微生物在植物创造许多疾病通过线虫、病毒、原生动物真菌和细菌传播的向量。实现了多种方案来控制疾病传播的植物被称为食肉动物作为生物制剂( 1]。疾病传播的植物,数学建模的重要组成部分在回顾性调查的动态vector-borne-based植物疾病( 2]。联合工作组等人讨论了数学植物模型了解疾病动态和病毒传播2011年( 3]。经过一段时间的一年,联合工作组等人创建了一个区分系统考虑人口动态向量检查病毒传播的影响( 4]。Rida制定2016年安排根据疾病的植物分数,这是通过向量( 5]。Muryawi分析和制定一个动态非线性系统从2017年的昆虫对植物病媒传播疾病( 6]。此外,他建立了确定性非线性系统和模拟假设的参数的值。几个科学家们制定的流行病学系统单一植物/向量类型找到基于主机的植物通过两种疾病。汗2018年建立了 年代 H − E H − 我 H − 年代 V − E V − 我 V 系统指定松树枯萎疾病动力学( 7]。Bokil植物系统的病毒在2019年设计了一个向量包括泥浆种植政策( 8]。唐纳利在2020年开发了一个简单的系统来描述向量组件的动态人口形式( 9]。Anggriani等人设计了一个区划的确定性数学系统根据媒介传播调节水稻病毒病媒昆虫的影响。同年,SPEIR系统发现疾病传播动力学的植物提供胭脂,预防,治疗和重新 10]。

数学系统显示各种复杂性,这依赖于问题特征。的一些系统需要高复杂性成本特别是模拟,当复杂或僵硬的系统被认为是。许多数值制定计划已经被研究者的使用社区解决非线性方程组。有些是微分变换方法( 11,亚当斯数值方法( 12),变分迭代法( 13),卡普托分数差分格式( 14),和更多的 15- - - - - - 19]。

本研究与解决一维host-vector捕食者系统通过引入一个随机数值解算器基于Levenberg-Marquardt反向传播神经网络(LMBNNs)。Suryaningrat et al。 20.)发现host-vector-based系统假设捕食者是一名生物中介,通过植物疾病使用向量。非线性host-vector-predator模型依赖于五类。一般非线性host-vector-predator方程组给出初始条件(ICs) ( 2] (1) 年代 h ′ ξ = − μ 年代 h ξ + μ N h − β 2 年代 h ξ 我 v ξ N v , 年代 h 0 = C 1 , 我 h ′ ξ = − μ 我 h ξ + β 2 年代 h ξ 我 v ξ N v , 我 h 0 = C 2 , 年代 v ′ ξ = − η 年代 v ξ + η N v − ε 年代 v ξ P ξ − β 1 年代 v ξ 我 h ξ N h , 年代 v 0 = C 3 , 我 v ′ ξ = − η 年代 v ξ − ε 我 v ξ P ξ + β 1 年代 v ξ 我 h ξ N h , 我 v 0 = C 4 , P ′ ξ = − δ P ξ + ε 年代 v ξ P ξ + ε 我 v ξ P ξ P 0 = C 5 。

每个类的状态变量的非线性host-vector-predator系统表中给出的适当的选择 1作为

本研究引入随机解算器基于有关Levenberg-Marquardt反向传播神经网络(LMBNNs)非线性host-vector-predator系统。数值表现的所有类非线性host-vector-predator模型提出了通过LMBNN解算器使用身份验证、测试、样本数据,和培训。这些数据选择一个更大的部分的比例,即。,80% for training and 10% for validation and testing, respectively. The stochastic solvers have been implemented to exploit a variety of applications in the field of biological, singular, functional, higher order, nonlinear, and fractional differential models [ 21- - - - - - 23]。然而,随机设计LMBNNs从未探索解决非线性host-vector-predator模型。一些知名的应用数值随机动力学COVID-19系统[ 24),非线性高阶系统( 25),托马斯费密方程( 26),部分模型的微分形式( 27),登革热非线性系统( 28),周期性的奇异模型( 29日],multisingular系统[ 30.),和功能模型( 31日- - - - - - 33]。这些激励作者提交的印象来解决非线性host-vector-predator模型使用一个健壮的、一致的、精确的、可靠的平台通过LMBNN运营商。一些新奇的特点提供目前的工作 (我)

