基于物理信息神经网络的分数阶伤寒动力学及参数识别 Mallika Arjunan Mani, Kavitha Velusamy, Sowmiya Ramasamy, Seenith Sivasundaram

《Fractal and Fractional》:Fractional-Order Typhoid Fever Dynamics and Parameter Identification via Physics-Informed Neural Networks Mallika Arjunan Mani, Kavitha Velusamy, Sowmiya Ramasamy and Seenith Sivasundaram

【字体: 大 中 小 】 时间:2026年04月23日 来源:Fractal and Fractional 3.3

编辑推荐:

  伤寒传播动力学研究基于Caputo分数阶五 compartment模型,整合无症状传播、治疗效应及暂时性免疫衰减机制。通过分数阶Lyapunov理论和LaSalle不变原理分析平衡点渐近稳定性,计算参数敏感性指数。构建分数阶物理信息神经网络框架,验证模型参数可从稀疏合成观测中准确重构,并证明在Gaussian噪声下的鲁棒性。

  

摘要

本文提出了一种统一的分析和计算框架,用于研究由Caputo分数阶隔室模型控制的伤寒传播动态。该模型的阶数为?? ∈(0,1]。人群被划分为五个流行病学类别:易感者(??)、无症状者(??)、有症状者(?)、住院患者(?< />以及康复者(?。该模型明确考虑了无症状传播、治疗动态以及随时间减弱的临时免疫力。选择使用Caputo分数阶导数的原因是,已有大量文献记载存在慢性无症状的沙门氏菌伤寒携带者,他们处于携带状态下的长时间停留可以通过分数阶算子所对应的Mittag–Leffler等待时间分布来自然描述。对这一分数阶系统进行了全面的定性分析:通过下一代矩阵方法推导出了基本再生数;利用分数阶Lyapunov理论和LaSalle不变性原理证明了无病平衡状态(当时)和地方性平衡状态(当时)的局部和全局渐近稳定性;计算了的标准化敏感性指数,以识别促进或抑制传播的参数。通过Banach和Leray–Schauder不动点定理证明了解的存在性、唯一性和Ulam–Hyers稳定性。为了补充分析结果,还开发了一个基于分数阶物理知识的神经网络框架,该框架能够同时重建隔室模型轨迹并从稀疏的合成观测数据中识别未知生物参数。将L1-Caputo离散化直接融入训练残差中,并采用四阶段Adam–L-BFGS优化策略来恢复三个分数阶下的五个可训练参数 = 。在经典极限下,估计参数与真实值高度吻合(自然死亡率和传播率在所有分数阶下均得到准确估计),这证实了模型的结构可识别性。对学习到的参数进行成对相关性分析,证明了这些参数的多样性,验证了可以可靠地纳入可训练参数集合。在高斯扰动下进行的噪声鲁棒性实验表明,该框架具有良好的鲁棒性、和,且性能退化较为平缓,从而证明了该框架在现实观测条件下的可靠性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号