文献综述
（一）课题研究的现状及发展趋势
粒计算是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法。它覆盖了所有有关粒度的理论、方法和技术，是复杂问题求解、海量数据挖掘、模糊信息处理的有力工具。粒计算，作为人类对复杂问题求解的一种认知模式，已经在知识发现、数据挖掘、图像处理等方面取得了重要的进展，显现出重大的应用价值。 目前，对于粒计算的研究主要集中在对粒计算的模型进行研究，包括模糊集、粗糙集和商空间。粒计算的发展将对大数据分析、计算生物学、社交网络分析、多粒度联合计算、认知计算以及粒计算形式化等多个方面发展产生重要的影响。
数据挖掘是信息科学技术中发展的一个比较热门的研究方向，是基于某种特定的算法对一些已知特征或未知特征的数据进行挖掘，依靠现有的数据可以发现数据其中隐藏的价值，它需要一定的数据库理论、数学基础、熟练掌握一种编程语言、会使用数据挖掘工具软件。数据挖掘中，关联规则挖掘和聚类是目前研究中比较重要的两个个方向。因为数据挖掘可以对数据像产品一样进行深加工，发现其中潜在的价值，因此数据挖掘得到了各研究人员和公司的强烈关注，在很多领域也取得了一定的发展。
近些年以来，将粒计算的相关理论运用到数据挖掘中，给了人们新的思路，把问题进行粒化，从而能够分而治之。对基于粒计算的数据挖掘算法的研究和应用是一个新的发展趋势。
一般在分析和解决问题中涉及分类、分组、聚类的知识，我们就可以认为是和粒计算相关的，可以结合粒计算的相关理论去解决。粒计算和数据挖掘这两个词汇也越发紧密的联系起来，形成了基于粒计算理论的数据挖掘算法的研究方向，并取得了一定的成果。实践证明，将粒计算理论应用于分类、聚类、关联规则、分组等方面，越来越有优越性，并能有效的提高我们在挖掘上面的时间和效率。
近些年以来，将粒计算的理论运用到数据挖掘中，给了人们新的思路，把问题进行粒化，从而能够分而治之。本课题主要对基于粒计算的数据挖掘算法进行研究和分析，并对其典型问题进行探讨、分析等，提出一种改进的基于粒计算的数据挖掘算法，从而能够提高算法运行的时间和效率，并将算法应用到图像处理当中。因此，本课题的研究有着重要的现实意义和价值。
以上是文献综述，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。
