通过ANLLMB预测对分数阶疟疾模型进行计算分析,以洞察控制机制,并利用真实数据进行治疗

《Ain Shams Engineering Journal》:Computational approach through ANNLMB prediction on fractional order malaria model for control mechanism insight treatment with real data

【字体: 大 中 小 】 时间:2026年05月01日 来源:Ain Shams Engineering Journal 5.9

编辑推荐:

  穆罕默德·法尔曼|穆罕默德·瓦西姆|内齐哈尔·戈克布尔乌特|埃夫伦·欣卡尔|科塔卡兰·苏皮·尼萨尔|穆罕默德·哈菲兹 数学研究中心,近东大学数学系,土耳其梅尔辛10区尼科西亚99138 **摘要** 在这项研究中,我们利用医院数据和学术文章创建了一个分数阶疟疾模型,

  穆罕默德·法尔曼|穆罕默德·瓦西姆|内齐哈尔·戈克布尔乌特|埃夫伦·欣卡尔|科塔卡兰·苏皮·尼萨尔|穆罕默德·哈菲兹
数学研究中心,近东大学数学系,土耳其梅尔辛10区尼科西亚99138

**摘要**
在这项研究中,我们利用医院数据和学术文章创建了一个分数阶疟疾模型,以分析2014年至2022年北塞浦路斯的疟疾病例。研究重点关注模型解的存在性、唯一性、正性和有界性。通过下一代矩阵技术确定了平衡点并计算了基本再生数。使用Routh-Hurwitz和雅可比矩阵方法分析了平衡点的局部稳定性,并通过李雅普诺夫方法和LaSalle不变性原理证明了全局稳定性。我们对基本再生数的关键参数进行了敏感性分析,以反映疟疾的进展。该分数阶系统采用牛顿多项式插值方法离散化。为了进行未来预测和支持实证发现的应用,我们使用了带有Levenberg-Marquardt反向传播的人工神经网络(ANNLMB)随机技术。结果表明,该方法在模拟疟疾动态和预测严重后果方面是成功的,为具体行动和公共卫生措施提供了见解。

**1. 引言**
疟原虫寄生虫引起疟疾,这是一种由携带寄生虫的雌性按蚊传播的潜在致命传染病[1]。疟原虫属包含五种引起疟疾的物种,其中恶性疟原虫(Plasmodium falciparum)最为致命,而间日疟原虫(Plasmodium vivax)最为常见[2]。2022年,第三常见的疟原虫——疟原虫疟疾(Plasmodium malariae)导致了2.49亿例病例和60.8万人死亡,主要发生在非洲[3]。值得注意的是,在过去二十年里,疟疾的发病率和死亡率有所下降[3]。尽管采取了根除措施,撒哈拉以南非洲的疟疾流行率仍然稳定,但在COVID-19大流行期间,病例数从1.65亿增加到1.68亿[4]。一些地方性国家难以控制这种疾病,导致疟原虫疟疾和卵形疟原虫(Plasmodium ovale)的感染增加了两到六倍,而恶性疟原虫的病例数却有所下降[4]。由于全球人口流动和限制,COVID-19大流行减少了与旅行相关的疟疾感染;然而,从地方性地区返回的人可能面临更高的严重疟疾风险。2020-2021年的初步数据显示输入性疟疾病例减少,但2021年旅行限制的放宽导致病例数增加[5]。2019年达到8462例高峰后,2020年报告了432例确诊病例,2021年报告了4780例[5][6]。根据西班牙国家合作网络的报告,在COVID-19大流行期间,由于旅行增加,输入性疟疾病例数量上升,同时重症病例也显著增加[7]。COVID-19限制放宽后,一项关于恶性疟原虫的研究发现寄生虫血症、高寄生虫血症和重症疟疾的发病率更高[8]。由于COVID-19大流行和疟疾的症状相似,同时对抗这两种疾病极其困难。此外,COVID-19大流行增加了非洲的疟疾流行率,危及了数百万人的生命[9]。塞浦路斯位于东地中海,面积为9,251平方公里,是该地区继撒丁岛和西西里岛之后的第三大岛屿[10]。1946年4月至1949年7月实施的“疟疾根除计划”有效根除了在该国持续数百年的疟疾[11][12]。塞浦路斯没有地方性疟疾流行;所有病例都是从地方性国家输入的。根据北塞浦路斯土耳其族(TRNC)卫生部的数据,过去八年中北塞浦路斯发生了56例输入性疟疾病例[10]。此外,2016年至2020年间,南塞浦路斯报告了17例输入性疟疾病例[13][14][15]。

