1878年, Perroncito首次报道了在意大利鸡群中发生的家禽疫(fowl plague, 禽瘟), 直到1902年其病原才被分离出, 这也是第一株被证实的流感病毒.禽流感病毒在人与人之间的传播极为少见.2003年荷兰H7N7禽流感暴发期间, 3例未接触过病禽的家庭成员的发病提示存在人与人之间的传播.由于禽流感不仅对禽类群体产生严重的影响, 在人类群体中更可能造成大规模流行, 严重威胁人类的生命安全.如果可以通过媒体让人们认识到感染疾病的症状, 以及对个人及家庭带来的影响, 让人们从心理上重视, 了解一些预防措施, 从而减少患病人数, 所以研究有媒体影响的禽流感是很有必要的.
已有大量文献运用数学模型来研究传染病传播规律与控制途径[1-8].文献[1]引入函数e-mI来研究媒体影响因子, 建立了SEI模型, 并讨论了模型的动力学性态, 得出模型有多个正平衡点存在和Hopf分支出现的充分条件.文献[2]结合禽类传播模型和人类疾病传播模型, 提出了一种禽类-人类的流感传染模型.文献[3]讨论了两类禽流感模型, 一类是被带有禽流感病毒的禽感染的模型, 另一类是被感染禽流感病毒的人群感染的数学模型.文献[4]讨论了媒体报道对禽流感传播的影响.文献[9]考虑了非光滑媒体因子函数, 得到了模型的全局性态.文献[10-13]考虑媒体报道对一般疾病传播的影响.文献[14-17]考虑了饱和治疗率和非线性发生率对疾病传播的影响.本文在此基础上,结合禽流感传播的特性,假设人类易感者能被禽流感感染者感染,考虑带有媒体影响因子的人与人之间相互传染的SI-SIR型禽流感模型.
1 模型的建立本文将禽类种群分成禽类易感者和禽类感染者, 分别用Sa(t), Ia(t)表示其数量, Na(t)表示禽类总数, 则有Na(t)=Sa(t)+Ia(t).再将人类分成易感者, 感染者和恢复者, 分别用Sh(t), Ih(t), Rh(t)表示其数量, Nh(t)表示人类总数, 则有Nh(t)=Sh(t)+Ih(t)+Rh(t).假设禽类与人类新出生和新迁入的种群均为易感者, 分别设为Πa, Πh.建立媒体报道对人与人之间相互传染的SI-SIR禽流感的影响模型, 即
$ \left\{ \begin{array}{l} {{S'}_a}\left( t \right) = \mathit{\Pi }_a { - {\beta _a}{I_a}{S_a} - {\mu _a}{S_a}} ,\\ {{I'}_a}\left( t \right) = {\beta _a}{I_a}{S_a} - \left( {{\mu _a} + {\delta _a}} \right){I_a},\\ {{S'}_h}\left( t \right) = \mathit{\Pi }_h { - \frac{{{\beta _h}{I_a}{S_a}}}{{1 + \sigma {I_h}}} - \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - {\mu _h}{S_h}} ,\\ {{I'}_h}\left( t \right) = \frac{{{\beta _h}{I_a}{S_h}}}{{1 + \sigma {I_h}}} + \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - \left( {{\mu _h} + {\delta _h} + {\mu _h}} \right){I_h},\\ {{R'}_h}\left( t \right) = {\gamma _h}{I_h} - {\mu _h}{R_h}. \end{array} \right. $ | (1) |
其中βa表示禽类易感者与禽类感染者之间的传染率, μa表示禽类的自然死亡率, δa表示禽类的因病死亡率, βh表示人类易感者与禽类感染者之间的传染率, αh表示人类易感者与人类感染者之间的传染率, μh表示人类的自然死亡率, δh表示人类的因病死亡率, γh表示人类的恢复率, σ表示媒体影响因子.假定所有参数都是正常数.
容易得出系统(1) 有一个正向不变集
$ D = \left\{ {\left( {{S_a},{I_a},{S_h},{I_h},{R_h}} \right) \in {\bf{R}}_ + ^5:{N_a} \le \frac{{{\mathit{\Pi }_a}}}{{{\mu _a}}},{N_h} \le \frac{{{\mathit{\Pi }_h}}}{{{\mu _h}}}} \right\}, $ |
并且D对系统(1) 的所有R+5内的解都是吸引的.下面将在正向不变集中研究模型的动力学性态.
