CN105279388B - 多层云计算框架协同的孕龄新生儿脑病历集成约简方法 - Google Patents
多层云计算框架协同的孕龄新生儿脑病历集成约简方法 Download PDFInfo
- Publication number
- CN105279388B CN105279388B CN201510791062.3A CN201510791062A CN105279388B CN 105279388 B CN105279388 B CN 105279388B CN 201510791062 A CN201510791062 A CN 201510791062A CN 105279388 B CN105279388 B CN 105279388B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- elite
- mtd
- leader
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
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。
Description
技术领域:
本发明涉及到医学信息智能处理领域,具体来说涉及一种多层MapReduce协同的孕龄新生儿脑病历集成约简方法。
背景技术:
随着大数据时代的到来,在电子病历数据库中,电子病历医疗数据中心节点的规模动辄几万甚至几十万,数据中心存储的医疗数据以PB甚至EB计,其规模呈现爆炸式增长,不断积累的各类电子病历医疗数据对其存储分析、医疗规则与知识获取技术等提出了严峻的挑战。电子病历医疗数据中蕴含有价值的医学规则与知识成为人们存储和处理病历数据的驱动力,因此如何缩短大规模海量电子病历处理时间、提高医学规则提取效率等,越来越多引起相关研究者关注。
孕龄新生儿脑病历是一种特殊电子病历:孕龄新生儿出生时间大概范围为(28±1.5)weeks,其脑组织边界和拓扑结构尚未完全形成,白质外面覆盖着大量灰质,而灰质众多褶皱面起伏形成沟回,脑沟内充满着脑脊,另外液脑室系统体积形态变化量较大,运动伪影较明显,导致不同脑组织的灰度值分布易形成较多的重叠,因此孕龄新生儿脑病历各软组织间边界比一般电子病历具有更强的模糊性和不连续性,对其快速、准确和鲁棒地分割是一件比较困难的事。
MapReduce是典型分布式并行的云计算框架,目前云计算在各行业应用的快速发展,Google Health平台已将云计算框架引入医疗领域,在Google推动下,云计算技术在医疗领域得到一定发展和应用,一些企业也相继推出了云医疗平台,如IBM的智慧医疗服务、Cisco的区域医疗远程协作平台和华为的健康云解决方案等,均在医疗领域得到一定应用。但目前这些平台对电子病历的使用还只是在原有病历数据仓库基础上做简单资源整合与共享,对云计算环境下孕龄新生儿脑病历知识约简、诊断规则挖掘以及智能化临床决策支持服务等相关研究还相对较少。
发明内容:
本发明的目的是提供一种具有较高的约简效率、准确性和稳定性的多层MapReduce协同的孕龄新生儿脑病历集成约简方法。
本发明通过以下的技术方案实现的:
一种多层MapReduce协同的孕龄新生儿脑病历集成约简方法,具体步骤如下:
A.构造n个进化神经网络子种群Neuro-subpopulation1,…,Neuro-subpopulationi,…,Neuro-subpopulationn-1,Neuro-subpopulationn,将第i个子种群Neuro-subpopulationi分成n个模因组Memeplexij,j=1,2,…,n,在每个模因组Memeplexij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n个精英中选出第i个子种群Neuro-subpopulationi最优适应度的精英个体Elitist_leaderi,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n个进化神经网络子种群中,提取出第i个子种群Neuro-subpopulationi最优带权裕度WCi,以及Neuro-subpopulationi的精英Elitist_leaderi和Elitist_followerj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
本发明的进一步改进在于: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-subpopulationi中,使Neuro-subpopulationi在其进化空间能优化脑病历组织Brain-EMRi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-subpopulationi分配其精英Elitist_leaderi的最优带权裕度WCi为
式中为第i个精英Elitist_leaderi的适应度,为第j个精英Elitist_followerj的适应度,k为神经子种群Neuro-subpopulationi中精英Elitist_followerj的总个数;
c.神经子种群Neuro-subpopulationi中精英Elitist_leaderi以自适应概率pi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,pi定义为
式中
d.执行第i个神经子种群Neuro-subpopulationi中两类精英的合并优化,精英Elitist_leaderi将以加速因子sf(ri)合并相应的精英Elitist_followerj,sf(ri)定义为
其中参数q1和q2的范围为(0,1),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
其中第i个分配集为
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-subpopulationi中精英迭代时获取的反馈信息来调整Φ(x)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)|孕龄新生儿脑病历组织属性特征总数,|R(x)|为属性子集长度,γC(D)为脑组织决策属性D对条件属性C依赖度,λi第i个神经子种群Neuro-subpopulationi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Elitist_leaderi自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Elitist_leaderi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n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
本发明的进一步改进在于: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:Layer1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∩运算,Layer3层为各神经子种群精英求乘积∏运算,以及Layer4层为各神经子种群精英求和集∑运算;
b.计算第i个神经子种群Neuro-subpopulationi中精英Elitist_leaderi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Elitist_leaderi当前最优位置,为第j个精英Elitist_followerj当前最优位置,为精英Elitist_leaderi的最优适应度,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Elitist_leaderi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(Elitist_leaderi)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-subpopulationi的精英能量矩阵NSMP为
其中Eni=Energy(Elitist_leaderi),i=1,2,…,n,j=1,2,…,n;
d.对神经子种群精英Elitist_leaderi构建云计算MapReduce框架下协同化操作算子<keyi,valuei>如下:
valuei=keyi·WCi,
式中pi为精英Elitist_leaderi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_leaderi的带权裕度;
e.在协同化操作算子<keyi,valuei>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;
f.计算各神经子种群中每个精英Elitist_leaderi的能量值Energy(Elitist_leaderi),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RC1,RC2,…,RCi,…,RCn,最终取得孕龄新生儿脑病历Brain-EMRi的属性约简集为
