文摘

当前工作的目的是执行传染病的数值调查基于非线性分数阶的捕食者-食饵模型使用Levenberg-Marquardt反向传播(LMB)基于人工神经元网络(ann),即,LMBNNs。分数的捕食者-食饵模型分为三个类别,密度的易感,感染的猎物和捕食者种群。统计比例解决传染病的三个不同的基于分级的捕食者-食饵模型指定培训验证和测试的80%和10%。数值操作执行使用LMBNNs解决传染病基于分数的捕食者-食饵模型,使用数据库Adams-Bashforth-Moulton执行和比较的方法。传染病的基于分级的捕食者-食饵模型解决了使用LMBNNs减少均方误差(M.S.E)。为了验证正确,功能,一致性,提出LMBNNs和能力,使用相关的数值程序,硕士E、回归和错误直方图。

1。介绍

传染病发生时一些病毒,真菌,细菌,寄生虫进入人体。这些形式是通过感染扩散的从一个到另一个人,受污染的食物,动物,或接触任何污染的生态因子与任何类型的机构。每个infection-based疾病都有自己的症状,类型和严重程度。一些常见的体内这些感染的症状包括疼痛,流感,咳嗽,发烧1,2]。一些感染的症状轻微,不需要任何治疗或治疗。或者,有各种各样的严重的死亡病例,可能打扰人口平衡大气中的许多类。在过去的几年里,数学系统是用来预测物种进化。它从洛特卡和沃尔泰拉系统启动(3,4),他们的私利在逃避一些糟糕的情况对许多物种死亡证明。目前,研究人员运用这个工具揭示某一政策的结果所使用的一些政府处理一些物种可以测量作为一个重要的设备来保护各种。

生态系统更复杂,任何类型的感染,从而影响生长的几类,作为一个化身。在这项研究中,一个捕食者-猎物协作。这种传染可能遇险的捕食者的力量和狩猎能力的一些食肉动物在死亡的位置。在前面的研究中,许多调查检查了捕食者-猎物互动剧增病毒的发生;见,例如,(5,6]在那里捕食模型分析处理方法,虽然在7- - - - - -9),这些模型数值分析。作为替代,有各种方法,反映了捕食者来完成一个有效的狩猎。狩猎协作是捕食者的操作策略之一,在许多捕食者捕食一些猎物。这个方案是有价值的减少狩猎,和许多猎人的行为这一技术。效率的高速率在狩猎狮子,野狗和鬣狗。这个精确的捕食者的行为建模的数学系统,首次提出10),一个简单的模型应用于描述一个合作。到目前为止,已经有一些研究捕食的交互行为在这些引用:在11,狩猎的效果被认为是在12)、合作效应被认为是在13影响他方,狩猎和合作同时,最后,在14),狩猎和合作被认为是与阿莱效应共同影响。因此,它调查了剧增的影响病毒在捕食沟通以及捕食者的合作狩猎的发生。

三种系统被认为是感染人口猎物,分为两类,受感染的和敏感的猎物。发现时间的导数形式分有广泛应用来描述各种形式的实际情况所识别出的内存动力形式的结果。内存速度被称为衍生品订单,和内存叫做分数阶导数的函数。time-fractional导数模型实现各种现实问题的现象(15,16]。非线性分数阶的捕食者-食饵模型有三个类,数学写如下(17]: 在哪里和的密度是易感,感染的猎物,而显示了捕食者种群的密度。这个词e象征的猎物转化为捕食者生物质(敏感或感染)。的参数r代表猎物种群的繁殖数量,这应该是垂直感染不表达。它也可以被定义为母子,捕食者不会被这种病毒病后直接与患病的猎物。猎物种群的传播率,即。、感染率为代表δ。的函数形式 和 狩猎合作值(10]。人口死亡率的猎物μ代表人口的自然死亡率的捕食者。初始条件是k₁,k₂,k₃,分别。