研究全球疾病动态,特别是基于社区的传染病,需要数学建模[16]。为了提高对传播和感染关系的理解,需要建模设计、参数估计和敏感性测试[17]。许多研究人员已经成功地用数学方法表示了各种病毒感染(例如[18][19][20][21][22][23])。数学建模对疟疾动态的洞察有助于开发有效的控制措施。然而,对这些模型的修改有时会导致控制努力失败[24]。人工神经网络(ANNs)通过允许系统从数据中获取洞察并做出假设,改变了机器学习[28]。虽然ANNs对流行病分析做出了重大贡献,但在识别疾病模式方面存在局限性,并且严重依赖于数据的质量和数量。尽管分组模型和AI模型在流行病管理方面具有能力,但它们的局限性表明结合这些模型可以提高性能,这是未来研究的一个有趣课题(例如[25][26][27])。研究人员正在使用分数微积分这一新的数学领域来克服基于经典导数的微分方程方法的局限性[28]。这种方法显著增强了数学建模,从而在各种科学领域中对实际情况进行了更精确的估计(例如[29][30][31][32][33])。Khan等人[34]创建了一个使用Atangana-Baleanu(AB)导数和非奇异核的分数阶模型。他们使用改进的Adams-Bashforth策略解决了该模型,采用迭代方法展示了AB数学模型的详细模拟结果,强调了记忆因子和模型参数在COVID-19传播和监测中的重要性。Yaagoub等人[2]创建了一个分数阶导数模型,以正确模拟包括治疗技术在内的多重菌株流感的动态。Kumar等人的研究[36]关注寄生蜂,这是一种被称为生物控制剂的膜翅目昆虫。他们提出了两种数值方法来解决分数阶模型:Adams-Bashforth-Moulton(ABM)和新型的Toufik-Atangana机制。为了更好地理解弓形虫病的传播和控制,Adel等人[37]设计了一个新的分数阶模型,准确模拟了人类、猫和老鼠种群之间的复杂相互作用。他们结合了广义分数阶Narayana多项式(FONPs)配置策略和准线性化技术(QLM),这种方法比直接矩阵配置方法更快更有效[38]。该研究[38]通过引入使用AB分数算子的捕食者-猎物-病原体系统分数模型,突出了新的结果。通过高效的数值方案,还展示了捕食者和猎物种群中的有趣混沌动态。Izadi等人[39]提出了一个使用Liouville-Caputo导数的分数阶模型,以研究药物成瘾的动态。他们应用了一种独特的域分解谱方法,结合第二类Dickson多项式和准线性化方法,成功解决了复杂的非线性系统[39]。基于Bessel多项式的两种数值技术解决了CD4 T细胞的分数阶HIV-1感染模型[40]。使用Levenberg-Marquardt反向传播算法(LBMQBP)优化的随机神经网络方法有效地精确模拟了传染病模型的非线性动态[41][42]。

分数微积分在模拟现实世界问题方面越来越重要,特别是在流行病学中。本研究旨在使用Liouville-Caputo导数创建一个数学框架,以说明北塞浦路斯疟疾的演变,该地区具有独特的社会动态和漫长的潜伏期。传统疟疾数学模型的计算负担使得难以充分描绘感染模式。为了克服这一问题,本文采用了基于神经网络的技术,结合了生物学、流行病学和分数阶因素。研究提出了一个包含人工神经网络和Levenberg-Marquardt反向传播的计算框架。通过计算提出的疟疾模型的AE指标,证明了ANN-LMB随机过程的准确性,使用Liouville-Caputo分数导数。这使得能够在群体层面高精度地建模疾病动态、治疗结果和恢复趋势,提高了准确性和计算效率。理解病毒传播动态和开发有效控制方法依赖于这项研究。本文的其余部分组织如下:(第2节)讨论了重要定义;(第3节)创建了确定性疟疾模型;(第4节)描述了所提出的疟疾数学模型的关键组成部分,如正性、有界性、存在性和唯一性;(第5节)确定了平衡点、敏感性分析和再生数(R0);(第6节)详细讨论了模型的局部和全局稳定性;(第7节)使用数值方法获得了解;(第8节)进行了模型数值模拟并进行了解释;(第9节)提出了一个使用人工神经网络和Levenberg-Marquardt反向传播的计算框架;(第10节)总结了整个工作。

**2. 关键定义**
在本部分,定义了与所提出的Liouville-Caputo分数阶疟疾模型相关的关键概念和定义,以帮助读者理解研究中报告的后续分析。

**定义2.1 [43]**
对于函数ζ∈L([0,1],R),Riemann-Liouville(RL)积分算子为:
$$
\int_{0}^{t} \xi(\sigma) \eta d\eta = \int_{0}^{t} \xi(\eta) \frac{1}{\Gamma(\sigma)} \int_{0}^{\sigma-1} \xi(\eta) d\eta, \quad t > 0, \sigma \in (0,1)
$$
前提是积分在右侧是收敛的。

**定义2.2**
Liouville-Caputo(LC)导数定义为:
$$
\frac{d}{dt}\xi(\sigma) = \frac{1}{\Gamma(m-\sigma)} \int_{0}^{t} \xi(m) d\eta, \quad m + \sigma - 1 < \sigma < m, \quad m \in \mathbb{N}
$$