本发明与现有技术相比具有如下优点:
1.较稳定的脑电子病历全局约简优势解:
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。以往研究虽开展了利用MapReduce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这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MapReduce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,以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。
2.较强的可共享性与可扩展性:
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MapReduce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。
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心不同的节点上,构建若干个大规模的新生儿脑病历医疗数据中心,实现大规模海量病历数据分布存储、组织和管理,以支持海量脑电子病历的并行协同处理。将云计算多层MapReduce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、容错性以及成本控制等。
附图说明
图1为本发明的总体结构图;
图2为本发明的实现流程图;
图3为基于MapReduce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
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以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。
本发明具体通过以下的技术方案实现的:
一种多层MapReduce协同的孕龄新生儿脑病历集成约简方法,具体步骤如下:
A.构造n个进化神经网络子种群Neuro-subpopulation1,…,Neuro-subpopulationi,…,Neuro-subpopulationn-1,Neuro-subpopulationn,将第i个子种群Neuro-subpopulationi分成n个模因组Memeplexij,j=1,2,…,n,在每个模因组Memeplexij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n个精英中选出第i个子种群Neuro-subpopulationi最优适应度的精英个体Elitist_leaderi,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n个进化神经网络子种群中,提取出第i个子种群Neuro-subpopulationi最优带权裕度WCi,以及Neuro-subpopulationi的精英Elitist_leaderi和Elitist_followerj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
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-subpopulationi中,使Neuro-subpopulationi在其进化空间能优化脑病历组织Brain-EMRi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-subpopulationi分配其精英Elitist_leaderi的最优带权裕度WCi为
式中为第i个精英Elitist_leaderi的适应度,为第j个精英Elitist_followerj的适应度,k为神经子种群Neuro-subpopulationi中精英Elitist_followerj的总个数;
c.神经子种群Neuro-subpopulationi中精英Elitist_leaderi以自适应概率pi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,pi定义为
式中
d.执行第i个神经子种群Neuro-subpopulationi中两类精英的合并优化,精英Elitist_leaderi
将以加速因子sf(ri)合并相应的精英Elitist_followerj,sf(ri)定义为
其中参数q1和q2的范围为(0,1),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
其中第i个分配集为
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-subpopulationi中精英迭代时获取的反馈信息来调整Φ(x)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)|孕龄新生儿脑病历组织属性特征总数,|R(x)|为属性子集长度,γC(D)为脑组织决策属性D对条件属性C依赖度,λi第i个神经子种群Neuro-subpopulationi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Elitist_leaderi自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Elitist_leaderi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n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
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:Layer1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∩运算,Layer3层为各神经子种群精英求乘积∏运算,以及Layer4层为各神经子种群精英求和集∑运算;
b.计算第i个神经子种群Neuro-subpopulationi中精英Elitist_leaderi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Elitist_leaderi当前最优位置,为第j个精英Elitist_followerj当前最优位置,为精英Elitist_leaderi的最优适应度,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Elitist_leaderi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(Elitist_leaderi)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-subpopulationi的精英能量矩阵NSMP为
其中Eni=Energy(Elitist_leaderi),i=1,2,…,n,j=1,2,…,n;
d.对神经子种群精英Elitist_leaderi构建云计算MapReduce框架下协同化操作
算子<keyi,valuei>如下:
valuei=keyi·WCi,
式中pi为精英Elitist_leaderi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_leaderi的带权裕度;
e.在协同化操作算子<keyi,valuei>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;
f.计算各神经子种群中每个精英Elitist_leaderi的能量值Energy(Elitist_leaderi),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RC1,RC2,…,RCi,…,RCn,最终取得孕龄新生儿脑病历Brain-EMRi的属性约简集为
本发明公开了一种多层MapReduce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MapReduce协同神经子种群Neuro-subpopulationi结构,提取出各神经子种群精英最优带权裕度WCi,并通过MapReduce结构将大规模不同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,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_leaderi采用集成方法进行脑病历曲面Sub_curvei的协同集成化约简,达到各自分割曲面的最优约简集最后提取出孕龄新生儿脑病历全局最优属性约简集RedEnsemble。本发明利用云计算环境下多层MapReduce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。