当前工作的目的是执行传染病的数值调查基于分数的捕食者-食饵模型使用Levenberg-Marquardt反向传播(LMB)基于人工神经元网络(ann),即,LMBNNs。LMBNNs应用于三种不同变体的身份验证、测试、培训、和样品信息。统计比例解决传染病的三个不同的基于分级的捕食者-食饵模型指定培训验证和测试的80%和10%。数值结果执行使用LMBNNs解决传染病基于分数的捕食者-食饵模型,使用数据库Adams-Bashforth-Moulton执行和比较的方法。最近,应用随机计算解决基于启发式和群集技术经常报道最重要的文章(18- - - - - -21]。然而,传染病传播系统管理与分级的捕食者-食饵模型从未实现研究其解动力学通过LMBNNs能力的计算模式。一些新颖的特性和当前调查的贡献提供了简要如下:(我)随机的设计计算解决LMBNNs首次提出了解决传染病传播系统管理部分的捕食者-食饵模型(2)LMBNNs的设计程序实现了有效地学习分数的捕食者-食饵模型的不同场景的行为,和比较研究发现在体面的相似之处与最先进的Adams-Bashforth-Moulton数值方法求解分数微分方程(3)MSE的收敛迭代更新上表演,绝对误差可以忽略不计(AE)标准的结果,相关/回归指数和错误直方图(EHs)进一步验证设计的有效性LMBNN分数的捕食者-食饵模型的计算平台

本文的组织结构如下:部分2基于LMBNNs显示的方法。部分3介绍了数值结果通过LMBNNs解决分数阶非线性的捕食者-食饵模型。最后的评论报告部分4。

2。方法:LMBNNs

在本节中,提出的方法提出了LMBNNs的基于分数阶非线性的捕食者-食饵系统的传染病。两个步骤的方法是分类。提供了必要的试验stochastic-based LMBNNs,和执行过程的随机计算方案给出解决传染病基于非线性分数阶的捕食者-食饵模型。

一个合适的优化提出LMBNN绘制在图方式1一起的结果和分析结果,而对于单个神经元,图中给出的设计过程2。随机computing-based执行程序使用“nftool”(MATLAB神经网络工具箱中内置命令)。分数阶非线性捕食者-食饵系统的数据集指定培训80%和10%的验证和测试LMBNN操作。

3所示。分数阶非线性的捕食者-食饵系统的数值程序

当前部分显示的数值程序基于分数阶非线性的捕食者-食饵系统的传染病通过应用该计算随机LMBNNs。文学参数形式来解决传染病基于非线性分数阶的捕食者-食饵模型 , , , , , , , , ,和 。3例使用分数阶导数的变化,也就是说,= 0.5、0.7和0.9,提供解决基于分数阶非线性的捕食者-食饵系统的传染病。包容的结果已经执行了每个类别的分数阶非线性的捕食者-食饵系统与0.01[0,1]之间的步长。十个数字的神经元在这个数值研究了,和数据指定培训验证和测试的80%和10%。实现数值使用LMBNNs解决传染病基于分数阶非线性捕食者-食饵系统绘制在图3。表示基于LMBNNs解决传染病基于分数的捕食者-食饵系统的数据4- - - - - -8。的硕士E措施和状态转换(STs)解决传染病基于分数的捕食者-食饵模型绘制在图4。的硕士E基于训练,状态最好的曲线,验证和测试数据绘制4(一)- - - - - -4 (c)圣值),而最好的解决分数的捕食者-食饵模型派生的数据4 (d)- - - - - -4 (f))在325年时代,387年和127年,分别。获得的性能存在约1.3399×10⁻¹⁰,1.4672×10⁻¹⁰和5.2351×10⁻¹⁰,分别。的梯度表演LMBNNs解决传染病基于分数的捕食者-食饵模型发现约8.0331×10⁻⁰⁶,9.9161×10^−08年和9.8524×10^−08年,分别。这些表演绘制计算数据显示,准确性、收敛性和精度的随机过程的LMBNNs解决传染病基于分数的捕食者-食饵模型。拟合曲线的情节来解决部分的捕食者-食饵模型给出的数据5(一个)- - - - - -5 (c)),它显示通过LMBNNs所得结果的比较分析。图5 (d)- - - - - -5 (f))显示的值存在的EHs约6.63×10⁻⁰⁷,8.31×10⁻⁰⁶和3.19×10⁻⁰⁵为1^圣,2^nd,3^{理查德·道金斯}情况下,分别。在数据的价值回归6- - - - - -8基于部分解决传染病的捕食者-食饵模型。这些插图的相关性表明回归调查发现大约验证完美的模型。测试,验证,和培训情节指定的精确性LMBNNs解决传染病基于分数的捕食者-食饵模型。此外,通过硕士的收敛性能E时代的基础上,训练、复杂性、测试、反向传播的表演,和验证提供了表1基于非线性部分解决传染病的捕食者-食饵模型。

