η个模因组Memeplex j = 1, 2,…，n，在每个模因组MemepleXi#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 子种群如111'〇-8油口(^11131:;[〇1^最优适应度的精英个体Elitist_leader i，以及次优适应度 精英个体 Elitist_followerj; B. 在云计算MapReduce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Neuro-subpopulatiorii最优带权裕度WC ;，以及 Neuro-subpopulationjtl精英 Elitist_leader ;和 Elitist_follower j分别优化脑病历组 织Brain-EMRi，从而取得各自最佳分割曲面； 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MapReduce框架下进行脑病历曲面Sub_curvei的集成化协同约简，达到各自分 割曲面的最优约简集D. 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； E. 输出孕龄新生儿脑病历组织集成约简的全局最优集为2. 根据权利要求1所述一种多层MapReduce协同的孕龄新生儿脑病历集成约简方法， 其特征在于：所述步骤B的具体步骤如下： a. 将孕龄新生儿脑病历Brain-EMRi分配到相应的神经子种群Neuro-subpopulation ; 中，使Neuro-subpopulatiorii在其进化空间能优化脑病历组织Brain-EMR ;中相应的白质、 灰质和脑脊液曲面； b. 在云计算MapReduce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Neuro-subpopulatiorii分配其精英Elitist_leader ;的最优带权裕度WC ;为式中为第i个精英Elitistjeaden的适应度，为第j个精 英 Elitist_followerj的适应度，k 为神经子种群 Neuro-subpopulation ;中精英 Elitist_ followerj的总个数； c. 神经子种群Neuro-subpopulatiorii中精英Elitist_leader ;以自适应概率p ;优化 孕龄新生儿脑病历Brain-EMRi中第i个白质、灰质和脑脊液曲面，p ;定义为d. 执行第i个神经子种群Neuro-subpopulatiorii中两类精英的合并优化，精英 Elitistjeader;将以加速因子sf (r ;)合并相应的精英Elitist_followerj，sf (rj定义为其中参数qJP q 2的范围为（〇, 1)，e为指数常量3. 1415，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^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^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； f. 设计自适应强化约束罚函数Φ (X)，根据第i个Neuro-subpopulatiorii*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 搜索迭代次数，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：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，yc(D) 为脑组织决策属性D对条件属性C依赖度，λ ;第i个神经子种群Neuro-subpopulation ; 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：罚函数φ (X)大小将随时间和精英搜索过程反馈的信息而进行自适应调整，从而有效 提高精英Elitistjeaderig适应控制脑组织属性搜索空间范围，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Elitistjeader;较好 地分割出白质、灰质和脑脊液曲面Sub_curvei; 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3.根据权利要求1所述一种多层MapReduce协同的孕龄新生儿脑病历集成约简方法， 其特征在于：所述步骤C具体步骤如下： 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，Layer5为输出层，其中Layer2层为各神经子种 群精英求交集Π 运算，Layer3层为各神经子种群精英求乘积Π 运算，以及Layer4层为各神 经子种群精英求和集Σ运算； b. 计算第i个神经子种群Neuro-subpopulatiorii中精英Elitist_leader ;与各个 Elitist_followerj之间的交叉能量值，计算公式如下：式中为第i个精英Elitistjeadeni前最优位置，为第j个 精英Elitist_followerj当前最优位置，为精英Elitistjeaderj^最优适 应度为精英Elitist_followerj的最优适应度，same ()函数的计算方法为该精英能量用于刻画精英Elitistjeader;的优化能力，其值与神经子种群精英当前 最优位置以及当前最优适应度有关，可见Energy^litistjeaderi)阈值范围为[0,1];该 精英能量阈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搜索能力，后期则侧重具有局部曲面精化能力； c. 提取神经子种群Neuro-subpopulationj^精英能量矩阵NSMP为其中1，2,…，η ; d. 对神经子种群精英Elitistjeader;构建云计算MapReduce框架下协同化操作 算子〈key;, value;〉如下：式中Pi为精英Elitistjeadeh自适应概率Pl，|NSMP|为神经子种群精英能量矩阵值， WQ为精英ElitiSt_leaderi的带权裕度； 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-EMR^ 策表的等价类，然后混合、合并相同等价类； f. 计算各神经子种群中每个精英Elitist_leaderj/；]能量值Energy (Elitist_ 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_curvei属性重 要性计算； g. 最优能量精英在MapReduce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Sub_curvei的约简集为RC d RC2，…，RQ，…，RCn，最终取得孕龄新生儿脑病历 Brain-EMRj^]属性约简集为
【专利摘要】本发明公开了一种多层云计算框架协同的孕龄新生儿脑病历集成约简方法。该方法首先构造多层MapReduce协同神经子种群Neuro-subpopulationi结构，提取各神经子种群精英最优带权裕度WCi，并通过MapReduce将大规模脑病历组织属性自适应划分至n个协同进化的神经子种群中，并取得不同脑病历组织最佳分割曲面；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，各神经子种群最优能量精英Elitist_leaderi进行脑病历曲面Sub_curvei的集成化协同约简，达到各自分割曲面的最优约简集最后提取出脑病历组织的全局最优属性约简集RedEnsemble。本发明利用云计算环境下多层MapReduce框架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效率和精度，对其脑病历特征选择、规则提取和临床决策支持服务等具有重要的意义。
【IPC分类】G06F19/00, G06N3/02
【公开号】CN105279388
【申请号】CN201510791062
【发明人】丁卫平, 陈森博, 王杰华, 李跃华, 管致锦, 董建成, 沈学华, 程学云, 缪雪晴, 顾颀, 高峰
【申请人】南通大学
【公开日】2016年1月27日
【申请日】2015年11月17日