本文關(guān)鍵詞：基于甲型流感病毒的免疫反應代理模型構(gòu)建以及估參問題的研究

  更多相關(guān)文章： 免疫系統(tǒng) 基于Agent代理模型 Loess回歸 粒子群優(yōu)化算法 估參

【摘要】：近些年,各種病毒大規(guī)模傳播的情況時有發(fā)生,給人類的健康甚至生命安全帶來了嚴重威脅。其中,很具有代表性的就是甲型流感病毒(Influenza A Virus,IAV)。為了加強人們對病毒的免疫抵抗能力并且抑制病毒的蔓延,學者們對免疫系統(tǒng)進行了大量的研究實驗。在眾多研究方法中,模擬建模實驗一直倍受青睞。其中,基于Agent代理的模型(Agent based models,ABM)和微分方程模型(Differential equations,DE)是兩種應用最為廣泛的模擬建模方法。相對于臨床實驗和生物實驗,模擬建模研究方法利用虛擬的模型縮短了科研的實驗周期,提高了科研效率。在應對流感疫情時,模擬建模方法能夠快速建立模型,在最短的時間內(nèi)掌握傳染機制,避免大規(guī)模疫情的出現(xiàn)。這兩種建模方法給科研工作帶來了極大的幫助,但是也存在著無法被忽視的缺陷。ABM模型在估參時無法有效的與實驗數(shù)據(jù)結(jié)合,所以導致估參效果差;另外,復雜的ABM模型還需要依賴于強大的計算機軟硬件資源,估參效率低。DE模型雖然在估參方面表現(xiàn)優(yōu)異,但是在建模方面卻無法對復雜的免疫系統(tǒng)進行多維度多層次的刻畫描述。本文為了解決ABM模型和DE模型在免疫系統(tǒng)建模研究方面的缺陷,研究提出了代理回歸方法(IABMR)。首先,本方法建立了一個基于代理Agent的免疫系統(tǒng)模型,模擬人體肺部在甲型流感病毒感染下的免疫反應情況;然后,把粒子群優(yōu)化算法和Loess回歸模型進行整合,結(jié)合真實實驗數(shù)據(jù),完成了免疫系統(tǒng)的建模與估參研究。研究方法具體過程如下。免疫系統(tǒng)建模階段。在分析了細胞生物學知識與實際情況之后,本文把系統(tǒng)中的同一種細胞群細化為三種細胞狀態(tài),增加了模型的維度和層次。同時,確定了系統(tǒng)中的兩層交互關(guān)系:不同種類的細胞之間的相互作用;同種細胞不同狀態(tài)之間的相互作用。在此基礎之上,建立細胞狀態(tài)轉(zhuǎn)換圖和轉(zhuǎn)換方程。最后,利用基于Agent的建模方法,模擬刻畫了在IAV感染下多維度的肺部免疫系統(tǒng)的ABM模型。尋優(yōu)估參階段。首先利用稀疏網(wǎng)格配點法生成一個四維輸入?yún)?shù)向量空間。然后提取ABM模型多次運算之后的輸入數(shù)據(jù)和輸出數(shù)據(jù)對Loess非參回歸進行訓練,直到建立針對免疫系統(tǒng)的Loess回歸模型。非參回歸可以對同一數(shù)據(jù)進行多次不同擬合,以探索數(shù)據(jù)中可能隱藏的某種關(guān)系。最后,把粒子群智能優(yōu)化算法PSO與Loess回歸模型結(jié)合,對ABM模型進行參數(shù)尋優(yōu)。實驗結(jié)果與分析階段。本文在完美實現(xiàn)IABMR本身算法的基礎上,進行了多組對比實驗。首先,對方法本身進行縱向效果對比。通過對向量空間大小、實驗重復次數(shù)、數(shù)據(jù)噪聲以及樣本時間點個數(shù)等關(guān)鍵參數(shù)進行不同配置的設置,比較每種配置的平均相對誤差。結(jié)果顯示,參數(shù)向量空間越大,重復次數(shù)越多,噪聲越小以及樣本時間點越多都對實驗結(jié)果有正向影響。然后,把IABMR方法與貪心ABM方法以及ODE模型進行橫向?qū)Ρ葘嶒�。實驗結(jié)果表明,IABMR算法的估參效率和精確度都高于貪心ABM算法,并且模型刻畫的精細程度也優(yōu)于ODE模型。綜上,本文把基于Agent的建模理念、Loess非參回歸以及粒子群優(yōu)化等智能算法進行了有效的結(jié)合。建立的IABMR方法既可以對免疫系統(tǒng)進行多維度多層次的建模,又可以結(jié)合實驗數(shù)據(jù)對模型進行有效的估參。本研究進一步縮短了實驗時間提高了效率,并且減少了對計算機資源的過度依賴,對流感病毒等傳染性疾病的深入研究有著非常重要的意義。
【關(guān)鍵詞】：免疫系統(tǒng) 基于Agent代理模型 Loess回歸 粒子群優(yōu)化算法 估參
【學位授予單位】：西南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;O175
【目錄】：