最后应说明的是:虽然以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以进行各种改变、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,根据本发明可以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这样的过程、设备、手段、方法或者步骤。
Claims (3)
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n个进化神经网络子种群Neuro-subpopulation1,…,Neuro-subpopulationi,…,Neuro-subpopulationn-1,Neuro-subpopulationn,将第i个子种群Neuro-subpopulationi分成n个模因组Memeplexij,j=1,2,…,n,在每个模因组Memeplexij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n个精英中选出第i个子种群Neuro-subpopulationi最优适应度的精英个体Elitist_leaderi,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n个进化神经网络子种群中,提取出第i个子种群Neuro-subpopulationi最优带权裕度WCi,以及Neuro-subpopulationi的精英Elitist_leaderi和Elitist_followerj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
<mrow>
<msup>
<mi>RED</mi>
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>s</mi>
<mi>e</mi>
<mi>m</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msup>
<mo>=</mo>
<munderover>
<mrow>
<mi></mi>
<mo>&cup;</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>{</mo>
<msubsup>
<mi>Red</mi>
<mi>i</mi>
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>s</mi>
<mi>e</mi>
<mi>m</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msubsup>
<mo>}</mo>
<mo>.</mo>
</mrow>
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-subpopulationi中,使Neuro-subpopulationi在其进化空间能优化脑病历组织Brain-EMRi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-subpopulationi分配其精英Elitist_leaderi的最优带权裕度WCi为
<mrow>
<msub>
<mi>WC</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mfrac>
<mo>|</mo>
</mrow>
<mo>,</mo>
</mrow>
式中为第i个精英Elitist_leaderi的适应度,为第j个精英Elitist_followerj的适应度,k为神经子种群Neuro-subpopulationi中精英Elitist_followerj的总个数;
c.神经子种群Neuro-subpopulationi中精英Elitist_leaderi以自适应概率pi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,pi定义为
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>WC</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mfrac>
<mo>|</mo>
</mrow>
<mo>,</mo>
</mrow>
式中
<mrow>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>WC</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mrow>
<mrow>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
d.执行第i个神经子种群Neuro-subpopulationi中两类精英的合并优化,精英Elitist_leaderi将以加速因子sf(ri)合并相应的精英Elitist_followerj,sf(ri)定义为
<mrow>
<mi>s</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&rho;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
</mrow>
其中参数q1和q2的范围为(0,1),e为指数常量3.1415,
<mrow>
<msub>
<mi>&rho;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
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
<mrow>
<mi>&Delta;</mi>
<mo>=</mo>
<mo>{</mo>
<mover>
<msub>
<mi>&delta;</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<mover>
<msub>
<mi>&delta;</mi>
<mn>2</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mover>
<msub>
<mi>&delta;</mi>
<mi>n</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>}</mo>
<mo>,</mo>
</mrow>
其中第i个分配集为
<mrow>
<mover>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mfrac>
</mrow>
<mi>n</mi>
</mfrac>
<mo>,</mo>
</mrow>
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-subpopulationi中精英迭代时获取的反馈信息来调整Φ(x)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:
<mrow>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>|</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>C</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中为|C(x)|孕龄新生儿脑病历组织属性特征总数,|R(x)|为属性子集长度,γC(D)为脑组织决策属性D对条件属性C依赖度,λi第i个神经子种群Neuro-subpopulationi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:
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<msqrt>
<mrow>
<mi>s</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo>,</mo>
</mrow>
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Elitist_leaderi自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Elitist_leaderi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n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
<mrow>
<mi>C</mi>
<mi>u</mi>
<mi>r</mi>
<mi>v</mi>
<mi>e</mi>
<mo>=</mo>
<munderover>
<mrow>
<mi></mi>
<mo>&cup;</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>S</mi>
