能力的神经网络非线性Host-Vector-Predator模型的数值处理

文摘

这项工作的目的是引入一个随机解算器基于Levenberg-Marquardt反向传播神经网络(LMBNNs)非线性host-vector-predator模型。非线性host-vector-predator模型依赖于五类,易感寄主植物的数量/感染,感染易感/向量人口和人口的捕食者。数值表现通过LMBNN解算器观察到三种不同类型的非线性host-vector-predator模型使用身份验证、测试、样本数据,和培训。这些数据被选为一个更大的比例部分,即。,80% for training and 10% for validation and testing, respectively. The nonlinear host-vector-predator model is numerically treated through the LMBNNs, and comparative investigations have been performed using the reference solutions. The obtained results of the model are presented using the LMBNNs to reduce the mean square error (MSE). For the competence, exactness, consistency, and efficacy of the LMBNNs, the numerical results using the proportional measures through the MSE, error histograms (EHs), and regression/correlation are performed.

1。介绍

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]

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(2)重叠的数值表现在良好的措施使用绝对误差(AE)检查的真实性LMBNNs非线性host-vector-predator系统(3)LMBNN的可靠性解决非线性host-vector-predator系统使用硕士E、EHs、回归措施,相关操作符

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。

2。方法

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。

3所示。数值模拟

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

案例2:假设一个非线性host-vector-predator模型写成

案例3:假设一个非线性host-vector-predator模型写成

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 , ,和 ,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 , ,和 。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 , ,和 。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。

4所示。结论

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]。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