2 平衡点的存在性与稳定性先考虑如下的子系统
$ \left\{ \begin{array}{l} {{S'}_a}\left( t \right) = {\mathit{\Pi }_a} - {\beta _a}{I_a}{S_a} - {\mu _a}{S_a},\\ {{I'}_a}\left( t \right) = {\beta _a}{I_a}{S_a} - \left( {{\mu _a} + {\delta _a}} \right){I_a}. \end{array} \right. $ | (2) |
该系统有不变集
引理1[8] 当Ra≤1, 系统(2) 仅存在无病平衡点
引理2[8] 当Ra>1时, 系统(2) 的正平衡点e*=(Sa*, Ia*)是全局渐近稳定的.
由于系统(1) 的前4个方程不含变量Rh, 因此可以先研究如下系统
$ \left\{ \begin{array}{l} {{S'}_a}\left( t \right) = \mathit{\Pi }_a { - {\beta _a}{I_a}{S_a} - {\mu _a}{S_a}} ,\\ {{I'}_a}\left( t \right) = {\beta _a}{I_a}{S_a} - \left( {{\mu _a} + {\delta _a}} \right){I_a},\\ {{S'}_h}\left( t \right) = \mathit{\Pi }_h { - \frac{{{\beta _h}{I_a}{S_h}}}{{1 + \sigma {I_h}}} - \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - {\mu _h}{S_h}} ,\\ {{I'}_h}\left( t \right) = \frac{{{\beta _h}{I_a}{S_h}}}{{1 + \sigma {I_h}}} + \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - \left( {{\mu _h} + {\delta _h} + {\mu _h}} \right){I_h}. \end{array} \right. $ | (3) |
而Rh的性态可以由Rh′(t)=γhIh-μhRh得到.系统(3) 有正向不变集D1={(Sa, Ia, Sh, Ih)∈R+4:
定理1 系统(3) 总有无病平衡点
而当Ra>1时, 易知系统(3) 存在唯一的正平衡点E2*=(Sa2*, Ia2*, Sh2*, Ih2*), 其中
$ S_{{a_2}}^ * = \frac{{{\mu _a} + {\delta _a}}}{{{\beta _a}}},I_{{a_2}}^ * = \frac{{{\mathit{\Pi }_a} - {\mu _a}S_{{a_2}}^ * }}{{{\beta _a}S_{{a_2}}^ * }},S_{{h_2}}^ * = \frac{{{\mathit{\Pi }_h}}}{{\frac{{{\beta _h}I_{{a_2}}^ * }}{{1 + \sigma I_{{h_2}}^ * }} + \frac{{{\alpha _h}I_{{h_2}}^ * }}{{1 + \sigma I_{{h_2}}^ * }} + {\mu _h}}}. $ |
证明 系统(3) 的平衡点E*=(Sa*, Ia*, Sh*, Ih*)满足方程
$ \left\{ \begin{array}{l} 0 = {\mathit{\Pi }_a} - {\beta _a}I_a^ * S_a^ * - {\mu _a}S_a^ * ,\\ 0 = {\beta _a}I_a^ * S_a^ * - \left( {{\mu _a} + {\delta _a}} \right)I_a^ * ,\\ 0 = {\mathit{\Pi }_h} - \frac{{{\beta _h}I_a^ * S_h^ * }}{{1 + \sigma I_h^ * }} - \frac{{{\beta _h}I_h^ * S_h^ * }}{{1 + \sigma I_h^ * }} - {\mu _h}S_h^ * ,\\ 0 = \frac{{{\beta _h}I_a^ * S_h^ * }}{{1 + \sigma I_h^ * }} + \frac{{{\alpha _h}I_h^ * S_h^ * }}{{1 + \sigma I_h^ * }} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right)I_h^ * . \end{array} \right. $ | (4) |
由式(4) 计算可知系统(3) 总有无病平衡点
而当Ra>1时, 由式(4) 的前两式知禽类系统有正平衡点
$ S_{{a_2}}^ * = \frac{{{\mu _a} + {\delta _a}}}{{{\beta _a}}},\;\;\;\;I_{{a_2}}^ * = \frac{{{\mathit{\Pi }_a} - {\mu _a}S_{{a_2}}^ * }}{{{\beta _a}S_{{a_2}}^ * }}. $ |
代入式(4) 后两式得到Sh*, Ih*满足方程组