一种计算基于小说LMBNN运营商实现解决非线性host-vector-predator模型的五类,即。易染/感染寄主植物的数量,易感/受感染的向量群,和人口的捕食者

本文的组织结构如下:第二节提供了数值结果。第三部分介绍了数值结果。结论和未来的研究报告提供了第四节。

在本节中,提出LMBNNs给出两个阶段来解决非线性host-vector-predator模型的所有五类。LMBNNs的必要程序的细节和执行程序的所有五类非线性host-vector-predator系统。图 1表明一个适当的优化过程使用多层的LMBNNs动作。该模型如图 2单个神经元。LMBNN过程来完成“nftool”(基于Matlab的内置命令)的比例数据选为80%,培训and10%验证和测试,分别。

并给出了数值结果使用LMBNNs三个案例的非线性host-vector-predator模型基于五类提供的数学形式

案例1:假设一个非线性host-vector-predator模型写成 (2) 年代 h ′ ξ = − 0.025 年代 h ξ + 2.5 − 0.0015 年代 h ξ 我 v ξ , 年代 h 0 = 50 , 我 h ′ ξ = − 0.025 我 h ξ + 0.0015 年代 h ξ 我 v ξ , 我 h 0 = 50 , 年代 v ′ ξ = − 0.025 年代 v ξ + 1.25 − 0.015 年代 v ξ P ξ − 0.0005 年代 v ξ 我 h ξ , 年代 v 0 = 10 , 我 v ′ ξ = − 0.025 年代 v ξ − 0.015 我 v ξ P ξ + 0.0005 年代 v ξ 我 h ξ , 我 v 0 = 40 , P ′ ξ = − 0.125 P ξ + 0.015 年代 v ξ P ξ + 0.015 我 v ξ P ξ P 0 = 3 。

案例2:假设一个非线性host-vector-predator模型写成 (3) 年代 h ′ ξ = − 0.025 年代 h ξ + 2.5 − 0.0015 年代 h ξ 我 v ξ , 年代 h 0 = 50 , 我 h ′ ξ = − 0.025 我 h ξ + 0.0015 年代 h ξ 我 v ξ , 我 h 0 = 50 , 年代 v ′ ξ = − 0.025 年代 v ξ + 1.25 − 0.045 年代 v ξ P ξ − 0.0005 年代 v ξ 我 h ξ , 年代 v 0 = 10 , 我 v ′ ξ = − 0.025 年代 v ξ − 0.045 我 v ξ P ξ + 0.0005 年代 v ξ 我 h ξ , 我 v 0 = 40 , P ′ ξ = − 0.125 P ξ + 0.045 年代 v ξ P ξ + 0.045 我 v ξ P ξ P 0 = 3 。

案例3:假设一个非线性host-vector-predator模型写成 (4) 年代 h ′ ξ = − 0.025 年代 h ξ + 2.5 − 0.0015 年代 h ξ 我 v ξ , 年代 h 0 = 50 , 我 h ′ ξ = − 0.025 我 h ξ + 0.0015 年代 h ξ 我 v ξ , 我 h 0 = 50 , 年代 v ′ ξ = − 0.025 年代 v ξ + 1.25 − 0.075 年代 v ξ P ξ − 0.0005 年代 v ξ 我 h ξ , 年代 v 0 = 10 , 我 v ′ ξ = − 0.025 年代 v ξ − 0.075 我 v ξ P ξ + 0.0005 年代 v ξ 我 h ξ , 我 v 0 = 40 , P ′ ξ = − 0.125 P ξ + 0.075 年代 v ξ P ξ + 0.075 我 v ξ P ξ P 0 = 3 。

数值表现实现解决所有的五类非线性host-vector-predator模型使用LMBNNs输入[0,1]和步长0.01。设计LMBNNs选择使用这些数据的比例为80%,培训为10%,验证和测试,分别。神经元的数量作为非线性host-vector-predator系统9在这项研究。获得的值通过LMBNNs解决每个类非线性host-vector-predator系统提供在图 3。