**引理2.1 [45]**
假设ζ∈C([0,1])满足以下条件:
$$
\frac{d}{dt}\xi(\sigma) + \omega_1 \xi(\tau) \leq \omega_2, \quad \sigma \in (0,1), \quad \omega_1, \omega_2 \in \mathbb{R}, \quad \omega_1 \neq 0, \quad \xi(0) = \xi_0
$$
那么:
$$
\xi(t) \leq (\xi_0 - \omega_2 \omega_1) E_{\sigma,1} \int_{-\omega_1}^{t} \xi(\tau) d\tau, \quad \xi(0) = \xi_0
$$
其中 $E_{\sigma,1}$ 是一参数Mittag-Leffler函数,定义为:
$$
E_{\sigma,1}(y) = \sum_{k=0}^{\infty} y^k \Gamma(\sigma^k+1), \quad \Re(\sigma) > 0
$$

**引理2.2**
方程
$$
\frac{d}{dt}\xi(\sigma) = \Lambda(t), \quad \sigma \in (0,1), \quad \xi(0) = \xi_0
$$
可以通过以下方式满足:
$$
\xi(t) = \xi_0 + \int_{0}^{t} \Lambda(\eta) \frac{1}{\Gamma(\sigma)} \int_{0}^{\sigma-1} \xi(\eta) d\eta
$$

**3. 模型构建**
本研究使用医院数据和学术出版物来研究2014年至2022年北塞浦路斯的疟疾病例。大多数病例涉及18至28岁的人群,其中37%为女性,63%为男性。97%的病例来自疟疾地方性流行国家。表1显示了每年的病例分布。

**表1. 2014年至2022年的病例数**
| 年份 | 病例数 |
|------|------|
| 2014 | 92 |
| 2015 | 14 |
| 2016 | 42 |
| 2017 | 92 |
| 2018 | 72 |
| 2019 | 13 |
| 2020 | 32 |
| 2021 | 82 |
| 2022 | 11 |

北塞浦路斯的疟疾流行具有独特的社会动态和漫长的潜伏期,本文使用确定性分组数学模型进行了描述。该模型通过考虑八个不同阶段的人类宿主种群和蚊子媒介种群,更好地理解了疟疾的传播动态。模型的分组分为人类种群和蚊子种群。人类种群分为易感者Sh(t)、暴露者Eh(t)、感染者Ah(t)和康复者Rh(t);蚊子种群分为易感者Sm(t)、暴露者Em(t)和感染者Am(t)。设:
$$
N_h(t) = Sh(t) + Eh(t) + Ah(t) + Th(t) + Rh(t), \quad N_m(t) = Sm(t) + Em(t) + Am(t)
$$
由于人类和蚊子的出生率和死亡率相当,它们的总人口保持稳定。从疟疾中康复后,人类会对再次感染产生暂时免疫力。以下是使用Liouville-Caputo分数导数创建的新疟疾模型:

$$
\begin{align*}
\frac{d}{dt}\xi_h(t) &= \Lambda + \Phi(1-\psi) E_h - \beta_h Sh + q Rh - (m + \mu_h) Sh, \\
\frac{d}{dt}\xi_E(h) &= \beta_h Sh + \alpha_1 + \mu_h E_h, \\
\frac{d}{dt}\xi_A(h) &= \psi E_h + \alpha_1 E_h - (\gamma_1 + \mu_h) Ah, \\
\frac{d}{dt}\xi_T(h) &= m Sh + \gamma_1 Ah - (\gamma_2 + \mu_h) Th, \\
\frac{d}{dt}\xi_R(h) &= \gamma_2 Th - (q + \mu_h) Rh, \\
\frac{d}{dt}\xi_S(m) &= \Theta(1-\delta)(1-\alpha_2) - \beta_m Am - \mu_m S_m, \\
\frac{d}{dt}\xi_E(m) &= \beta_m Am - \alpha_2 E_m - \mu_m E_m, \\
\frac{d}{dt}\xi_A(m) &= \alpha_2 E_m - \mu_m Am
\end{align*}
$$
上述系统的初始条件为:
$$
Sh(0) = Sh_0, \quad Eh(0) = Eh_0, \quad Ah(0) = Ah_0, \quad Th(0) = Th_0, \quad Rh(0) = Rh_0, \quad S_m(0) = S_m_0, \quad E_m(0) = E_m_0, \quad Am(0) = Am_0
$$