$ \left\{ \begin{array}{l} {\mathit{\Pi }_h} - \frac{{{\beta _h}I_{{a_2}}^ * S_h^ * }}{{1 + \sigma I_h^ * }} - \frac{{{\beta _h}I_h^ * S_h^ * }}{{1 + \sigma I_h^ * }} - {\mu _h}S_h^ * = 0,\\ \frac{{{\beta _h}I_{{a_2}}^ * S_h^ * }}{{1 + \sigma I_h^ * }} + \frac{{{\beta _h}I_h^ * S_h^ * }}{{1 + \sigma I_h^ * }} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right)I_h^ * = 0. \end{array} \right. $ | (5) |
由方程(5) 第1式得
$ S_h^ * = \frac{{{\mathit{\Pi }_h}}}{{\frac{{{\beta _h}I_{{a_2}}^ * }}{{1 + \sigma I_{{h_2}}^ * }} + \frac{{{\beta _h}I_{{h_2}}^ * }}{{1 + \sigma I_h^ * }} + {\mu _h}}}. $ |
将其带入第2式整理得
$ {a_1}{\left( {I_h^ * } \right)^2} + {a_2}I_h^ * + {a_3} = 0. $ |
其中a1=(αh+σμh)(μh+δh+γh), a2=βhIa2* (μh+δh+γh)+μh-αhΠh, a3=βhIa2*-βhΠhIa2*=βhIa2*(1-Πh).由于a1>0, a3 < 0, 则方程(5) 有且仅有一个整根, 故此时系统(3) 存在唯一的正平衡点E2*=(Sa2*, Ia2*, Sh2*, Ih2*), 得证.
定理2 当Ra < 1且R0 < 1时, 系统(3) 的无病平衡点E0*在区域D1内是全局渐近稳定的; 当Ra>1或R0>1时, E0*是不稳定的.
证明 先证E0*的局部稳定性.系统(3) 在无病平衡点E0*处的Jacobi矩阵为
$ \mathit{\boldsymbol{J}}\left( {E_0^ * } \right) = \left( {\begin{array}{*{20}{c}} { - {\mu _a}}&{ - \frac{{{\beta _a}{\mathit{\Pi }_a}}}{{{\mu _a}}}}&0&0\\ 0&{\frac{{{\beta _a}{\mathit{\Pi }_a}}}{{{\mu _a}}} - \left( {{\mu _a} + {\delta _a}} \right)}&0&0\\ 0&{ - \frac{{{\beta _h}{\mathit{\Pi }_h}}}{{{\mu _h}}}}&{ - {\mu _h}}&{ - \frac{{{a_h}{\mathit{\Pi }_h}}}{{{\mu _h}}}}\\ 0&{\frac{{{\beta _h}{\mathit{\Pi }_h}}}{{{\mu _h}}}}&0&{\frac{{{\alpha _h}{\mathit{\Pi }_h}}}{{{\mu _h}}} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right)} \end{array}} \right), $ |
其特征根为
$ {\lambda _1} = - {\mu _a},{\lambda _2} = \frac{{{\beta _a}{\mathit{\Pi }_a}}}{{{\mu _a}}} - {\mu _a} - {\delta _a},{\lambda _3} = - {\mu _h},{\lambda _4} = \frac{{{\alpha _h}{\mathit{\Pi }_h}}}{{{\mu _h}}} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right). $ |
当Ra < 1且R0 < 1时, 特征根均为负, 所以E0*是局部渐近稳定的; 当Ra>1或R0>1时, λ2>0或λ4 < 0至少有一个特征根为正, 故E0*是不稳定的.
再证明无病平衡点E0*的全局稳定性.当Ra < 1时, 即有
$ \left\{ \begin{array}{l} {{S'}_h}\left( t \right) = {\mathit{\Pi }_h} - \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - {\mu _h}{S_h},\\ {{I'}_h}\left( t \right) = \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right){I_h}. \end{array} \right. $ | (6) |
显然,
$ \begin{array}{l} L' = \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right){I_h} \le \frac{{{\alpha _h}{I_h}}}{{1 + \sigma {I_h}}}\frac{{{\mathit{\Pi }_h}}}{{{\mu _h}}} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right){I_h} = \\ \;\;\;\;\;\;\;\left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right){I_h}\left( {\frac{{{R_0}}}{{1 + \sigma {I_h}}} - 1} \right) \le 0. \end{array} $ |
当且仅当Ih=0时等号成立.又D3={(Sh, Ih)∈D2|Ih=0}是系统(6) 的最大正不变子集, 则由LaSalle不变原理知, 当Ra < 1, E0*是全局渐近稳定的.
