根据我们的汉字检测模型——那里实际上是一个字的状态——被认得和不被认得（加上未确定，其实三状态）——两个相互冲突的状态在网络上传递或者说推断，我们提出来一个三状态——待感染、染病和染药三个状态的传染病模型。待传染的个体可以通过接触染病个体变成染病个体，也可以通过接触染药个体变成染药个体。同时，染病个体也可以通过接触染药个体变成染药个体，甚至三个状态的任意一个；染药个体也可以通过接触染病个体变成染病个体，甚至三个状态的任意一个。
任何一个时候每一个个体\(j\)的检测状态记为（\(k_{j}=\left\{1, 0, -1\right\}\)）分别代表染病、待感染和染药。我们有一个接触网络\(A\)，代表这些个体之间可能的接触。染病和染药两种传播可以在一个网络上，也可以在同样顶点的两种网络上，传播矩阵（意义稍后定义）分别记为\(\Omega^{\left(\pm\right)} = \left(\omega^{\left(\pm\right),i}_{j}\right)\)。再简单情况下，可以直接取\(\Omega^{\left(\pm\right)}=A\)。在\(t\)时刻，任意一个个体的状态描述是\(p\left(k_{j}, t\right)\)。
这个模型和同一网络，或者双关系网络——同样的一组顶点通过两种关系形成两个网络，上的两种传染病独立传播模型最大的区别是：这里的两种传染病是可以相互抵消的。下面我们来考虑抵消的动力学。
两种传染病抵消机制的简化描述
我们也可以定义一套新的状态变量\(\eta^{\left(1\right)}_{j}, \eta^{\left(-1\right)}_{j}\)，并且上面的几率分别表达成
\begin{align}
q^{\left(1\right)}=p\left(1_{j},t\right) = \frac{\eta^{\left(1\right)}_{j} \left(t\right) – \eta^{\left(-1\right)}_{j} \left(t\right)}{\eta^{\left(1\right)}_{j} \left(t\right) + \eta^{\left(-1\right)}_{j} \left(t\right)}\theta\left(\eta^{\left(1\right)}_{j} \left(t\right) – \eta^{\left(-1\right)}_{j} \left(t\right)\right) \notag \\
q^{\left(-1\right)}=p\left(-1_{j},t\right) = \frac{\eta^{\left(-1\right)}_{j} \left(t\right) – \eta^{\left(1\right)}_{j} \left(t\right)}{\eta^{\left(1\right)}_{j} \left(t\right) + \eta^{\left(-1\right)}_{j} \left(t\right)}\theta\left(\eta^{\left(-1\right)}_{j} \left(t\right) – \eta^{\left(1\right)}_{j} \left(t\right)\right) \notag \\
p\left(0_{j},t\right) = 1-\frac{\left|\eta^{\left(1\right)}_{j} \left(t\right) – \eta^{\left(-1\right)}_{j} \left(t\right)\right|}{\eta^{\left(1\right)}_{j} \left(t\right) + \eta^{\left(-1\right)}_{j} \left(t\right)} = 1- q^{\left(1\right)} -q^{\left(-1\right)}
\end{align}
注意，采用\(\eta^{\left(1\right)}_{j}, \eta^{\left(-1\right)}_{j}\)这组变量以后，问题极大简化了，这是一个假设。
现在，我们已经清楚了系统状态的描述\(P\)（每一个个体都有一个状态分布函数，整体状态构成一个分布函数大矢量。这个矢量的具体写法可以采用直积或者直和，再说，现在用不着）和初始条件\(P\left(0\right)\)，我们来构造一个动力学过程\(P\left(t-1\right)\rightarrow P\left(t\right)\)。将来，我们要讨论这样的问题：末状态如何依赖于初始条件和模型参数。
我们先讨论动力学过程。每一步（记为\(t\)时刻），我们选择一个个体\(i\)来看其状态变化。
考察这个个体的一级近邻。对于每一个一级近邻\(j\)按照如下方式来影响\(i\)的状态：
- 如果\(k_{j}=0\)，则没有影响
- 如果\(k_{j}=1\)（这个时候可以约定\(\eta^{\left(1\right)}_{j}=1,\eta^{\left(-1\right)}_{j}=0\)），则采用乘性传播
\begin{align}
\eta^{\left(1\right)}_{i}\left(t\right) = \eta^{\left(1\right)}_{i}\left(t-1\right) + \omega^{\left(1\right),j}_{i}\eta^{\left(1\right)}_{j}\left(t-1\right)
\end{align}
或者加性传播
\begin{align}
\eta^{\left(1\right)}_{i}\left(t\right) = \eta^{\left(1\right)}_{i}\left(t-1\right) + \omega^{\left(1\right),j}_{i}
\end{align}
- 如果\(k_{j}=-1\)（这个时候可以约定\(\eta^{\left(1\right)}_{j}=0,\eta^{\left(-1\right)}_{j}=1\)），则采用乘性传播
\begin{align}
\eta^{\left(-1\right)}_{i}\left(t\right) = \eta^{\left(-1\right)}_{i}\left(t-1\right) + \omega^{\left(-1\right),j}_{i}\eta^{\left(-1\right)}_{j}\left(t-1\right)
\end{align}
或者加性传播
\begin{align}
\eta^{\left(1\right)}_{i}\left(t\right) = \eta^{\left(1\right)}_{i}\left(t-1\right) + \omega^{\left(-1\right),j}_{i}
\end{align}
把以上的过程合起来，也就是
\begin{align}
\eta^{\left(k_{j}\right)}_{i}\left(t\right) = \eta^{\left(k_{j}\right)}_{i}\left(t-1\right) + \omega^{\left(k_{j}\right),j}_{i}\eta^{\left(k_{j}\right)}_{j}\left(t-1\right)\left(k^{j}\right)^{2}
\end{align}
或者
\begin{align}
\eta^{\left(k_{j}\right)}_{i}\left(t\right) = \eta^{\left(k_{j}\right)}_{i}\left(t-1\right) + \omega^{\left(k_{j}\right),j}_{i}\left(k^{j}\right)^{2}
\end{align}
必要的时候可以回来计算概率\(p\left(k_{j},t\right)\) 。这样这两种传染状态就能够相互抵消了。
更一般的两种传染病抵消机制的描述
例如，当一个健康顶点周围的染病或者染药顶点多余某个值，就会变成相应的状态。类似的，染病（染药）顶点周围的染病或者染药顶点多余某个值，就会变成相应的状态。