<mi>u</mi>
<mi>b</mi>
<mo>_</mo>
<msub>
<mi>curve</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
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:Layer1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∩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∑运算;
b.计算第i个神经子种群Neuro-subpopulationi中精英Elitist_leaderi与各个Elitist_followerj之间的交叉能量值,计算公式如下:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>e</mi>
<mi>r</mi>
<mi>g</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>0.6</mn>
<mo>*</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>s</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1.4</mn>
<mo>*</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>s</mi>
<mi>a</mi>
<mi>m</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>n</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中为第i个精英Elitist_leaderi当前最优位置,为第j个精英Elitist_followerj当前最优位置,为精英Elitist_leaderi的最优适应度,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Elitist_leaderi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(Elitist_leaderi)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-subpopulationi的精英能量矩阵NSMP为
<mrow>
<mi>N</mi>
<mi>S</mi>
<mi>M</mi>
<mi>P</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>En</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
<mtd>
<msubsup>
<mi>&pi;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>&pi;</mi>
<mn>1</mn>
<mi>n</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&pi;</mi>
<mn>2</mn>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<mrow>
<msub>
<mi>En</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>&pi;</mi>
<mn>2</mn>
<mi>n</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&pi;</mi>
<mi>n</mi>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&pi;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>En</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中Eni=Energy(Elitist_leaderi),i=1,2,…,n,j=1,2,…,n;
d.对神经子种群精英Elitist_leaderi构建云计算MapReduce框架下协同化操作算子<keyi,valuei>如下:
<mrow>
<msub>
<mi>key</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>|</mo>
<mrow>
<mi>N</mi>
<mi>S</mi>
<mi>M</mi>
<mi>P</mi>
</mrow>
<mo>|</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>follower</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
<mi>i</mi>
<mi>t</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mo>_</mo>
<msub>
<mi>leader</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mfrac>
<mo>|</mo>
</mrow>
<mo>,</mo>
</mrow>
valuei=keyi·WCi,
式中pi为精英Elitist_leaderi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_leaderi的带权裕度;
e.在协同化操作算子<keyi,valuei>下,计算出每个孕龄新生儿脑病历Brain-EMRi决策表的等价类,然后混合和合并相同等价类;
f.计算各神经子种群中每个精英Elitist_leaderi的能量值Energy(Elitist_leaderi),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RC1,RC2,…,RCi,…,RCn,最终取得孕龄新生儿脑病历Brain-EMRi的属性约简集为
<mrow>
<msubsup>
<mi>Red</mi>
<mi>i</mi>
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>s</mi>
<mi>e</mi>
<mi>m</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mrow>
<mi></mi>
<mo>&cap;</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>{</mo>
<msub>
<mi>RC</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
<mo>.</mo>
</mrow>
4
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510791062.3A CN105279388B (zh) | 2015-11-17 | 2015-11-17 | 多层云计算框架协同的孕龄新生儿脑病历集成约简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510791062.3A CN105279388B (zh) | 2015-11-17 | 2015-11-17 | 多层云计算框架协同的孕龄新生儿脑病历集成约简方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279388A CN105279388A (zh) | 2016-01-27 |
CN105279388B true CN105279388B (zh) | 2017-11-17 |
Family
ID=55148391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510791062.3A Active CN105279388B (zh) | 2015-11-17 | 2015-11-17 | 多层云计算框架协同的孕龄新生儿脑病历集成约简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279388B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599583B (zh) * | 2016-12-16 | 2018-11-16 | 南通大学 | 一种用于中医病历辨证诊断的属性圆盘轮转方法 |
CN108446740B (zh) * | 2018-03-28 | 2019-06-14 | 南通大学 | 一种用于脑影像病历特征提取的多层一致协同方法 |