定理3 当Ra < 1且R0>1时, 系统(3) 的平衡点E1*=(Sa1*, 0, Sh1*, Ih1*)在区域D1内是全局渐近稳定的; 当Ra>1且R0>1时, E1*=(Sa1*, 0, Sh1*, Ih1*)是不稳定的.
证明 先证E1*的局部稳定性.系统(3) 在平衡点E1*处的的Jacobi矩阵为
$ \mathit{\boldsymbol{J}}\left( {E_1^ * } \right) = \left( {\begin{array}{*{20}{c}} { - {\mu _a}}&{ - \frac{{{\beta _a}{\mathit{\Pi }_a}}}{{{\mu _a}}}}&0&0\\ 0&{\frac{{{\beta _a}{\mathit{\Pi }_a}}}{{{\mu _a}}} - \left( {{\mu _a} + {\delta _a}} \right)}&0&0\\ 0&{ - \frac{{{\beta _h}S_{h1}^ * }}{{1 + \sigma I_{h1}^ * }}}&{ - \frac{{{\alpha _h}I_{h1}^ * }}{{1 + \sigma I_{h1}^ * }} - {\mu _h}}&{ - \frac{{{a_h}S_{h1}^ * }}{{1 + \sigma I_{h1}^ * }}}\\ 0&{\frac{{{\beta _h}S_{h1}^ * }}{{1 + \sigma I_{h1}^ * }}}&{\frac{{{\beta _h}I_{h1}^ * }}{{1 + \sigma I_{h1}^ * }}}&{\frac{{{\alpha _h}I_{h1}^ * \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right)}}{{1 + \sigma I_{h1}^ * }}} \end{array}} \right). $ |
其特征根λ1=-μa,
$ \begin{array}{*{20}{c}} {p = \frac{{\left[ {\sigma \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right) + {\alpha _h}} \right]}}{{1 + \sigma I_{h1}^ * }} + {\mu _h} > 0,}\\ {q = \frac{{\sigma {\alpha _h}\left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right){{\left( {I_{h1}^ * } \right)}^2} + {{\left( {{\alpha _h}} \right)}^2}I_{h1}^ * S_{h1}^ * }}{{{{\left( {1 + \sigma I_{h1}^ * } \right)}^2}}} + \frac{{\sigma {\mu _h}I_{h1}^ * \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right)}}{{1 + \sigma I_{h1}^ * }} > 0.} \end{array} $ |
则λ3, λ4的实部必为负, 而当Ra < 1且R0>1时, λ1 < 0, λ2 < 0, 所以E1*是局部渐近稳定的; 当Ra>1, R0>1时, 有λ2>0, 故E1*是不稳定的.
下证当Ra < 1且R0>1时, 平衡点E1*是全局渐近稳定的.选取Lyapunov函数V=Ia, 则V′=βaIaSa-(μa+δa)Ia≤(Ra-1)Ia < 0, 由LaSalle不变原理[18]可知, 当Ra < 1且R0>1时, E1*是全局渐近稳定的.
定理4 当Ra>1时, 系统(3) 的平衡点E2*全局渐近稳定的.
