tist_leaderi的适应度，f趾啤_foll。werJ为第j个精 英Elitist_followe；Tj的适应度，k为神经子种群化uro-subpopulationi中精英Elitist_followetj的总个数；
[0080]C.神经子种群化uro-subpopulatiorii中精英ElitistjeaderiW自适应概率Pi 优化孕龄新生儿脑病历化ain-EMI?i中第i个白质、灰质和脑脊液曲面，P1定义为
[0084]d.执行第i个神经子种群化uro-subpopulatiorii中两类精英的合并优化，精英 Elitist-leaderi
[0085] 将W加速因子sfb)合并相应的精英Elitist_followe;r.j，sfb)定义为
[0086]
[0087]其中参数和q2的范围为（0, 1)，e为指数常量3. 1415，
[0088]
[0089]e.构造孕龄新生儿脑病历组织属性白质、灰质和脑脊液曲面的分配集为
[0090]
[0091] 其中第i个分配集^为
[0092]
[0093] ξ值越小，孕龄新生儿脑病历组织属性之间交迭性越高，因此将需要分割脑病历 组织属性依据变量W值进行从大到小降序排序，使得脑病历组织的交迭性程度从低到高排 序，越排在前面病历组织的白质、灰质和脑脊液曲面越易分割；
[0094] f.设计自适应强化约束罚函数Φ(X)，根据第i个化uro-subpopulatiorii中精英 迭代时获取的反馈信息来调整φ(χ)中罚因子大小，降低孕龄新生儿脑病历组织曲面最优 解捜索迭代次数，从而进一步优化所求脑病历组织属性白质、灰质和脑脊液分割曲面精度，Φ(X)公式定义如下：
[0095]
[0096] 式中为|C(x)I孕龄新生儿脑病历组织属性特征总数，|R(x)I为属性子 集长度，丫e(D)为脑组织决策属性D对条件属性C依赖度，λι第i个神经子种群 Neuro-subpopulatiorii为罚因子，其将根据所求曲面目标解逼近最优解的程度而自适应调 整，其迭代公式如下：
[0097]
[009引罚函数Φ(X)大小将随时间和精英捜索过程反馈的信息而进行自适应调整，从而 有效提高精英Elitist_leaderi自适应控制脑组织属性捜索空间范围，提高孕龄新生儿脑 病历白质、灰质和脑脊液分割曲面收敛性能，有效排除噪声干扰，使精英Elitist_leaderi 较好地分割出白质、灰质和脑脊液曲面S址)_cu;rvei;
[0099]g.重复上述过程，直至η个进化神经网络子种群均取得各自最优脑组织曲面，输 出孕龄新生儿脑病历组织达到最佳分割曲面集合
[0100]
[0101] 步骤C具体步骤如下：
[0102] a.按照经典神经网络设计流程设计一种五层结构的神经网络优化模型：Layerl 为输入层，Layer2、Layer3和Layer4为隐藏层，Laye;r5为输出层，其中Layer2层为各神经 子种群精英求交集η运算，Layers层为各神经子种群精英求乘积Π运算，W及Layer4层为 各神经子种群精英求和集Σ运算；
[0103]b.计算第i个神经子种群化uro-subpopulatiorii中精英Elitistjeaderi与各 个Elitist_followe；Tj之间的交叉能量值，计算公式如下：
[0104]
[0105] 式中X醜istjeaaer,:为第i个精英Elitist_leadefi当前最优位置，.馬拠。樹1。5姆j:为第j 个精英Elitist_followe;r.j当前最优位置，feiitist leader,为精英Elitist_leade；Ti的最优适 应度，fei出st_foii〇、wr|为精英Elitist_followe；Tj的最优适应度，sameQ函数的计算方法为
[0106] 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； [0107] C.提取神经子种群P'Jeuro-subpopulationi的精英能量矩阵NSMP为
[010 引
[0109] 其中Εη;=linergy巧litist_leaderi):
i = 1, 2,···,η,j= 1，2,…，η ;
[0110] 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
[0111]算子〈key;, value;〉如下：
[0112]
[011引valuei= key i · WCi，
[0114]式中Pi为精英Elitist_leaderi自适应概率Pi，iNSMPi为神经子种群精英能量矩 阵值，WCi为精英Elitist_leader1的带权裕度；
[011引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；
[0116] f.计算各神经子种群中每个精英Elitist_leade；Ti的能量值linergy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；
[0117] 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
[011 引
[0119] 本发明公开了一种多层MapRe化ce协同的孕龄新生儿脑病历集成化约简方法。该 方法首先构造多层MapRe化ce协同神经子种群化uro-subpopulatiorii结构，提取出各神 经子种群精英最优带权裕度WCi，并通过MapRe化ce结构将大规模不同脑病历组织属性自 适应划分至η个协同进化的神经子种群中，直至不同脑病历组织划分达到各自最佳分割曲 面；然后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，使各神经子种 群精英Elitist_leade；Ti采用集成方法进行脑病历曲面S址i_cu;rvei的协同集成化约简，达 到各自分割曲面的最优约简集民础严6"?=清后提取出孕龄新生儿脑病历全局最优属性约简 集RecTembie。本发明利用云计算环境下多层MapRe化ce结构和协同神经子种群精英快速提 高大数据环境下孕龄新生儿脑病历约简的效率和精度，为实现大规模电子病历知识协同约 简、特征选择、规则提取和临床决策支持系统等提供较好的理论模型和求解算法支持。本发 明对云计算环境下的大规模孕龄新生儿脑病历智能处理和服务模式具有重要的意义，在医 疗辅助智能诊断和治疗领域将具有较大的应用价值。
[0120] 最后应说明的是：虽然W上已经详细说明了本发明及其优点，但是应当理解在不 超出由所附的权利要求所限定的本发明的精神和范围的情况下可W进行各种改变、替代和 变换。而且，本发明的范围不仅限于说明书所描述的过程、设备、手段、方法和步骤的具体实 施例。本领域内的普通技术人员从本发明的公开内容将容易理解，根据本发明可W使用执 行与在此所述的相应实施例基本相同的功能或者获得与其基本相同的结果的、现有和将来 要被开发的过程、设备、手段、方法或者步骤。因此，所附的权利要求旨在在它们的范围内包 括运样的过程、设备、手段、方法或者步骤。
【主权项】
1. 一种多层MapReduce协同的孕龄新生儿脑病历集成约简方法，其特征在于：具体步 骤如下： A. 构造 η 个进化神经网络子种群 Neuro-subpopulatiorii，…，Neuro-subpopulatiorii， ···, Neur〇-subpopulationn 1; Neur〇-subpopulationn,将第 i 个子种群 Neuro-subpopulati 〇叫分成