• 摘要5-7
• Abstract7-9
• 第1章 緒論9-14
• 1.1 研究背景及意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.2.1 基于Agent代理模型的建模方法10
• 1.2.2 基于數(shù)學方法的微分方程模型方法10-11
• 1.3 主要研究內(nèi)容與創(chuàng)新點11-13
• 1.4 論文組織結(jié)構(gòu)13-14
• 第2章 免疫系統(tǒng)建模的相關(guān)理論研究14-26
• 2.1 基于Agent代理模型理論14-17
• 2.1.1 Agent的基本概念和認知模型14-15
• 2.1.2 智能Agent15-16
• 2.1.3 多Agent系統(tǒng)16
• 2.1.4 基于Agent的建模思想16-17
• 2.2 微分方程模型理論17-19
• 2.2.1 微分方程基礎認知17
• 2.2.2 常微分方程與偏微分方程17-18
• 2.2.3 微分方程模型的建立與求解18-19
• 2.3 本論文引用的數(shù)學算法19-25
• 2.3.1 稀疏網(wǎng)格19-20
• 2.3.2 Loess回歸20-21
• 2.3.3 粒子群優(yōu)化算法21-23
• 2.3.4 正交多項式和高斯積分23-24
• 2.3.5 伽馬分布24-25
• 2.4 本章小結(jié)25-26
• 第3章 基于代理模型的免疫系統(tǒng)建立26-34
• 3.1 模型背景26-27
• 3.2 ABM模型的理論分析27-29
• 3.3 ABM模型的建立29-33
• 3.4 本章小結(jié)33-34
• 第4章 模型估參34-44
• 4.1 基于正交多項式的一維參數(shù)回歸34-37
• 4.1.1 算法原理介紹34-36
• 4.1.2 回歸流程說明36-37
• 4.1.3 結(jié)果與分析37
• 4.2 基于非參回歸的多維建模估參37-43
• 4.2.1 確定輸入?yún)?shù)以及樣本向量空間38
• 4.2.2 建立Loess數(shù)學模型38-39
• 4.2.3 粒子群算法PSO尋優(yōu)估參39-40
• 4.2.4 新搜索域中尋優(yōu)40-43
• 4.3 本章小結(jié)43-44
• 第5章 實驗結(jié)果與分析44-57
• 5.1 初次尋優(yōu)估參實驗結(jié)果44-46
• 5.1.1 獲取樣本空間數(shù)據(jù)44-45
• 5.1.2 真實實驗數(shù)據(jù)45
• 5.1.3 參數(shù)尋優(yōu)結(jié)果45-46
• 5.2 新搜索域中尋優(yōu)估參實驗結(jié)果46-49
• 5.2.1 建立新Loess回歸模型46-47
• 5.2.2 獲取模擬實驗數(shù)據(jù)47
• 5.2.3 計算平均相對誤差47-49
• 5.3 平均相對誤差結(jié)果分析49-54
• 5.3.1 輸出時間點對結(jié)果的影響49-50
• 5.3.2 干擾噪聲對結(jié)果的影響50-51
• 5.3.3 參數(shù)向量空間對結(jié)果的影響51-54
• 5.4 IABMR方法建模與估參效果的對比驗證54-55
• 5.4.1 估參效果對比54-55
• 5.4.2 建模效果對比55
• 5.5 本章小結(jié)55-57
• 第6章 總結(jié)與展望57-60
• 6.1 論文工作總結(jié)57-58
• 6.2 未來工作展望58-60
• 參考文獻60-63
• 致謝63-64
• 研究生期間發(fā)表學術(shù)論文64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫文龍;;基于委托—代理模型的公司IPO市場時機選擇分析[J];商業(yè)時代;2012年03期

2 王傳彬;朱學義;;基于雙任務代理模型的股權(quán)激勵及其經(jīng)驗證據(jù)[J];求索;2012年12期

3 陳柏福,陽凱龍;存在道德風險的委托—代理模型的激勵和監(jiān)督問題[J];河北科技師范學院學報(社會科學版);2004年04期

4 譚培強;胥正川;凌鴻;;企業(yè)內(nèi)部知識共享的委托—代理模型[J];科技進步與對策;2006年05期

5 鄭熹;;綠色經(jīng)濟倡導中的委托—代理模型探析[J];遼寧經(jīng)濟;2011年11期

6 張同健;胡亞會;;知識轉(zhuǎn)移模型與委托——代理模型的擬合性研究[J];統(tǒng)計與決策;2009年02期

7 江孝感,王偉;中央與地方政府事權(quán)關(guān)系的委托—代理模型分析[J];數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究;2004年04期