证明 系统(1) 的子系统
$ \left\{ \begin{array}{l} {{S'}_a}\left( t \right) = {\mathit{\Pi }_a} - {\beta _a}{I_a}{S_a} - {\mu _a}{S_a},\\ {{I'}_a}\left( t \right) = {\beta _a}{I_a}{S_a}\left( {{\mu _a} + {\delta _a}} \right){I_a}, \end{array} \right. $ |
由引理1知Ra>1时, 该子系统的正平衡点e*=(Sa*, Ia*)是全局渐近稳定的, 即
$ \mathop {\lim }\limits_{t \to \infty } {S_a}\left( t \right) = \frac{{{\mu _a} + {\delta _a}}}{{{\beta _a}}} = S_a^ * ,\mathop {\lim }\limits_{t \to \infty } {I_a}\left( t \right) = \frac{{{\mathit{\Pi }_a} - {\mu _a}S_a^ * }}{{{\beta _a}S_a^ * }} = \frac{{{\mu _a}}}{{{\beta _a}}}\left( {{R_a} - 1} \right) = I_a^ * . $ |
故可得系统(1) 的极限子系统
$ \left\{ \begin{array}{l} {{S'}_h}\left( t \right) = {\mathit{\Pi }_h} - \frac{{{\beta _h}I_{{a_2}}^ * {S_h}}}{{1 + \sigma {I_h}}} - \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - {\mu _h}{S_h} \buildrel \Delta \over = H\left( {{S_h},{I_h}} \right)\\ {{I'}_h}\left( t \right) = \frac{{{\beta _h}I_{{a_2}}^ * {S_h}}}{{1 + \sigma {I_h}}} + \frac{{{\alpha _h}{I_h}{S_h}}}{{1 + \sigma {I_h}}} - \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right){I_h} \buildrel \Delta \over = G\left( {{S_h},{I_h}} \right). \end{array} \right. $ | (7) |
选取Dulac函数为
$ \frac{{\partial \left( {BH} \right)}}{{\partial {S_h}}} + \frac{{\partial \left( {BG} \right)}}{{\partial {I_h}}} = - \frac{{{\beta _h}I_{{a_2}}^ * }}{{{I_h}}} - {a_h} - {\mu _h}\frac{{1 + \sigma {I_h}}}{{{I_h}}} - \frac{{{\beta _h}I_{{a_2}}^ * {S_h}}}{{{{\left( {{I_h}} \right)}^2}}} - \sigma \left( {{\mu _h} + {\delta _h} + {\gamma _h}} \right) < 0. $ |
故系统(5) 在其最大不变集上无环, 系统(5) 的平衡点E2*只要存在就全局渐近稳定.再由极限系统理论[8]可知, 系统(3) 的平衡点E2*全局渐近稳定.
3 结束语讨论了有媒体影响因子的人与人之间相互传染的SI-SIR型禽流感模型.分析得到两个阈值, 禽类阈值Ra和人类阈值R0.当Ra < 1且R0 < 1, 无病平衡点是全局渐近稳定的, 表示禽流感在人群与禽类种群中都不会流行而且最终将消失; 当Ra < 1且R0>1时, 系统还存在平衡点E1*, 且该平衡点是全局渐近稳定的, 而无病平衡点是不稳定的, 即表示无论是禽类患者还是人类患者, 如果患者在其患病周期内传染的人数大于1, 则虽然禽流感最终将在禽类种群中消失, 但却会在人类种群中流行; 当Ra>1时, 平衡点E2*是全局渐近稳定的, 说明疾病将会在人类种群与禽类种群中流行且最终稳定在平衡点E2*.所以, 要避免疾病在人类种群中流行, 除了降低Ra外, 还必须降低R0, 即要降低禽类易感者与禽类感染者之间的接触率, 以及人类易感者与人类感染者之间的接触率, 即降低βa, αh的值, 也可通过宰杀禽类感染者.此外, 还可以通过提高医疗水平, 从而提高治愈率, 另外健康的生活方式, 良好的生活习惯, 及时的信息获取, 必要的预防接种均可有效降低感染率.
[1] | CUI J A, SUN Y H, ZHU H P. The impact of media on the control of infectious diseases[J]. Journal of Dynamics and Differential Equations, 2008, 20(1): 31-53 DOI:10.1007/s10884-007-9075-0 |
[2] | IWAMI S, TAKEUCHI Y, LIU X N. Avian-human influenza epidemic model[J]. Mathematical Biosciences, 2007, 207(1): 1-25 DOI:10.1016/j.mbs.2006.08.001 |
[3] |
殷其琴, 冯光庭, 张兴安. 两类禽流感模型的动力学分析[J].
应用数学, 2015, 28(3): 481-489 YIN Qiqin, FENG Guangting, ZHANG Xing'an. Dynamics of two avian influenza models[J]. Mathematica Applicata, 2015, 28(3): 481-489 |
[4] |
胡新利, 杨亚莉, 赵惠文, 等. 媒体报道对禽流感(H7N9) 传播影响的研究[J].
西北大学学报, 2014, 44(4): 525-528 HU Xinli, YANG Yali, ZHAO Huiwen, et al. The impact of media reports on the avian influenza(H7N9) transmission[J]. Journal of Northwest University, 2014, 44(4): 525-528 |
[5] |
李建全, 杨亚莉, 王伟. 一类带有治疗的HIV传播模型的定性分析[J].
