t_followe；Tj之间的交叉能量值，计算公式如下：
[0043]
[0044]式中馬1跑1」如61；为第i个精英Elitist_leade；Ti当前最优位置，與撇_卿邮嗎为第j 个精英Elitist_followe;r.j当前最优位置，fEiitwje.a.c時为精英Elitist_leade；Ti的最优适 应度，（Eli侃为精英Elitist_followe；Tj的最优适应度，sameO函数的计算方法为
[0045] 该精英能量用于刻画精英Elitist_leaderi的优化能力，其值与神经子种群精 英当前最优位置W及当前最优适应度有关，可见化ergy巧litist_leade；Ti)阔值范围为 [0, 1];该精英能量阔值随着精英迭代进化而动态自适应调整，使得精英开展脑病历曲面 Sub_curvei约简初期具有较强的全局曲面捜索能力，后期则侧重具有局部曲面精化能力；
[0046] C.提取神经子种群化uro-subpopulatiorii的精英能量矩阵NSMP为
[0047]
[0048] 其中Εη;=linergy巧litist_leaderi)，
i= 1, 2, ···,η,j= 1，2,…，η ;
[0049] d.对神经子种群精英Elitist_leade；Ti构建云计算MapRe化ce框架下协同化操作 算子〈key;,value;〉如下：
[0050]
[0051] valuei=k巧i·WCi,
[0052]式中Pi为精英Elitistjeaderi自适应概率pi，|NSMP|为神经子种群精英能量矩 阵值，WCi为精英Elitist_leader1的带权裕度；
[0053] e.在协同化操作算子〈key;, value;〉下，计算出每个孕龄新生儿脑病历 Brain-EMRi决策表的等价类，然后混合、合并相同等价类；
[0054] f.计算各神经子种群中每个精英Elitist_leade；Ti的能量值化ergy巧 leader;)，选出最优能量的精英，将其用于求脑病历组织每个候选曲面Sub_cu;rvei属性重 要性计算；
[0055]g.最优能量精英在MapRe化ce框架下采用集成化方法分别求出各自最优候选脑 病历属性曲面集S址)_cu;rvei的约简集为RC1,贿2,…，RCi,…，RC。，最终取得孕龄新生儿脑病 历化曰山斗1氏的属性约简集为
[0056]
[0057] 本发明与现有技术相比具有如下优点：
[0058] 1.较稳定的脑电子病历全局约简优势解：
[0059] 本发明在云计算下使参与孕龄新生儿脑病历知识约简的各协同进化种群分部解 与全局优势解保持较好的一致性。W往研究虽开展了利用MapRe化ce技术将大规模数据 划分为若干个子决策表，然后分别对各子决策表计算正区域个数，选择最优单个候选属性， 重复进行从而获取约简集。然而对于孕龄新生儿脑病历运类特殊的不一致决策表，已有 方法并不能保证对各个子决策表计算的分部正区域与对整个决策表计算全局正区域是等 价的，且无法对较大的孕龄新生儿脑病历子决策表进行约简处理。本发明方法通过多层 MapRe化ce协同能较好划分孕龄新生儿脑病历中存在着相互依赖和关联的脑组织属性集， 通过确定最佳分解策略使各数据分片上协同种群知识约简效用均能达到全局优势最优，从 而稳定取得孕龄新生儿脑病历数据集合全局约简集，保证各神经子种群采用并行操作机制 协同提取知识约简集为所求目标的最优脑组织结构约简集，W进一步提高大规模孕龄新生 儿脑电子病历知识协同约简的稳定性。
[0060] 2.较强的可共享性与可扩展性：
[0061] 本发明充分发挥云计算特点与优势，避免目前各医疗系统平台中电子病历档案实 行跨机构管理获取与更新时面临的数据缺失或不一致性，具有较好的脑病历数据共享与集 成优点，该发明基于云计算多层MapRe化ce技术提供大规模电子病历并行知识约简智能处 理与服务，为医学病历多层面综合智能决策支持提供相关分析，在医疗辅助智能诊断和治 疗领域将具有较大的应用价值。
