互联网技术日益发展的情形之下,研究者们对于数据探索方面的激情愈加浓烈。“概念漂移探测”作为目前热门的一个研究方向,越来越被相关行业人员关注。概念漂移的现象和许多不确定性变化存在于大数据、数据流中。数据异构性是大数据中一种潜在的特性,目前相关研究大多数局限于同构数据方面,并没有从真正意义上考虑到异构数据(条件属性集不同)概念漂移的情况,很少使用真实的实验数据来佐证相应文章的观点。粗糙集理论的研究重点之一是不确定性分析。除F-粗糙集模型之外,现存的粗糙集理论模型几乎是静态或半静态的,而这些模型大多数能够适用于各种不确定性的研究,但在处理这些不确定性所带来的改变时却无法被用在探测概念漂移之上。本文的研究内容为:一方面针对异构数据的研究,探讨了粗糙集属性约简的本质,提出了概念属性约简的定义,兼容了 Pawlak约简、值约简以及并行约简。研究了概念属性约简的性质,提出了异构数据的属性约简方法和概念漂移探测方法。文章中还针对异构数据概念漂移的研究进行了实验验证,通过现实生活中真实有效的异构数据来完善文章中的观点,理论分析以及实验操作来佐证文中方法的有效性,这为粗糙集与粒计算融入大数据时代潮流提供了一种崭新的方法。另一方面本文结合了粗糙集、概念漂移、粒计算、数据流及F-粗糙集基本思想与性质,利用粗糙集中的上近似、下近似作为基础给出了全粒度粗糙集的完整定义,同时定义了上近似概念漂移、下近似概念漂移、上近似概念耦合、下近似概念耦合等内容,同时详细地探讨了其性质,分析了概念在知识系统内的全局变化。本文论述了概念在知识系统内可能存在的变化时,使用上近似簇、下近似簇作为理论工具。概念在不同情况下的同一性与差异性则是从图形的角度进行描述,同时还提出了决策表中的全粒度正区域概念漂移并且研究了其相关性质。在全粒度粗糙集的基础上又提出了全粒度绝对约简、全粒度值约简、全粒度Pawlak约简并且讨论了它们的相关性质。还探讨了属性约简的优势与弊端,发现属性约简会使得概念的表示变得异常单一,冗余属性则会使得概念表示变得更加丰富多样性。本文从认知论的角度结合粗糙集等基本工具分析了人类认识世界的局部性与全局性。全粒度粗糙集在某些特定背景之下还可以隐含的表示人类在认识方面的复杂多样性、不精确性、层次性和动态性。对于全粒度粗糙集的提出及研究其概念漂移性质可以对模拟人工智能提供一定的帮助。本文的创新点归纳如下:1.提出了概念(概念簇)的属性约简,兼容了值约简、Pawlak约简和并行约简,使得属性约简不仅仅可以针对结构相同的数据而且可以非常方便地在异构数据上实施。2.提出了异构数据概念漂移探测方法,定义了质概念漂移和量概念漂移,同时给出了计算方法。3.提出了全粒度粗糙集的概念及表示形式,使用图形的方式刻画全粒度粗糙集,并且研究了全粒度粗糙集中的概念漂移。