1.一种基于CUDA的属性约简方法，其特征在于，包括

步骤1：去除数据集中含有缺失值的数据对象，离散化连续的属性，生成决策表S＝(U,C∪D)，其中U＝{x1,x2,…,xn}代表对象集，C＝{c1,c2,…,cm}代表条件属性集，D代表决策属性集，n为对象的数量，m为条件属性的数量；

步骤2：计算U关于决策D的划分U/Ind(D)＝{D1,D2,...Dd}，Ind(D)表示对象在决策属性集D上的不可分辨关系， fa(x)和fa(y)分别是对象x和对象y在决策属性a上的取值；将U/Ind(D)＝{D1,D2,...Dd}映射到决策布尔矩阵，生成n行d列的决策布尔矩阵Fn×d＝(dij)n×d∈{0,1}，其中步骤3：设定候选的条件属性集 计算B的条件布尔矩阵Ee×n，其中B＝{b1,b2,…bp}且p≤m；包括步骤3.1：分配GPU显存空间，将CPU端的决策表S＝(U,C∪D)拷贝到GPU；

步骤3.2：在GPU端采用CUDA的Thrust库，将对象集U＝{x1,x2,…,xn}按照B＝{b1,b2,…bp}的取值在GPU端并行排序，生成排序后的序列T＝{x1′，x2′，…，xn′}和排序后的对象标号L＝{l1,l2,…,ln}，其中li∈{1,2,…n}表示xi′唯一的标识号；

步骤3.3：在GPU端启动CUDA的kernel核函数，使用多线程并行扫描排序后的序列T，判断相邻对象是否在候选的条件属性集B上满足不可分辨关系，生成T＝{x1′，x2′，…，xn′}关于B的布尔向量G＝{g1,g2,…,gn}，其中其中 fc(x)和fc(y)分别是对象x和对象y

在条件属性c上的取值；

步骤3.4：将布尔向量G＝{g1,g2,…,gn}和对象标号L＝{l1,l2,…,ln}从GPU端拷贝到CPU端；

步骤3.5：在CPU端计算U关于候选的条件属性集B的划分U/Ind(B)＝{E1,E2,…,Ee}，生成关于候选的条件属性集B的e行n列的条件布尔矩阵Ee×n＝(eij)e×n∈{0,1}，其中步骤4：计算候选的条件属性集B的属性重要度评价函数Θ(D|B)，包括步骤4.1：分配GPU显存空间，将条件布尔矩阵Ee×n和决策布尔矩阵Fn×d从CPU端拷贝到GPU端；在GPU端采用CUDA的cuSPARSE稀疏矩阵运算库，并行计算相交矩阵Ke×d＝Ee×n×Fn×d＝(kij)e×d，其中kij＝|Ei∩Dj|，|·|表示集合的基数；

步骤4.2：将属性重要度评价函数分解为 的形式，在GPU端启动CUDA

的kernel核函数，使用多线程并行计算每个评价子函数θ(ij)，包括基于正域θPR(ij)、基于Shannon熵θSCE(ij)、基于互补熵θLCE(ij)和基于组合熵θCCE(ij)评价子函数，如下：其中Kij＝Ei∩Dj， |·|表示集合的基数，d表示决策属性

的取值数量；

步骤4.3：在GPU端启动CUDA的kernel核函数，使用多线程对所有的评价子函数θ(ij)进行并行求和操作，得到候选的条件属性集B的属性重要度评价函数步骤5：初始化约简集 CAttr＝C，其中CAttr为中间局部变量；对任意的条件属性ci∈C，计算属性重要度评价函数Θ(D|C-{ci})；对任意的条件属性ci∈C，计算条件属性ci的内部属性重要度Siginner(ci,C,D)；如果Siginner(ci,C,D)＞0，则将条件属性ci添加到约简集Reduct中，并且从CAttr中删除条件属性ci，即Reduct＝Reduct∪{ci}，CAttr＝CAttr-{ci}；

步骤6：计算属性重要度评价函数Θ(D|Reduct)，如果||Θ(D|Reduct)-Θ(D|C)||＜ε，则得到最终的约简集Reduct，否则继续；其中ε为预先设定的阈值；

步骤7：对任意的条件属性ci∈CAttr，计算属性重要度评价函数Θ(D|Reduct∪{ci})；对任意的条件属性ci∈CAttr，计算条件属性ci的外部属性重要度Sigouter(ci,Reduct,D)；选择外部属性重要度最高的作为最优属性cj＝argmax{Sigouter(ci,Reduct,D)}；将最优属性cj添加到约简集Reduct中，并且从CAttr中删除最优属性cj对应的条件属性ci，即Reduct＝Reduct∪{ci},CAttr＝CAttr-{ci}，之后跳转到步骤6。

2.如权利要求1所述的一种基于CUDA的属性约简方法，其特征在于，所述步骤3.5还包括，将条件布尔矩阵Ee×n保存为CSR压缩存储格式。