与整数阶模型相比,Liouville-Caputo疟疾模型(9)中的分数阶(σ)提供了一种更符合生物学实际的疾病动态理解方法。它通过捕捉人类和蚊子种群中的记忆效应和非局部相互作用,更好地适应了现实世界的流行病学数据。感染传播机制涉及感染者将寄生虫传播给蚊子,然后蚊子在预定的潜伏期后将人类从暴露状态传染为感染状态。模型中使用分数阶微积分来解释康复者免疫力的逐渐下降以及这些时间的变异性。此外,成年媒介的可用性受到蚊子种群动态的影响,特别是在幼虫阶段。更高的媒介密度增加了传播能力。模型结合了公共卫生干预措施,如治疗和康复,以便更准确地评估感染流行的长期影响和控制策略的有效性。分数阶的适应性使其能够更精确地描述复杂的感染和复发时间分布。分数模型对于模拟疟疾中的渐进性免疫力非常有用,因为它考虑了系统的整个历史。此外,与需要大量复杂性来解释这些现象的简单整数阶模型不同,它巧妙地描述了人类和蚊子潜伏时间以及治疗反应的延迟,这些延迟受时间和历史影响。这个分数阶模型通过提高长期动态的准确性,增强了预测能力,并为干预策略的开发和评估提供了更可靠的见解。在确定参数值时,使用了收集的数据。此外,还参考了[46]、[47]、[48]、[49]中的公式和计算方法来确定一些参数值。参数Λ和Φ分别代表易感人群的出生率和招募率。人类和蚊子的感染率分别由βh和βm表示。?是临床疾病的发病率,q是再感染率或免疫力减弱率,m是人类的治疗率。从Eh到Ah的传播率由α1表示,而从Em到Am的传播率由α2表示。Ah的恢复率和治疗后的恢复率分别由γ1和γ2表示。从幼虫形成成虫的比率由Θ表示,而其在成虫形成过程中的死亡率由δ表示。参数p表示幼虫的承载能力,人类和蚊子的自然死亡率分别由μh和μm表示。所提出系统的示意图见图1。

下载:下载高分辨率图像(264KB)
下载:下载全尺寸图像

图1. 动态系统的示意图。

4. 重要特征和生物学功能
在流行病学模型中建立正解意味着种群不会衰减到负值,这反映了真实的生物学行为。有界性通过识别资源稀缺等约束来阻止不切实际的指数级扩张。在分数阶疟疾模型中保持正性和有界性验证了它们描述生物学过程的能力。

4.1 正性
定理4.1 [50]
如果对于t≥0,满足(Sh0,Eh0,Ah0,Th0,Rh0,Sm0,Em0,Am0)>0,则疟疾系统(9)将继续在R+8中具有正解。
证明
首先,我们定义一个范数‖ψ‖∞=∑|ψ(t)|∈Dψ,其中Dψ表示函数ψ的定义域。
然后对于所有t≥0,我们有
(11) 0LCDtσSh(t)=Λ+Φ(1??)Eh?βhShAm+qRh?(m+μh)Sh,≥?(βh|Am|+m+μh)Sh,≥?(βhsupt∈DAm|Am|+m+μh)Sh=?(βh‖Am‖∞+m+μh)Sh,
? Sh(t)≥Sh0Eσ{?(βh‖Am‖∞+m+μh)t}。
(12) 0LCDtσSm(t)=Θ(1?δ)(1?1p)?βmAmSm?μmSm,≥?(βm|Am|+μm)Sm,≥?(βmsupt∈DAm|Am|+μm)Sm=?(βm‖Am‖∞+μm)Sm,
? Sm(t)≥Sm0Eσ{?(βm‖Am‖∞+μm)t}。
同样,对于所有t≥0,我们得到
(13) {Eh(t)≥Eh0Eσ{?(α1+μh)t},Ah(t)≥Ah0Eσ{?(γ1+μh)t},Th(t)≥Th0Eσ{?(γ2+μh)t},Rh(t)≥Rh0Eσ{?(q+μh)t},Em(t)≥Em0Eσ{?(α2+μm)t},Am(t)≥Am0Eσ{?μmt}。
因此,所提出的疟疾系统(9)解的正性得到证明。

4.2 有界性和生物学可行性
定理4.2 [50]
分数阶系统(9)的解在定义域R+8中是唯一的且有界的。
证明
我们发现
(14) [0LCDtσSh(t)]Sh=0=Λ+Φ(1??)Eh+qRh≥0,
[0LCDtσEh(t)]Eh=0=βhShAm≥0,
[0LCDtσAh(t)]Ah=0=?Eh+α1Eh≥0,
[0LCDtσTh(t)]Th=0=mSh+γ1Ah≥0,
[0LCDtσRh(t)]Rh=0=γ2Th≥0,
[0LCDtσSm(t)]Sm=0=Θ(1?δ)(1?1p)≥0,
[0LCDtσEm(t)]Sm=0=βmAmSm≥0,
[0LCDtσAm(t)]Sm=0=α2Em≥0。
根据系统(14),如果初始条件在R+8中,则解位于超平面内。此外,向量场总是在围绕非负象限的任何超平面内朝R+8的方向移动。定义域R+8本质上是一个正不变集。