8 劉渝琳;楊先斌;;基于風險、收益雙重任務委托—代理模型的養(yǎng)老保險基金投資營運管理[J];重慶大學學報(社會科學版);2006年03期

9 蒲勇健;;植入“公平博弈”的委托—代理模型——來自行為經(jīng)濟學的一個貢獻[J];當代財經(jīng);2007年03期

10 陳敏;潘林;;基于委托——代理模型的公司與經(jīng)理、董事激勵博弈分析[J];科技創(chuàng)業(yè)月刊;2006年04期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 修仁強;張小虎;劉宇;黃洪鐘;;多層次復雜系統(tǒng)設計中代理模型的不確定性量化[A];中國力學大會——2013論文摘要集[C];2013年

2 王蘇生;;一個動態(tài)遞歸代理模型及半線性的首選最優(yōu)契約[A];經(jīng)濟學（季刊）第2卷第2期（總第6期）[C];2003年

3 邢立寧;熊健;陳英武;;基于代理模型和試驗設計的社會管理策略評估方法[A];中國系統(tǒng)工程學會第十八屆學術(shù)年會論文集——A02管理科學[C];2014年

4 徐細雄;淦未宇;;基于多任務代理模型的管理者動態(tài)報酬契約設計[A];第十屆中國管理科學學術(shù)年會論文集[C];2008年

5 李權(quán);郭兆電;雷武濤;白俊強;王丹;;飛行器設計中的代理模型與優(yōu)化算法[A];全面建成小康社會與中國航空發(fā)展——2013首屆中國航空科學技術(shù)大會論文集[C];2013年

6 楊培鴻;;重復建設的政治經(jīng)濟學分析:一個基于委托代理框架的模型[A];經(jīng)濟學（季刊）第5卷第2期（總第20期）[C];2006年

中國博士學位論文全文數(shù)據(jù)庫 前9條

1 何成;高溫環(huán)境下結(jié)構(gòu)動力學建模關(guān)鍵技術(shù)研究[D];南京航空航天大學;2014年

2 陳世適;基于多源響應信息融合的優(yōu)化設計理論與方法研究[D];北京理工大學;2016年

3 孫凱鵬;梁、板結(jié)構(gòu)的熱彈性動力學及其反問題研究[D];南京航空航天大學;2015年

4 張劍;基于代理模型技術(shù)的高速列車性能參數(shù)設計及優(yōu)化[D];西南交通大學;2015年

5 武曉莉;基于次可加測度的代理模型及應用[D];天津大學;2014年

6 張國慶;基于代理模型的分數(shù)階粘彈性/雙模量正/反問題數(shù)值求解[D];大連理工大學;2014年

7 向國齊;支持向量回歸機代理模型設計優(yōu)化及應用研究[D];電子科技大學;2010年

8 傅云瑾;IP網(wǎng)絡成本代理模型與成本函數(shù)仿真研究[D];北京郵電大學;2008年

9 趙軻;基于CFD的復雜氣動優(yōu)化與穩(wěn)健設計方法研究[D];西北工業(yè)大學;2015年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 龔文;基于流股和單元的熱力學物性建模和計算方法研究[D];浙江大學;2015年

2 修仁強;多層次系統(tǒng)代理模型的不確定性量化及序列采樣方法研究[D];電子科技大學;2014年

3 展銘;基于代理模型的L型雙加筋板結(jié)構(gòu)動力學優(yōu)化設計[D];南京航空航天大學;2015年

4 劉成龍;基于代理模型的螢火蟲優(yōu)化方法及Isight應用研究[D];大連理工大學;2015年

5 趙濤;基于代理模型驗證的混合不確定性優(yōu)化方法及其在空間繩系設計中的應用[D];電子科技大學;2015年

6 孫丹;風力發(fā)電系統(tǒng)對電網(wǎng)暫態(tài)穩(wěn)定性影響的分析與研究[D];華北電力大學;2015年

7 李興義;基于代理模型的增壓型柴油機進排氣敏感度研究[D];北京理工大學;2016年

8 張劍平;粒子群優(yōu)化算法代理模型的研究[D];吉林大學;2016年

9 張云水;基于最大化期望的多目標設計[D];清華大學;2015年

10 通旭明;基于甲型流感病毒的免疫反應代理模型構(gòu)建以及估參問題的研究[D];西南大學;2016年

，

本文編號：917534