本书系统总结了作者近几年在稳健粗糙集建模及算法设计方面的研究成果。该书针对实际应用中不可避免的噪声问题分别论述了未考虑数据概率分布和充分利用数据概率分布的稳健粗糙集建模方法。其中，基于变精度、软距离和稳健统计量的粗糙集模型是在未考虑数据概率分布信息的前提下研究的稳健模型，概率模糊粗糙集是一种适用于服从不同概率分布的数据集的稳健模型。本书从应用出发，将提出的稳健粗糙集模型用于设计稳健分类与预测模型，提出了模糊粗糙决策树模型、稳健模糊粗糙分类模型、原型选择及稳健分类模型和模糊粗糙回归预测模型。最后， 本书将这些预测模型应用于太阳耀斑预报与风电预报，进一步验证稳健粗糙集模型及算法在实践中的稳健性和实用性。

海量的数据中隐藏了丰富的、有价值的知识。然而，数据中不一致、不精确、不完备等不确定性给知识发现带来了巨大挑战。粗糙集理论是波兰学者 Z.Pawlak于 20世纪 80年代提出的一种描述数据的不确定性的数学工具，能够有效地刻画不精确数据中的不一致性。 1990年，Dubois和 Prade针对 Pawlak粗糙集无法处理实值和模糊数据的缺陷，提出了模糊粗糙集模型，扩展了粗糙集理论的应用领域，提升了该理论解决实际问题的能力。粗糙集理论在近十余年里得到了迅速发展，成为不确定性建模和机器学习领域十分活跃的分支。 然而，无论是 Pawlak粗糙集，还是模糊粗糙集对数据噪声都十分敏感。在实际应用中，采集和存储的数据往往由于某种因素的影响存在不同程度的噪声。噪声的存在使得粗糙集的边界增大，降低了粗糙集理论处理不确定性的能力，严重制约了该理论在实际应用中的效果。粗糙集的稳健性问题成为该理论的研究热点之一。各国学者纷纷采取不同的措施改进粗糙集理论的稳健性能，拓展了经典粗糙集理论中的基本定义，提出了一些稳健的粗糙集模型。 本书根据应用中数据噪声的特点将稳健粗糙集模型划分为两大类：一类是不考虑数据概率分布信息的稳健模型，另一类是考虑数据概率分布信息的稳健模型。其中，基于可变精度的稳健粗糙集模型、基于软距离的稳健粗糙集模型和基于稳健统计量的模糊粗糙集模型是未考虑数据分布信息的稳健模型；概率模糊粗糙集模型是考虑噪声分布信息的稳健模型。本书不仅阐述了这些稳健粗糙集模型的基本性质，还设计了基于稳健粗糙集的分类方法。此外，本书以实际应用验证了稳健粗糙集模型的有效性。 理论始终是为实践服务的。本书的主要特...