定理4.3 [51]
疟疾系统(9)的解保持在正不变区域Δ∈R+8内。
(15) Δ={(Sh,Eh,Ah,Th,Rh,Sm,Em,Am)∈R+8:0≤Nh(t)≤Λμh,0≤Nm(t)≤Θ(1?δ)(1?1p)μm},?t≥0。
证明
人类种群的全部变化由
(16) 0LCDtσNh(t)=0LCDtσSh(t)+0LCDtσEh(t)+0LCDtσAh(t)+0LCDtσTh(t)+0LCDtσRh(t)≤Λ+ΦEh?μhNh给出。
在没有疟疾感染的情况下,我们有
(17) 0LCDtσNh(t)≤Λ?μhNh。
我们观察到,如果Nh(0)<λμh,则随着t趋向于∞,nh渐近地接近λμh。这表明0≤nh(t)≤λμh。 此外,蚊子种群的全部变化由 (18) 0lcdtσnm(t)=0LCDtσSm(t)+0LCDtσEm(t)+0LCDtσAm(t)≤Θ(1?δ)(1?1p)?μmNm给出。 我们发现,如果nm(0)>0,则随着t趋向于∞,nm渐近地接近θ(1?δ)(1?1p)μm。这意味着0≤nm(t)≤θ(1?δ)(1?1p)μm。 因此,区域δ是所有模型可行解的收敛点。 4.3 解的存在性和唯一性 lipschitz条件和增长条件对于证明微分方程解的存在性和唯一性是基本的。增长条件限制了函数增加的能力,而lipschitz条件抑制了快速变化。在分数阶系统中,lipschitz和线性增长条件保证了在给定时间框架内解的存在性和唯一性。这将picard-lindel?f定理扩展到了分数域,并且通常使用banach不动点定理来证明。为了确保我们系统的存在性和唯一性,我们必须证明以下定理。为了考虑分数微积分的存在性和唯一性,需要验证以下定理。为了考虑方程(9)并证明分数微积分的存在性和唯一性,必须证明以下定理。 定理4.4 设[0,t]是r×r8中的一个定义域,δ?:[0,t]→r8。存在一些正常数νi>0, ν~i,使得
(19) (i). |Δi?(χi,t)?Δi?(χi?,t)|2≤νi|χi?χi?|2,?i,i=1,2,3,…,8。
(20) (ii). |Δi?(χi,t)|2≤νi~(1+‖χi‖∞2),对所有(χ,t)∈R8×[0,T]。
证明
考虑下面给出的系统:
(21) {0LCDtσSh(t)=Λ+Φ(1??)Eh?βhShAm+qRh?(m+μh)Sh=ξ1(t,Ξ(t)),
0LCDtσEh(t)=βhShAm?(α1+μh)Eh=ξ2(t,Ξ(t)),
0LCDtσAh(t)=?Eh+α1Eh?(γ1+μh)Ah=ξ3(t,Ξ(t)),
0LCDtσTh(t)=mSh+γ1Ah?(γ2+μh)Th=ξ4(t,Ξ(t)),
0LCDtσRh(t)=γ2Th?(q+μh)Rh=ξ5(t,Ξ(t)),
0LCDtσSm(t)=Θ(1?δ)(1?1p)?βmAmSm?μmSm=ξ6(t,Ξ(t)),
0LCDtσEm(t)=βmAmSm?α2Em?μmEm=ξ7(t,Ξ(t)),
0LCDtσAm(t)=α2Em?μmAm=ξ8(t,Ξ(t)),
其中Ξ(t)={Sh(t),Eh(t),Ah(t),Th(t),Rh(t),Sm(t),Em(t),Rm(t)}。
现在,我们有
(22) |ξ1(t,Ξ(t))?ξ1(t,Ξˉ(t))2≤|(βhAm+m+μh)(Sh?Sˉh)|2≤{2βh2|Am|2+2m2+2μh2}|Sh?Sˉh|2,
≤{2βh2|Am|2+2m2+2μh2}|Sh?Sˉh|2,
≤{2βh2‖Am‖∞2+2m2+2μh2}|Sh?Sˉh|2≤ν1|Sh?Sˉh|2,
其中ν1=2βh2‖Am‖∞2+2m2+2μh2。
(23) |ξ2(t,Ξ(t))?ξ2(t,Ξˉ(t))2≤|(α1+μh)(Eh?Eˉh)|2≤{2α12+2μh2}|Eh?Eˉh|2≤ν2|Eh?Eˉh|2,
其中ν2=2α12+2μh2。
(24) |ξ3(t,Ξ(t))?ξ3(t,Ξˉ(t))2≤|(γ1+μh)(Ah?Aˉh)|2≤{2γ12+2μh2}|Ah?Aˉh|2≤ν3|Ah?Aˉh|2,
其中ν3=2γ12+2μh2。
(25) |ξ4(t,Ξ(t))?ξ4(t,Ξˉ(t))2≤|(γ2+μh)(Th?Tˉh)|2≤{2γ22+2μh2}|Th?Tˉh|2≤ν4|Th?Tˉh|2,
其中ν4=2γ22+2μh2。
(26) |ξ5(t,Ξ(t))?ξ5(t,Ξˉ(t))2≤|(q+μh)(Rh?Rˉh)|2≤{2q2+2μh2}|Rh?Rˉh|2≤ν5|Rh?Rˉh|2,
其中ν5=2q2+2μh2。
(27) |ξ6(t,Ξ(t))?ξ6(t,Ξˉ(t))2≤|(βmAm+μm)(Sm?Sˉm)|2≤{2βm2|Am|2+2μm2}|Sm?Sˉm|2,
≤{2βm2|Am|2+2μm2}|Sm?Sˉm|2,
≤{2βm2|Am|2+2μm2}|Sm?Sˉm|2≤ν6|Sm?Sˉm|2,
其中ν6=2βm2‖Am‖∞2+2μm2。
(28) |ξ7(t,Ξ(t))?ξ7(t,Ξˉ(t))2≤|(α2+μm)(Em?Eˉm)|2≤{2α22+2μm2}|Em?Eˉm|2≤ν7|Em?Eˉm|2,
其中ν7=2α22+2μm2。
(29) |ξ8(t,Ξ(t))?ξ8(t,Ξˉ(t))2≤|μm(Am?Aˉm)|2≤{2μm2}|Am?Aˉm|2,
其中ν8=2μm2。
注意:(22), (23), (24), (25), (26), (27), (28), (29) 是为了验证系统非线性函数的Lipschitz条件而得到的。对于每个函数ξi(t,Ξ(t)),估计了两个状态Ξ(t)和Ξˉ(t)之间的差异。根据代数不等式如(a+b)2≤2a2+2b2,并使用上确界范数(例如,[0,T]上的‖Am‖∞)来限制变量,每个表达式可以写为
(30) |ξi(t,Ξ(t))?ξi(t,Ξˉ(t))2≤νi|xi?xˉi|2,
其中νi是正常数。因此,方程(6)–(10)为变量Sh,Eh,Ah,Th, Rh建立了这个不等式。因此,函数ξi满足Lipschitz条件,这对于通过Banach不动点定理保证解的存在性和唯一性是必要的。
之后,我们得到
(31) |ξ1(t,Ξ(t))2=|Λ+Φ(1??)Eh?βhShAm+qRh?(m+μh)Sh|2,
≤2Λ2+2Φ2(1??)2|Eh|2+2q2|Rh|2+2(βh|Am|+m+μh)2|Sh|2,
≤2{Λ2+Φ2(1??)2|Eh|2+q2|Rh|2+2(βhsup0≤t≤T|Am|+m+μh)2|
≤2{Λ2+Φ2(1??)2‖Eh‖∞2+q2‖Rh‖∞2}×(1+(βh‖Am‖∞+m+μh)2Λ2+Φ2(1??)2‖Eh‖∞2+q2‖Rh‖∞2‖Sh‖∞2),
≤ν~1(1+‖Sh‖∞2),
在条件(βh‖Am‖∞+m+μh)2Λ2+Φ2(1??)2‖Eh‖∞2+q2‖Rh‖∞2<1下。
(32) |ξ2(t,Ξ(t))2=|βhShAm?(α1+μh)Eh|2≤2βh2|Sh|2|Am|2+2(α1+μh)2|Eh|2,
≤2βh2sup0≤t≤T|Sh|2sup0≤t≤T|Am|2+2(α1+μh)2sup0≤t≤T|Eh|2,
≤2βh2‖Sh‖∞2‖Am‖∞2(1+(α1+μh)2βh2‖Sh‖∞2|Am‖∞2|Eh‖∞2)≤ν~2(1+‖Eh‖∞2),
在条件(α1+μh)2βh2‖Sh‖∞2‖Am‖∞2<1下。
(33) |ξ3(t,Ξ(t))2=|?Eh+α1Eh?(γ1+μh)Ah|2≤2(?2+α12)|Eh|2+2(γ1+μh)2|Ah|2,
≤2(?2+α12)sup0≤t≤T|Sh|2|Eh|2+2(γ1+μh)2sup0≤t≤T|Sh|2|Ah|2,
≤2(?2+α12)‖Eh‖∞2(1+(γ1+μh)2(?2+α12)‖Eh‖∞2‖Ah‖∞2)≤ν~3(1+‖Ah‖∞2),
在条件(γ1+μh)2(?2+α12)‖Eh‖∞2<1下。
(34) |ξ4(t,Ξ(t))2=|mSh+γ1Ah?(γ2+μh)Th|2≤2m2|Sh|2+2γ12|Ah|2+2(γ2+μh)2|Th|2,
≤2{m2sup0≤t≤T|Sh|2+γ12sup0≤t≤T|Ah|2}+2(γ2+μh)2sup0≤t≤T|Th|2,
≤2{m2‖Sh‖∞2+γ12‖Ah‖∞2}×(1+(γ2+μh)2m2‖Sh‖∞2+γ12‖Ah‖∞2)≤ν~4(1+‖Th‖∞2),
在条件(γ2+μh)2m2‖Sh‖∞2+γ12‖Ah‖∞2<1下。
(35) |ξ5(t,Ξ(t))2=|γ2Th?(q+μh)Rh|2≤2γ22|Th|2+2(q+μh)2|Rh|2,
≤2γ22sup0≤t≤T|Th|2+2(q+μh)2sup0≤t≤T|Rh|2,
≤2γ这种方法对于理解人类免疫系统至关重要,因为之前的感染会随着时间影响免疫反应,同时寄生虫在蚊子体内的外部潜伏期也会影响免疫反应,这强调了受感染蚊子在死亡前持续具有传染性的特点。通过修改分数阶参数,现在可以更好地模拟疟疾的进展速率,这些速率受到社会模式、治疗效果和外部变量的影响。当阶数σ接近1时,动态变化更快,达到平衡的时间也更短;而当阶数接近0时,则会突出记忆效应,导致受感染人群的变化较慢,感染持续时间更长。该模型有助于研究人员了解预防措施(如治疗计划和蚊帐覆盖)的长期影响,表明短期干预措施可能无法充分减少由记忆效应驱动的长期疫情,因此需要持续的控制努力。

