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

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

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∏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_leader i)， 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