比较性能和AE值见图9和10分数的捕食者-食饵模型。结果部分的每个类别的捕食者-食饵系统提出了用随机LMBNNs给出数据9(一个)- - - - - -9 (c))。获得的匹配和参考解决方案,每个类别的传染性疾病被认为基于分数阶非线性的捕食者-食饵模型。这些结果匹配的正确度的随机LMBNNs每个类别的传染病基于分数阶非线性捕食者-食饵系统,每个类别的AE措施基于分数阶非线性的捕食者-食饵系统的传染病在数据绘制10 ()- - - - - -10 (c))。的AE基于分数阶非线性捕食者-食饵系统计算10左右⁻⁰⁴到10⁻⁰⁶案例1和3,而AE计算10⁻⁰⁵到10⁻⁰⁶例3。的AE基于分数阶非线性的捕食者-食饵模型计算10左右⁻⁰⁴到10⁻⁰⁷案例1,10⁻⁰⁵到10^−09年第二种情况,10⁻⁰⁵到10⁻⁰⁷例3。的AE基于分数阶非线性的捕食者-食饵模型计算10左右⁻⁰⁵到10^−08年每个案件的非线性系统。

4所示。结论

在这些调查中,一种传染性病毒的解决方案基于非线性部分的捕食者-食饵系统数值使用随机过程提出的基于Levenberg-Marquardt反向传播人工神经网络。这些stochastic-based过程LMBNNs提供解决三种情况采取不同的分数阶值。数值的解决方案已经使用样例数据,执行测试、培训和认证。解决非线性部分的数据比例的捕食者-食饵模型指定培训验证和测试的80%和10%。传染病的数值结果基于非线性部分的捕食者-食饵模型通过使用LMBNNs,使用数据库Adams-Bashforth-Moulton执行和比较的方法。分数阶非线性模型的解决方案是通过LMBNNs为了减少M.S.E.背书精确,功能,可靠性,提出LMBNNs和能力,使用硕士提供的数值程序E、相关性、EHS和回归。结果的匹配指定的精度设计方案,和AE良好的值范围为每个传染病的基于非线性部分的捕食者-食饵模型显示方案的有效性。

在未来,应用程序基于LMBNNs得到结果的分数阶系统和Lonngren-wave系统22- - - - - -26]。此外,您可以利用贝叶斯正则化神经网络基于方法求解不同场景的部分的捕食者-食饵模型更好的结果的准确性和效率。

数据可用性

没有数据被用来支持本研究。

的利益冲突

所有作者声明没有潜在的利益冲突。

作者的贡献

所有作者都在一个平等的方式来开发这项工作。萨比尔教授和拉贾格雷罗州教授开发了数学部分,使得医疗建模。

确认

本文部分由Ministerio de Ciencia Innovacion y大学(no.pgc2018 - 097198 b - i00)和Fundacion塞内加de la地区德穆尔西亚(No.20783 /π/ 18)。