9. ANNLMB的计算框架和模拟
在这里,我们通过开发一个结合了人工神经网络和Levenberg-Marquardt反向传播(ANNLMB)随机过程的计算框架,展示了四种不同变体的疟疾模型(9)的数值计算。ANNLMB非常重要,因为它能够高效地训练网络来解决复杂问题,尤其是涉及非线性系统的问题。ANNLMB是一种混合方法,通过有效减少均方误差(MSE)来实现非常高的准确性,并提供快速稳定的收敛。它在解决许多科学和技术领域中常见的复杂非线性问题方面表现尤为出色。我们利用ANNLMB有效地理解了疟疾的传播机制。使用ANNLMB技术对疟疾模型的流行病学数据进行预处理包括数据清洗、整合和转换,以便进行有效的时间序列分析。来自不同来源的数据(包括健康诊所、学术论文和人口调查)被整合到一个数据集中。可以使用Z分数和四分位数范围等统计方法、聚类算法或时间序列图的视觉评估来识别异常值。这些异常值可以用数据的平均值或中位数等统计估计值来替代。Levenberg-Marquardt方法很可靠,但仍然可能需要预处理。ANNLMB是一种具有收敛稳定性的创新方法,它利用回归图、状态转换测量、均方误差和直方图表示来生成疟疾模型的数值解。基于分数阶疟疾模型的数值结果是通过选择不同的分数阶σ值计算得出的:σ=0.6(案例1)、σ=0.7(案例2)、σ=0.8(案例3)和σ=0.9(案例4)。通过保留ANNLMB的计算随机框架(包括训练、验证和测试过程以减少均方误差(MSE)以及时间处理来测量每个案例的结果:案例1:周期=274,时间=0.03秒;案例2:周期=729,时间=0.08秒;案例3:周期=238,时间=0.02秒;案例4:周期=668,时间=0.07秒),使用MATLAB 2018A进行了这些计算。进行了详细的研究,以检查回归(R)分析、相关性、MSE、误差直方图(EHs)以及关于STs的证据,以评估所提出的ANNLMB计算框架的能力和准确性。通过ANNLMB的随机结构实现的性能(见图5)在输入t∈[0,100]的情况下进行了探索,对于疟疾模型(9),选择了80%的训练数据量,而验证和测试过程都选择了10%。利用ANNLMB的计算效率,将疟疾模型(9)与Liouville-Caputo分数导数结合进行了数值模拟,并在图6、图7、图8、图9、图10中进行了展示。图6展示了疟疾模型(9)的均方误差(MSE)和训练状态(TS)测量结果。MSE是机器学习中常用的损失函数,也是评估性能的指标。较低的MSE值表示更高的准确性和更好的模型拟合度。而TS则提供了模型在主动学习过程中的全面描述。

