طراحی سیستم مبتنی بر شبکه های عصبی برای پیش بینی آلودگی های پاندمیک و غیرپاندمیک ویروس آنفلونزای آ

اهمیت آنفلوانزا در سرعت انتشار بیماری، وسعت و تعداد مبتلایان و شدت عوارض آن می باشد. ویروس آنفلوانزا تقریبا هر 10 تا 20 سال یکبار به دنبال انحراف آنتی ژنی و تولید ویروس جدیدی که جامعه نسبت به آن مصونیت ندارد، تبدیل به پاندمی یا همه گیری مرگبار می شود. بررسی گونه های پاندمیک و غیرپاندمیک ویروس میتواند نقش عمده ای را در درک بهتر این ویروس و درمان موثرتر آن ایفا نماید. در این پایان نامه با استفاده از ابزارهای داده کاوی و طراحی شبکه ی عصبی هوشمند مدل پیش بینی ای ارائه می نماییم که بر اساس ساختار ژنی یا توالی نوکلئوتیدی هر ژنوم ویروس آنفلوانزا قادر به تشخیص پاندمیک و یا غیر پاندمیک بودن آن ویروس باشد. ازینرو با ایجاد پایگاه داده ی مناسب و استفاده از 10 الگوریتم وزن دهی صفات روی این پایگاه داده، 10 پایگاه داده بدست آمد که با اعمال الگوریتم های دسته بندی بیزین، ماشین بردار پشتیبان و شبکه های عصبی روی این پایگاه ها و مقایسه ی آنها با یکدیگر به این نتیجه رسیدیم که پایگاه داده ی حاصل از الگوریتم وزن دهی صفات "svm" روی مدل " شبکه ی عصبی" توانست بهترین خروجی را داشته باشد. مدل پیشنهادی یک شبکه ی عصبی پرسپترون چند لایه (mlp) با یک لایه ی مخفی و یازده نرون است که توانست با خطای 0.1% در تعیین نوع سویه ی ویروس آنفلوانزای a بهترین پیش بینی را انجام دهد که در محیط متلب پیاده سازی گردید.