引用

1. g . n .阿植物病理学学术出版社第五版2005年圣地亚哥CA。
2. w . Suryaningrat: Anggriani, a . k . Supriatna”在应用微分变换方法解决host-vector-predator系统,”物理学杂志》:会议系列,卷1722,不。1,第012040条,2021。视图:出版商的网站|谷歌学术搜索
3. m . j .联合工作组,z . Chen g·鲍威尔,s .霍奇和f . van den博世,“在主机plant-virus-vector-parasitoid系统交互:造型对病毒和疾病传播动力学的影响,“病毒的研究,卷159,不。2、183 - 193年,2011页。视图:出版商的网站|谷歌学术搜索
4. m .联合工作组,z, e·坎宁安g .马丁·g·鲍威尔,“植物病毒流行的种群生物学和流行病学:从三方tritrophic交互,”欧洲植物病理学》杂志上,卷133,不。1,3-23,2012页。视图:出版商的网站|谷歌学术搜索
5. 里达z这样解释,m·哈利勒·h·a·侯山姆和s . Gadellah植物病害病媒传播的数学模型与记忆在主机和向量,自然科学出版社,2016年。
6. a . l . m . Murwayi t盎扬戈,b . Owour”估计的数值结果和仿真植物疾病模型将风力强度和昆虫向量在平衡时,“进步在数学和计算机科学杂志》上,25卷,不。2,1卷,2017页。视图:出版商的网站|谷歌学术搜索
7. m·a·汗k .沙y汗,和美国伊斯兰教,“数学建模方法松树枯萎病的传播动力学与饱和发生率,”国际生物数学学报,11卷,不。3,1850035条,2018年。视图:出版商的网站|谷歌学术搜索
8. v . a . Bokil l . j·s·艾伦·m·j .联合工作组和s·雷恩哈特,“最优控制植物病害的矢量模型与连续种植作物,”生物动力学杂志,13卷,不。sup1, 325 - 353年,2019页。视图:出版商的网站|谷歌学术搜索
9. r·唐纳利·g·w·Sikazwe, c·a·吉利根”估计从实验流行病学参数向量进入寄主植物,匹配梯度的方法,”PLoS计算生物学,16卷,不。第三条e1007724, 2020年。视图:出版商的网站|谷歌学术搜索
10. n . Anggriani m . Mardiyah: Istifadah, a . k . Supriatna”的最优控制问题与东道国人口因素和植物杀菌剂,植物病害”IOP会议系列:材料科学与工程,卷332,不。1,第012036条,2018。视图:出版商的网站|谷歌学术搜索
11. y格雷罗州桑切斯,z .萨比尔,h . Gunerhan和h . m . Baskonus”分析和近似解的小说紧张胃数学模型,”离散动力学性质和社会卷,2020篇文章ID 5063271、9页,2020。视图:出版商的网站|谷歌学术搜索
12. y·g·桑切斯、z .萨比尔和j·l·g . Guirao”设计一个非线性SITR基于动态分形模型的新型冠状病毒(COVID-19)”分形,28卷,不。8,2040026条,2020年。视图:出版商的网站|谷歌学术搜索
13. z萨比尔·m·g·萨卡尔,m . Yeskindirova和o . Saldir”数值调查设计一种新颖的模型基于第五阶Emden-Fowler方程组,”理论与应用力学的信件,10卷,不。5,333 - 342年,2020页。视图:出版商的网站|谷歌学术搜索
14. a . Elsonbaty z萨比尔、r . Ramaswamy和w·阿德尔”动力分析小说离散分数COVID-19 SITRS模型,”分形,没有。2140035条,2021年。视图:出版商的网站|谷歌学术搜索
15. m . t . Gencoğlu和p•阿加瓦尔”使用声波量子微分方程的过程,”应用数学和非线性科学》第六卷,没有。1,第21至28,2021页。视图:出版商的网站|谷歌学术搜索
16. h . Durur o . Tasbozan, a·库尔特”的新解析解整合时间分好和坏修改布西涅斯克方程,”应用数学和非线性科学,5卷,不。1,第454 - 447页,2020。视图:出版商的网站|谷歌学术搜索
17. t . a . Sulaiman h . Bulut, h . m . Baskonus”上的确切解决一些系统复杂的非线性模型,”应用数学和非线性科学》第六卷,没有。1,29-42,2021页。视图:出版商的网站|谷歌学术搜索
18. a .优h . Durur h·艾哈迈德,“这对夫妇Boiti-Leon-Pempinelli双曲型解决方案系统,”呈文数学系列:数学和信息学,35卷,不。2、523 - 531年,2020页。视图:出版商的网站|谷歌学术搜索
19. f . Evirgen美国Ucar, n .奥兹德米尔,“艾滋病毒感染模型的系统分析withCD4 + Tunder是非奇异内核导数,”应用数学和非线性科学,5卷,不。1,第146 - 139页,2020。视图:出版商的网站|谷歌学术搜索
20. w·Suryaningrat n . Anggriani a . k . Supriatna和n . Istifadah”大米tungro疾病的最优控制杀虫剂和生物制剂,“航会议论文集,卷2264,不。1,第040002条,2020。视图:谷歌学术搜索
21. m . k . Ammar, m·r·阿明和m·h·m·哈桑”计算的站点时间作用下两个人造卫星之间的空气阻力,”应用数学和非线性科学,3卷,不。2、339 - 352年,2018页。视图:出版商的网站|谷歌学术搜索
22. k,这个z萨比尔·m·a Zahoor Raja et al .,“morlet设计小波神经网络求解一类奇异非线性微分模型,受电弓”IEEE访问9卷,第77862 - 77845页,2021年。视图:出版商的网站|谷歌学术搜索
23. m . k . Ammar, m·r·阿明和m·h·m·哈桑“能见度之间间隔两个人造卫星地球扁率的作用下,“应用数学和非线性科学,3卷,不。2、353 - 374年,2018页。视图:出版商的网站|谷歌学术搜索
24. k . Chatterjee k . Chatterjee a·库马尔,s . Shankar”在印度医疗COVID-19流行病的影响:一个随机数学模型,”印度军队医学杂志,卷76,不。2、147 - 155年,2020页。视图:出版商的网站|谷歌学术搜索
25. r·沙玛,r . b . Pachori和p . Sircar“癫痫发作分类基于高阶统计和神经网络,”生物医学信号处理和控制,卷59,p。101921年,2020年。视图:出版商的网站|谷歌学术搜索
26. 艾哈迈德,美国美国艾哈迈德,f·艾哈迈德和m . Bilal“Neuro-heuristic计算智能非线性托马斯费密方程使用三角函数和双曲线近似,”测量,第156卷,第107549页,2020年。视图:出版商的网站|谷歌学术搜索
27. 刘x和k . k . Parhi”,通过分级编码DNA分子和人工神经网络,”IEEE生物医学电路和系统,14卷,不。3、490 - 503年,2020页。视图:出版商的网站|谷歌学术搜索
28. k .名单和f·a·罗德里格斯登革热预测神经网络:系统回顾,“2021年,https://arxiv.org/abs/2106.12905。视图:谷歌学术搜索
29. z z萨比尔,m·A·拉贾,j·l·g . Guirao和m . Shoaib”基于neuro-swarming智能计算周期非线性二阶奇异边值问题,“物理前沿,8卷,p。224年,2020年。视图:出版商的网站|谷歌学术搜索
30. c, a数h . Turabieh m . Mafarja s s波段和a . Mosavi”最优模糊系统求解奇异multi-pantograph方程3型脊髓灰质炎病毒引起,“IEEE访问,8卷,第225702 - 225692页,2020年。视图:出版商的网站|谷歌学术搜索
31. h . Pratiwi a . p . Windarto s Susliansyah et al .,“乙状结肠激活函数选择最佳的人工神经网络模型,”物理学杂志》:会议系列,卷1471,不。1,第012010条,2020。视图:出版商的网站|谷歌学术搜索
32. j .霍j . Vrbka, p .南,“支持向量机方法和人工神经网络用于破产预测模型的发展和他们的比较,“风险和财务管理杂志》上,13卷,不。3 p。2020。视图:出版商的网站|谷歌学术搜索
33. y田和z . Wang”扩展为马尔可夫过程的耗散度分析神经网络通过跳double-integral-based delay-product-type李雅普诺夫函数,“IEEE神经网络和学习系统,32卷,不。7,3240 - 3246年,2021页。视图:出版商的网站|谷歌学术搜索
34. 大肠İlhanİ。o . Kıymaz”泛化的截断M-fractional导数及其应用分数微分方程,”应用数学和非线性科学,5卷,不。1,第188 - 171页,2020。视图:出版商的网站|谷歌学术搜索
35. s . Kabra h . Nagar k . s .,这个和d . l . Suthar”Marichev-Saigo-Maeda分数微积分运算符用于修饰或说明GeneralizedK-Struve函数”应用数学和非线性科学,5卷,不。2、593 - 602年,2020页。视图:出版商的网站|谷歌学术搜索
36. h . Gunerhan和e·侯赛因”分析分数阶偏微分方程近似解,“应用数学和非线性科学,5卷,不。1,第120 - 109页,2020。视图:出版商的网站|谷歌学术搜索
37. m . Modanli和a . Akgul”解决方案CrankNicholson电报分数阶偏微分方程的有限差分方法,”应用数学和非线性科学,5卷,不。1,第170 - 163页,2020。视图:出版商的网站|谷歌学术搜索
38. r .Şahin和o . Yağcı部分扩展超几何函数的微积分,”应用数学和非线性科学,5卷,不。1,第384 - 369页,2020。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Zulqurnain萨比尔等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。