非线性常微分方程模型的可辨识性及其在病毒动力学中的应用
摘要
1.简介
2.定义
仅常数参数; 仅时变参数; 常数和时变参数的混合。
定义2.1
定义2.2
定义2.3
定义2.4
定义2.5
定义2.6
定义2.7
定义2.8
定义2.9
3.结构可识别性分析
3.1. 幂级数展开与相似变换
定义3.1
3.2. 直接测试
3.3. 微分代数
定义3.2
定义3.3
定义3.4
定义3.5
定义3.6
定义3.7
特征集中的微分多项式是尽可能最简单的形式;
3.4. 隐函数定理
定理3.9
4.实际可识别性分析
4.1. 蒙特卡罗模拟
确定标称参数值 θ 0 对于模拟研究,如果可用,可以通过将模型拟合到实验数据来获得。 否则,可以从文献或其他资源中获得。 使用标称参数值对ODE模型进行数值求解,以获得实验设计时间点的输出或测量变量的解。 将ODE模型安装到每个 N个 获得参数估计的模拟数据集 我 , 我 = 1, 2, …, N个 。 计算每个元素的平均相对估计误差(ARE) θ 作为 (4.2) 哪里 是 k个 -的第个元素 θ 0 和 是 k个 -的第个元素 我 。
4.2. 相关矩阵
5.基于灵敏度的可识别性分析
定义5.1
定义5.2
5.1。 相关方法
5.2. 调整重要性方法与主成分分析
从与最小绝对特征值相对应的特征向量开始,对每个特征向量进行循环,以定位具有最大绝对值的组件,并且在最大组件位置处的相应参数被标记为无法识别,如果之前没有标记,则将其删除。 该程序总结如下: (5.13) 再次从对应于最小绝对特征值的特征向量开始,在矩阵的每一行上循环 Γ 我 并计算每行中所有分量的平方和。 与具有最大平方和的行的位置相对应的参数被确定为无法识别,以便删除。 该程序总结如下: (5.14) 从对应于最大绝对特征值的特征向量开始,对每个特征向量分量进行循环,以定位最大的特征向量分量,并标记之前未标记的参数。 标记的参数没有立即被选为无法识别的参数; 相反,将为该参数分配等级。 最后,对所有参数进行排名,排名最低的参数被认为无法识别。 该程序总结如下: (5.15)
5.3. 正交法
5.4. 特征值法
6.应用示例
6.1. 具有常数参数的HIV模型
表6.1
表6.2
6.2. 具有常数和时变参数的HIV模型
6.3. 流感A病毒感染
表6.3
表6.4
7.讨论和结论