CN110867224B (zh) * | 2019-10-28 | 2022-02-08 | 南通大学 | 用于大规模脑病历分割的多粒度Spark超信任模糊方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682210A (zh) * | 2012-05-08 | 2012-09-19 | 南通大学 | 一种用于电子病历属性约简的自适应蛙群进化树设计方法 |
CN103838972A (zh) * | 2014-03-13 | 2014-06-04 | 南通大学 | 一种用于mri病历属性约简的量子协同博弈实现方法 |
CN104615892A (zh) * | 2015-02-10 | 2015-05-13 | 南通大学 | 一种用于特殊中医病历诊断规则挖掘的多层精英角色方法 |
CN104636628A (zh) * | 2015-03-03 | 2015-05-20 | 南通大学 | 基于三层交叉博弈能量树的脑波病历信号约简方法 |
-
2015
- 2015-11-17 CN CN201510791062.3A patent/CN105279388B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682210A (zh) * | 2012-05-08 | 2012-09-19 | 南通大学 | 一种用于电子病历属性约简的自适应蛙群进化树设计方法 |
CN103838972A (zh) * | 2014-03-13 | 2014-06-04 | 南通大学 | 一种用于mri病历属性约简的量子协同博弈实现方法 |
CN104615892A (zh) * | 2015-02-10 | 2015-05-13 | 南通大学 | 一种用于特殊中医病历诊断规则挖掘的多层精英角色方法 |
CN104636628A (zh) * | 2015-03-03 | 2015-05-20 | 南通大学 | 基于三层交叉博弈能量树的脑波病历信号约简方法 |
Non-Patent Citations (3)
Title |
---|
A Parallel Minimum Attribute Co-reduction Accelerator based on Quantum-inspired SFLA and Mapreduce Framework;Weiping Ding 等;《Proceedings of International MultiConference of Engineers and Computer Scientists 2015》;20150320;第1卷;第1-6页 * |
基于种群混合协同联盟的属性量子博弈均衡约简;丁卫平 等;《电子学报》;20150131;第43卷(第1期);第45-53页 * |
基于量子云模型演化的最小属性约简增强算法;丁卫平 等;《东南大学学报(自然科学版)》;20130331;第43卷(第2期);第290-295页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105279388A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Masmoudi et al. | A hybrid genetic algorithm for the heterogeneous dial-a-ride problem | |
Otero et al. | Inducing decision trees with an ant colony optimization algorithm | |
Senne et al. | A branch-and-price approach to p-median location problems | |
Batty | On planning processes | |
Mafarja et al. | A fuzzy record-to-record travel algorithm for solving rough set attribute reduction | |
CN105279388B (zh) | 多层云计算框架协同的孕龄新生儿脑病历集成约简方法 | |
CN109567793A (zh) | 一种面向心律不齐分类的ecg信号处理方法 | |
Wu et al. | Learning and self-instruction expert system for Yoga | |
Anitha et al. | Neural network and rough set hybrid scheme for prediction of missing associations | |
El Fouki et al. | Intelligent adapted e-learning system based on deep reinforcement learning | |
CN109949010A (zh) | 基于信息系统整合的大数据的医院高层次人才测评系统 | |
Taetragool et al. | NeSS: A modified artificial bee colony approach based on nest site selection behavior | |
Thepphakorn et al. | Modified and hybridised bi-objective firefly algorithms for university course scheduling | |
Chavira et al. | A multicriteria outranking modeling approach for personnel selection | |
Papageorgiou | A novel approach on constructed dynamic fuzzy cognitive maps using fuzzified decision trees and knowledge-extraction techniques | |
Huang | [Retracted] Facility Layout Optimization of Urban Public Sports Services under the Background of Deep Learning | |
Bolaji et al. | The effect of neighborhood structures on examination timetabling with artificial bee colony | |
CN107256342A (zh) | 用于电子病历知识约简效能评估的多种群协同熵级联方法 | |
ESNAF et al. | Solving Uncapacitated Planar Multi-facility Location Problems by a Revised Weighted Fuzzy c-means Clustering Algorithm. | |
CN106023030A (zh) | 一种用于异常脑组织病历分类的自适应分层邻域半径方法 | |
CN114722217A (zh) | 一种基于链接预测和协同过滤的内容推送方法 | |
Vassy et al. | Correlation clustering of stable angina clinical care patterns for 506 thousand patients | |
Ghiasvand Ghiasi et al. | Multi-depot home health care routing and scheduling problem with multimodal transportation: Mathematical model and solution methods | |
Lei et al. | Fairness evaluation method of resource allocation based on BPSO multidimensional perspective | |
Fares et al. | Solving capacitated vehicle routing problem with route optimisation based on equilibrium optimiser algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230810 Address after: 226000 Jiangsu city of Nantong province sik Road No. 9 Patentee after: Nantong University Technology Transfer Center Co.,Ltd. Address before: 226000 No. 9 Siyuan Road, Chongchuan District, Nantong City, Jiangsu Province Patentee before: NANTONG University |
|
TR01 | Transfer of patent right |