的插图LMBNNs解决非线性host-vector-predator系统提供了数据 4- - - - - - 8。表演能力以及转型国家解决每个类的非线性host-vector-predator系统提供了数据 4。获得的措施使用MSE测试,培训,最好的曲线,说明和验证数据 4(一)- - - - - - 4 (c)解决非线性host-vector-predator系统。理想的表演来解决非线性host-vector-predator模型在1000时代几乎计算 4.21 × 10 − 11 , 4.76 × 10 − 12 , 5.04 × 10 − 12 ,分别。数据 4 (d)- - - - - - 4 (f)表示梯度值使用LMBNNs解决非线性host-vector-predator模型 1.64 × 10 − 06 , 7.37 × 10 − 07年 , 2.68 × 10 − 06 。这些图形表示显示的精度、准确性和收敛LMBNNs。拟合曲线的情节提供了数据 5(一个)- - - - - - 5 (c),这表明精度的比较调查LMBNN结果与参考的解决方案。错误情节说明使用过程的训练,验证和测试通过LMBNNs解决非线性host-vector-predator系统。故事情节的基础上派生的EHs数据 5 (d)- - - - - - 5 (f),一个可以观察到EHs,周围被发现 2.6 × 10 − 06 , 5.6 × 10 − 07年 , 3.6 × 10 − 07年 。数据的回归情节了 6- - - - - - 8解决非线性host-vector-predator系统的每个类。这些correlation-based插图表明回归调查。观测值的相关性发现1 host-vector-predator每种情况下的系统,是一个完美的模型。测试,认证,并培训情节代表的精密度和准确度LMBNNs解决非线性host-vector-predator模型的每个类。此外,convergence-based MSE措施授权通过培训,时代,验证,基于反向传播的表演,测试,和复杂性的措施如表所示 2解决非线性host-vector-predator系统。

中所描绘的比较调查数据 9和 10每个类的非线性host-vector-predator系统。类”的结果 上海,”“ Ih,”“ Sv,”“ 第四,”和“ P“基于非线性host-vector-predator模型使用LMBNNs绘制在subfigures 9(一)——(e)。结果的精确匹配(获得和引用)标签的准确性和精度LMBNNs解决非线性host-vector-predator系统的所有五类。AE的演出策划解决系统的每个类。的AE类” 上海,”“ Ih,”“ Sv,”“ 第四,”和“ P“基于非线性host-vector-predator模型使用LMBNNs绘制在subfigures 9(一)——(e)。图 9(一)描绘了AE的类 年代 h 到处都是10^-06年到10^-09年,10^-06年到10^-10年,10^-06年到10^-07年例1、2和3,分别。在图 9(b),观察到的AE类别 我 h 到处都是10^-05年到10^-09年,10^-07年到10^-10年,10^-05年到10^-07年例1、2和3,分别。在图 9(c),一个可以找到类的AE 年代 v 到处都是10^-04年到10^-06年,10^-05年到10^-07年,10^-05年到10^-06年例1、2和3,分别。在图 9(d),发现类的AE 年代 v 到处都是10^-05年到10^-08年和10^-06年到10^-08年例2和3,分别。在图 9(e),注意到类的AE P 到处都是10^-05年到10^-06年,10^-05年到10^-07年,10^-06年到10^-07年例1、2和3。这密切匹配解决方案的准确性和正确性LMBNNs解决非线性host-vector-predator模型的每个类。

在这项研究中,介绍的随机解算器基于Levenberg-Marquardt反向传播神经网络非线性host-vector-predator模型提出了。这个非线性系统是依赖于五类命名为易感/感染寄主植物的数量,易感/受感染的向量群,和人口的捕食者。三种不同情况下的非线性host-vector-predator模型基于预测率已通过LMBNN和数值解算器使用身份验证、测试、样本数据,和培训。这些数据比例选择作为培训的主要部分即。为验证和测试、80%、10%和10%,分别。数值解与参考结果的重叠执行,和周围的AE是非常准确的发现是10^-06年到10^-10年每个类的非线性host-vector-predator系统。获得的结果表现系统的提出了利用LMBNNs减小均方误差(MSE)。能力的准确性、一致性和有效性LMBNNs,数值结果使用比例的措施通过MSE,错误直方图(EHs)和回归/相关性也执行。可以发现提出LMBNNs是稳定和执行一个精确的求解来解决非线性方程组僵硬。

在未来,可以植入该LMBNNs找到分数阶系统的数值解( 34- - - - - - 38]。