概念漂移探測是數據流挖掘的一個硏究重點，不確定性分析是粗糙集理論的硏究核心之一。大數據、數據流中存在不確定變化和概念漂移現象，但是，除F粗糙集外，幾乎所有的粗糙集模型都是靜態模型或半動態模型，專注于各種不確定性硏究，難以處理不確定性變化，也難以探測概念漂移。結合量子計算、數據流概念漂移和粗糙集、F-粗糙集的基本觀點，以上、下近似為工具，定義了知識系統中的全粒度粗糙集和上、下近似概念漂移，上、下近似概念耦合等概念，探討了全粒度粗糙集的性質，分析了知識系統內概念的全局變化。全粒度粗糙集繼承了 Pawlak粗糙集和F粗糙集的基本思想，以上、下近似簇為工具表示了概念在知識系統內的各種可能變化。用嵌套哈斯圖表示了概念不同情況下的同一性和差異性：同一層內的表示沒有發生概念漂移，不同層內的表示發生了概念漂移。以正區域為工具，定義了決策表中的全粒度正區域和概念漂移、概念耦合等概念，探究了全粒度正區域的性質，分析了決策表內整體概念的全局變化。全粒度正區域表示了決策表中各種可能情況下的正區域，用嵌套哈斯圖表示了正區域簇的同一性和差異性：同一層內沒有發生相對于正區域的概念漂移，不同層內發生了相對于正區域的概念漂移。在全粒度粗糙集意義下，定義了全粒度絕對簡、全粒度值約簡、全粒度 Pawlak約簡等屬性約簡，并探討其性質。與大部分的屬性約簡不同（僅僅與并行約簡和多粒度約簡類似），全粒度屬性約簡要求概念的所有可能表示不發生概念漂移。進一步探討了屬性約簡的優缺點，屬甡約簡使得概念的表示變得單一，冗余屬性的存在增加了概念表示的豐富性、多樣性。在認識論方面，以粗糙集和粒計算為工具分析了人類認識世界的局部性與全局性，對人類認識世界的方式進行了進一步探討。全粒度粗糙集在一定意義亦能夠表示人類認識的復雜性、不確定性、多樣性、層次性和動態性，在量子計算的幫助下能夠從一個粒度轉跳到一個粒度并且毫無困難。全粒度粗糙集的研究及其中的概念漂移探測為各種條件下的概念漂移探測和人類智能的模擬提供了有益的啟示。