下载:下载高分辨率图像(368KB)
下载:下载全尺寸图像
图5. 具有通用和特定结构的人工神经网络用于解决疟疾模型(9)。
下载:下载高分辨率图像(872KB)
下载:下载全尺寸图像
图6. 疟疾模型的均方误差(MSE)和训练状态(TS)测量结果。
下载:下载高分辨率图像(880KB)
下载:下载全尺寸图像
图7. 疟疾模型的结果适应度和误差直方图(EH)。
下载:下载高分辨率图像(999KB)
下载:下载全尺寸图像
图8. 疟疾模型的回归测量结果。
下载:下载高分辨率图像(886KB)
下载:下载全尺寸图像
图9. 通过ANNLLMB解决疟疾模型的结果评估。
下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像
图10. 使用ANNLLMB解决疟疾模型的绝对误差(AE)。
从疟疾模型的性能结果来看,分数阶分别为1、2、3和4时的最佳值为4.2051×10^-5、1.293×10^-5、5.9963×10^-5和7.7327×10^-5,对应的周期分别为274、729、238和668。对于案例1、2、3和4,梯度的值分别为1.0208×10^-2、5.4631×10^-2、2.7274×10^-1和9.0005×10^-3。图6表明,较低的MSE值表示更高的准确性。图6还展示了测试、训练和验证所提出模型的最有效形式。图7显示了通过ANNLLMB获得的结果适应度和误差直方图(EH)的效率。误差直方图(EH)显示了模型预测值与实际目标值之间的各种误差水平分布。图8使用ANNLLMB为所提出的模型(9)展示了相关性值,每个分数模型都被赋予了1的相关性值,表示理想的模型。通过测试、验证和训练,解释了该方案解决所提出分数模型的准确性。图9比较了参考解和获得的解。结果的重叠显示了ANNLLMB随机策略的有效性。这些精确匹配的结果表明所提出的随机结构对于每个案例都是准确和正确的。表3显示了输出数据和目标的均方误差(MSE)和回归(R)值。

