別方法比較結(jié)果

6 結(jié)論

本文將粗糙集與集成神經(jīng)網(wǎng)絡(luò)結(jié)合用于激光圖像的三維目標識別，充分利用了粗糙集對目標特征進行優(yōu)選和神經(jīng)網(wǎng)絡(luò)具有容錯、自組織能力的優(yōu)勢。通過去噪分割后提取包含幾何特征、Hu不變矩特征、仿射不變矩特征及小波矩特征的17個特征，并采用粗糙集算法從17個特征中篩選出5個特征屬性，與徑向基神經(jīng)網(wǎng)絡(luò)結(jié)合實現(xiàn)了對激光圖像目標的有效識別，識別正確率保持在80%以上，比未結(jié)合粗糙集的網(wǎng)絡(luò)來說，收斂得更快，訓(xùn)練時間更短，能夠有效提高激光圖像目標的識別速度與效率，具有較強的現(xiàn)實意義。

［1］ ZHANG Tianxu.Imaging automatic target recognition［M］.Wuhan:Hubei Science and Technology Press，2005:10 －15.(in Chinese)張?zhí)煨?成像自動目標識別［M］.武漢:湖北科學(xué)技術(shù)出版社，2005:10－15.

［2］ YANG Fugang，SUN Tongjing，PANG Qingle.Rough set based dim small target detection method in infrared image sequences［J］.Infrared and Laser Engineering，2007，36(5):747 －750.(in Chinese)楊福剛，孫同景，龐清樂.基于粗糙集的紅外弱小目標檢測方法［J］.紅外與激光工程，2007，36(5):747－750.

［3］ ZHENG Dezhong，SUN Tao.Improved algorithm of neural network using in non-uniformity correction［J］.Laser ＆Infrared，2010，40(10):1111 －1114.(in Chinese)鄭德忠，孫濤.應(yīng)用于非均勻性校正的改進的神經(jīng)網(wǎng)絡(luò)算法［J］.激光與紅外，2010，40(10):1111 －1114.

［4］ LI Yibo，QI Wanxu.Novel recognition algorithm forIR mobile target［J］.Laser ＆ Infrared，2013，43(3):324 －327.(in Chinese)李一波，齊萬旭.一種新的紅外機動目標識別算法［J］.激光與紅外，2013，43(3):324 －327.

［5］ ZHANG Dongbo.Rough neural network ensemble method and its application to pattern recognition［D］.Changsha:Hunan University，2007:60 －79.(in Chinese)張東波.粗集神經(jīng)網(wǎng)絡(luò)集成方法及其在模式識別中的應(yīng)用［D］.長沙:湖南大學(xué)，2007:60－79.

［6］ LI Yingchun，DU Yonghong.Laser active Imaging simulation method based on the object Model［J］.Journal of the Academy of Equipment Command ＆ Technology，2011，22(5):74 －77.(in Chinese)李迎春，杜永紅.基于目標模型的激光主動成像仿真［J］.裝備指揮技術(shù)學(xué)院學(xué)報，2011，22(5):74 －77.

［7］ LI Yinhua，LU Xinhui.Improved adaptive median filtering algorithm in image processing applications［J］.Journal of Zhengzhou Institute of Light Industry，2009，24(1):83 －86.(in Chinese)李銀華，路新惠.改進型自適應(yīng)中值濾波算法在圖像處理中的應(yīng)用［J］.鄭州輕工業(yè)學(xué)院學(xué)報.2009，24(1):83－86.

［8］ ZHAO Ruizhen，HU Zhanyi.Solar radio burst textured image in wavelet NeighShrink elimination method［J］.Spectroscopy and Spectral Analysis，2007，27(1):198 －201.(in Chinese)趙瑞珍，胡占義.太陽射電爆發(fā)中圖像網(wǎng)紋消除的小波NeighShrink方法［J］.光譜學(xué)與光譜分析，2007，27(1):198－201.

［9］ FAN Jia.Target recognition based laser imaging satellites［D］.Beijing:Academy of Equipment Command＆ Technology，2009:35 －39.(in Chinese)樊佳.基于激光成像的衛(wèi)星目標識別方法［D］.北京:裝備指揮技術(shù)學(xué)院，2009:35－39.

［10］ HU Wei.Feature space-based 3D object recognition method［D］.Wuhan:Huazhong University of Science and Technology，2004:43 －50.(in Chinese)胡薇.基于特征空間的3D目標識別方法研究［D］.武漢:華中科技大學(xué)，2004:43－50.

［11］ WANG Guoyin.Rough set theory and knowledge acquisition［M］.Xi’an:Xi’an Jiaotong University Press，2001:57 －82.(in Chinese)王國胤.Rough集理論與知識獲?。跰］.西安:西安交通大學(xué)出版社，2001:57－82.

［12］ WANG Zhijun.Rough set rules minimalist approach in pattern recognition ［J］.MicrocomputerApplications，2009，30(5):1 －4.(in Chinese)王智君.粗糙集規(guī)則簡約的方法在模式識別中的應(yīng)用［J］.微計算機應(yīng)用.2009，30(5):1 －4.

［13］ LI Yingchun，ZHU Shibin，YANG sheng.Quick recognition and relative minimum distances filtering recognition based on noisy-robust rough Set［C］.The 2nd International Conference on Information Technology and Computer Science，Kiev，Ukraine，2010:73 －77.