[0062]另外随着电子病历数据库中医疗数据规模不断增长，为了提高大规模孕龄新生儿 脑病历医疗数据处理效率，可利用云计算技术将海量孕龄新生儿脑病历数据分布存储到数 据中屯、不同的节点上，构建若干个大规模的新生儿脑病历医疗数据中屯、，实现大规模海量 病历数据分布存储、组织和管理，W支持海量脑电子病历的并行协同处理。将云计算多层 MapRe化ce技术应用于海量电子病历数据处理，可为用户提供可配置、可共享医疗资源的各 种不同医疗层次服务，实现大规模规模孕龄新生儿脑电子病历管理的扩展性、容错性W及 成本控制等。
【附图说明】
[0063] 图1为本发明的总体结构图；
[0064] 图2为本发明的实现流程图；
[0065] 图3为基于MapRe化ce协同精英的脑病历组织属性集成化约简示意图。
【具体实施方式】
[0066] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中 的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。在本发明的一种实施方式中描述的元素和特征可W与一个或更多个其它实 施方式中示出的元素和特征相结合。应当注意，为了清楚的目的，说明中省略了与本发明无 关的、本领域普通技术人员已知的部件和处理的表示和描述。基于本发明中的实施例，本领 域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明 保护的范围。
[0067] 本发明具体通过W下的技术方案实现的：
[0068] -种多层MapRe化ce协同的孕龄新生儿脑病历集成约简方法，具体步骤如下：
[0069]A.构造η个进化神经网络子种群化uro-subpopulatiorii,…，Neuro-subpopulati orii,…，Neuro-subpopulation。1,Neuro-subpopulatiorin,将第i个子 种群 Neuro-subpopulatiorii分成η个模因组Memeplexij,j= 1, 2,…，η,在每个模因组 Memeplexi,内进行进化个体适应度从大到小排序，选出最优适应度个体为该模因组精英，然 后在η个精英中选出第i个子种群化uro-subpopulatiorii最优适应度的精英个体Elitist_ leader;，W及次优适应度精英个体Elitist_followe;r.j;
[0070]B.在云计算MapRe化ce框架下将大规模孕龄新生儿脑病历组织划分到η个进化 神经网络子种群中，提取出第i个子种群化uro-subpopulatiorii最优带权裕度WCi，W及 化uro-subpopulatiorii的精英Elitistjeaderi和Elitist_followe;rj分别优化脑病历组 织化ain-EMRi，从而取得各自最佳分割曲面；
[0071]C.设计一种五层结构的神经网络优化模型，构造精英能量矩阵NSMP，神经子种群 最优能量精英在MapRe化ce框架下进行脑病历曲面Sub_cu;rvei的集成化协同约简，达到各 自分割曲面的最优约简集Red!胃e
[0072]化提取出孕龄新生儿脑病历全局最优约简集，并判断孕龄新生儿脑病历组织集成 约简结果是否满足约简精度要求，若满足，则输出脑病历组织集成约简集；否则，则转至步 骤B继续执行；
[0073]E.输出孕龄新生儿脑病历组织集成约简的全局最优集为
[0074]
[00巧]步骤B的具体步骤如下：
[007引 a.将孕龄新生儿脑病历Brain-EMRi分配到相应的神经子种群 P'Jeuro-subpopulationi中，使P'Jeuro-subpopulationi在其进化空间能优化脑病历组织Brain-EMR冲相应的白质、灰质和脑脊液曲面；
[0077]b.在云计算MapRe化ce框架下将带权裕度分配给相应的孕龄新生儿脑病历，第i个神经子种群化uro-subpopulationi分配其精英Elitist_leade；Ti的最优带权裕度WCi为
[0078]
[007引式中fei出stjeaderi为第i个精英Eli