工程数学学报, 2009, 26(2): 226-232 LI Jianquan, YANG Yali, WANG Wei. Qualitative analysis of a class of HIV transmission model with treatment[J]. Chinese Journal of Engineering Mathematics, 2009, 26(2): 226-232 |
[6] |
杨光, 张庆灵. 对传染病数学模型施加控制的阈值分析[J].
工程数学学报, 2004, 19(2): 180-184 YANG Guang, ZHANG Qingling. Threshold analysis of the mathematical model of infectious disease[J]. Chinese Journal of Engineering Mathematics, 2004, 19(2): 180-184 |
[7] |
陈永雪. 一类禽流感模型的全局稳定性[J].
数学的实践与认识, 2012, 42(3): 119-125 CHEN Yongxue. Global stability of an avian influenza model[J]. Mathematics in Practice and Theory, 2012, 42(3): 119-125 |
[8] |
马知恩, 周义仓, 王稳地, 等.
传染病动力学的数学建模与研究[M]. 北京: 科学出版社, 2004.
MA Zhien, ZHOU Yicang, WANG Wendi, et al. Mathematical modeling and study on the dynamics of infectious disease[M]. Beijing: Science Press, 2004. |
[9] |
刘玉英, 肖燕妮. 一类受媒体影响的传染病模型的研究[J].
应用数学与力学, 2013, 34(4): 399-407 LIU Yuying, XIAO Yanni. A study of the infectious disease model with the influence of the media[J]. Applied Mathematics and Mechanics, 2013, 34(4): 399-407 |
[10] |
王晓娜, 李有文, 刘茂省. 媒体报道和时滞对传染病控制的影响[J].
科技信息, 2012(20): 145-146 WANG Xiaona, LI Youwen, LIU Maosheng. The influence of media reports and time delay on the control of infectious disease[J]. Scientific and Technological Information, 2012(20): 145-146 DOI:10.3969/j.issn.1673-1328.2012.20.155 |
[11] |
王晓娜, 刘茂省, 李有文. 媒体报道对一类具有潜伏期的传染病控制的影响[J].
数学的实践与认识, 2012, 42(33): 173-178 WANG Xiaona, LIU Maosheng, LI Youwen. The influence of media reports on the control of a class of infectious disease[J]. Mathematics in Practice and Theory, 2012, 42(33): 173-178 |
[12] |
张素霞, 周义仓. 考虑媒体作用的传染病模型的分析与控制[J].
工程数学学报, 2013, 30(3): 416-426 ZHANG Suxia, ZHOU Yicang. Analysis and control of infectious disease model considering the role of media[J]. Chinese Journal of Engineering Mathematics, 2013, 30(3): 416-426 |
[13] | LIU Rongsong, WU Jianhong, ZHU Huiping. Media/psychological impact on multiple outbreaks of emerging infectious disease[J]. Computational and Methematical Methods in Medicine, 2007, 8(3): 153-164 DOI:10.1080/17486700701425870 |
[14] | LI Bo, YUAN Sanling, ZHANG Weiguo. Analysis on an epidemic model with a ratio dependent nonlinear incidence rate[J]. International Journal of Biomathematics, 2011, 4(2): 227-239 DOI:10.1142/S1793524511001374 |
[15] |
曹慧, 周义仓. 具有饱和治疗的离散SEIS结核病模型的动力学性态[J].
数学的实践与认识, 2014, 44(18): 209-216 CAO Hui, ZHOU Yicang. Dynamics of discrete SEIS tuberculosis model with saturated treatment[J]. Mathematics in Practice and Theory, 2014, 44(18): 209-216 |
[16] |
郭树敏, 郭丽娜, 李学志. 具有饱和治疗的禽流感动力学模型的研究[J].
数学的实践与认识, 2010, 40(3): 134-137 GUO Shumin, GUO Lina, LI Xuezhi. Study on dynamic model of avian influenza with saturated treatment[J]. Mathematics in Practice and Theory, 2010, 40(3): 134-137 |
[17] |
唐晓明, 薛亚奎. 具有饱和治疗函数与密度制约的SIS传染病模型的后向分支[J].
数学的实践与认识, 2010, 40(24): 241-246 TANG Xiaoming, XUE Yakui. The backward bifurcation of a SIS epidemic model with saturated treatment function and density[J]. Mathematics in Practice and Theory, 2010, 40(24): 241-246 |
[18] | LASALLE J P.The stability of dynamical systems[M].Philadelphia, SIAM, 1976. |