一个规模的结合神经网络方法,用于分数杆杆菌病的系统系统
Zulqurnain Sabir1, Shahid Ahmad Bhat2, Muhammad Asif Zahoor Raja3
1Department of Computer Science and Mathematics, Lebanese American University, Beirut, Lebanon.
Computer methods in biomechanics and biomedical engineering
|December 27, 2023
概括
这项研究引入了一种新的计算方法,即监督神经网络与缩放联梯度 (SNNs-SCG),用于解决分数结病模型 (SDM). 该SNNs-SCG方法在模拟杆菌病的疾病动态方面表现出高的准确性和效率.
科学领域:
- 数学生物学 数学生物学
- 计算科学 计算科学
- 流行病学 流行病学
背景情况:
- 脊髓灰质炎疾病建模对于了解传播动态至关重要.
- 分数计算提供了一个更精确的方法来建模复杂的生物系统.
- 数字方法对于在疾病模型中解决复杂的微分方程至关重要.
研究的目的:
- 呈现碎片化杆菌病模型 (SDM) 的数值解决方案.
- 评估监督神经网络的准确性和效率,结合缩放联梯度 (SNNs-SCG) 方法.
- 通过分数亚当斯方案 (FAS) 生成的合成数据验证SNNs-SCG方法.
主要方法:
- 使用与缩放联梯度 (SCG) 优化算法集成的监督神经网络 (SNN).
- 实现分数导数,以准确地表示分数SDM.
- 使用数据集分为81%用于培训,12%用于测试和7%用于验证.
主要成果:
- 该SNNs-SCG方法成功地解决了分数SDM的三个不同的场景.
- 性能评估指标包括错误组图,绝对错误,MSE,回归,状态转换和相关性证实了该方法的准确性.
- 从SNNs-SCG获得的结果与分数亚当斯方案的参考解决方案强烈一致.
结论:
- 在疾病建模中,SNNs-SCG方法是一种准确,有能力和有效的数值技术,用于解决分数微分方程.
- 这种方法提供了一个可靠的工具来模拟和分析杆菌病的动态.
- 该研究强调了先进的计算技术在推进流行病学研究方面的潜力.