表3. 均方误差(MSE)和回归(R)值。
案例 训练 验证 测试
Case-1 1.3643 4.2051 5.5640
R 9.9999 9.9999 9.9999
Case-2 4.7307 1.2929 2.7528
R 9.9999 9.9999 9.9999
Case-3 6.2791 5.9963 9.1653
R 9.9999 9.9999 9.9999
Case-4 7.7182 7.7327 2.4581
R 9.9999 9.9999 9.9999

使用ANNLLMB评估所提出的疟疾模型的绝对误差(AE)性能在图10中展示。AE是测量值或预期值与其真实值之间的差异。基于AE,易感人群Sh(t)的这些值在图10(a)中给出,分别为100到10^-11、10^-1到10^-11、100到10^-12和10^-1到10^-12。暴露人群Eh(t)的AE值在图10(b)中给出,大约为100到10^-10、10^-1到10^-11、100到10^-11和10^-1到10^-12。感染人群Ah(t)的AE在图10(c)中显示,大约为10^-5到10^-13、10^-5到10^-15、10^-5到10^-14和10^-5到10^-13。治疗人群Th(t)的AE在图10(d)中显示,计算值为10^-3到10^-14、10^-4到10^-16、10^-3到10^-16和10^-4到10^-17。康复人群Rh(t)的AE值在图10(e)中显示,大约为10^-3到10^-15、10^-3到10^-15、10^-7到10^-14和10^-7到10^-15。易感蚊子群体Sm(t)的AE值在图10(f)中给出,分别为10^-1到10^-13、10^-2到10^-11、10^-1到10^-14和10^-2到10^-13。暴露蚊子群体Em(t)的AE在图10(g)中显示,计算值为10^-1到10^-13、10^-2到10^-11、10^-1到10^-13和10^-2到10^-15。感染蚊子群体Am(t)的AE值在图10(h)中显示,大约为10^-7到10^-16、10^-7到10^-16、10^-5到10^-15和10^-7到10^-15。图10(f)展示了所提出的疟疾模型的AE值,显示了ANNLLMB随机过程的正确性。

10. 结论
数学模型,特别是微分方程系统,对于理解疟疾等疾病的人口动态至关重要。本文使用八室模型研究了北塞浦路斯的疟疾演变。为了更好地理解疾病传播动态,该模型关注了不同的社会因素和延长的潜伏期。该模型在生物学上进行了定义,并通过全局导数进行了验证,以确定Lipschitz条件和增长条件。繁殖数对于评估流行病潜力至关重要,而敏感性分析表明,针对蚊子媒介群体的干预措施有可能显著降低疟疾传播的风险。稳定性分析有助于评估分数阶疟疾模型在约束条件下的行为。数值解是通过基于牛顿插值的多项式方法获得的,模拟研究了参数对有症状和无症状疟疾病毒水平的影响。在所提出的模型中,分数阶导数提高了预测的精度,丰富了关于人口动态的知识,并为公共卫生策略提供了重要见解。人类和蚊子种群的增长率与分数阶(σ)成正比,随着导数阶数从1减小,记忆效应增强。我们使用具有Levenberg-Marquardt反向传播(ANNLMB)的人工神经网络来理解疟疾的传播。ANNLLMB是一种具有收敛稳定性的创新方法,它利用回归图、状态转换测量、均方误差和直方图表示生成疟疾分数阶模型的数值解。与Runge-Kutta和Adams-Bashforth-Moulton等经典方法相比,后者可能成本高昂且耗时较长,训练有素的ANN能够快速产生结果,非常适合快速预测和各种参数的敏感性评估。其处理复杂非线性相互作用的能力使其在近似解决复杂分数微分方程方面更为成功。所提出的策略通过结合随机方面改进了模型结构,更好地反映了现实世界中的疾病传播变异性。这些方法可以扩展到开发异质人群和空间动态的模型,分析疟疾与其他疾病的共感染,并分别模拟寄生虫和蚊子种群中的药物和杀虫剂抗性,同时考虑长期进化效应。ANNLLMB和插值方法的成功应用使得新的数值技术成为可能,例如比较不同分数导数的研究,以确定适合特定地理数据特征的最优操作符。ANNLLMB技术极其高效和精确,非常适合分数阶背景下的最优控制理论,特别是分析和设计资源分配、室内喷洒和治疗活动的成本效益策略。
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