مقایسه مدل خطی و شبکه عصبی مصنوعی در پیش‌بینی تولید شیر با استفاده از رکوردهای اولین دوره شیردهی ثبت شده

Authors

  • حسن بانه استادیار موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
  • کاظم یوسفی کلاریکلائی استادیار بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران
  • کریم نوبری عضو هیئت علمی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان
Abstract:

سابقه و هدف: پیش‌بینی دقیق تولید شیر یکی از ملزومات مدیریت دامپروری و مدل‌سازی درآمد دامداران در تجزیه و تحلیل های هزینه-فایده می‌باشد. بطوری که پیش‌بینی دقیق رکوردهای آینده می‌تواند طول دوره رکوردبرداری را کاهش دهد. برآوردهای زودهنگام ارزش اصلاحی گاوهای نر با استفاده از رکوردهای بخشی از دوره شیردهی می‌تواند باعث کاهش فاصله نسل و بیشتر شدن شدت انتخاب و پیشرفت ژنتیکی گردد. مدل خطی یکی از روشهای مرسوم مدلسازی در تحقیقات رشته های مختلف علوم می باشد. شبکه عصبی مصنوعی روشی مبتنی بر هوش مصنوعی است که اصول کارکرد آن مانند سلول‌های مغز انسان می‌باشد. کاربرد آسان شبکه عصبی مصنوعی و توان مدل‌سازی توابع و روابط پیچیده یک از عوامل کاربرد وسیع آن است. در طول دو دهه گذشته انقلابی در جهت استفاده از شبکه‌های عصبی مصنوعی برای مدل‌سازی در حوزه‌های مختلف علوم ایجاد شده است که نشان از موفقیت کاربرد این تکنیک قدرتمند در حل دامنه وسیعی از مشکلات مربوط به علوم مختلف می‌باشد. با این مقدمه تحقیق حاضر با هدف پیش‌بینی تولید شیر گاوهای شیری در دوره‌های شیردهی مختلف با استفاده از تولید شیر اولین دوره شیردهی رکوردبرداری شده و مدل‌سازی شبکه عصبی مصنوعی انجام شد. علاوه بر آن نتایج مدل شبکه عصبی مصنوعی با مدل خطی مورد مقایسه قرار گرفت. مواد و روشها: در این تحقیق از رکوردهای دو دوره‌شیردهی متوالی 2460 راس گاو شیری مربوط به یک گله استفاده شد. در شجره سری داده مورد استفاده تعداد 2517 گاو شیری وجود داشت. جهت برازش مدل شبکه عصبی مصنوعی، داده ها به دو دسته آموزش و آزمون تقسیم شدند. مدل شبکه عصبی با استفاده از داده‌های آموزش روابط بین خروجی و ورودی‌ها را یادگیری نمود. با پیش‌بینی خروجی داده-های آزمون توسط مدل و مقایسه برآوردها با اندازه‌های واقعی، پارامترهای برازش مدل مورد بررسی قرار گرفتند. ساختار شبکه‌ای که بهترین پارامترهای برازش را ایجاد می‌نمود در مدل شبکه عصبی مصنوعی مورد استفاده قرار گرفت. در نهایت، مدل خطی بر روی داده ها برازش شده و با مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. یافته ها: بهترین ساختار مدل شبکه عصبی دارای 8 ورودی، 4 نرون در لایه پنهان اول، 2 نرون در لایه پنهان دوم و یک خروجی بود که ورودی‌های آنها شامل ارزش اصلاحی میانگین تولید شیر دوره اول شیردهی ثبت شده، نوبت زایش،‌ گروه پدری، سن اولین زایش ثبت شده، تعداد رکورد برای هر دوره شیردهی و میانگین، حداقل و حداکثر روزهای شیردهی ثبت شده و خروجی مدل شامل رکورد شیر تولیدی بود. مدل شبکه عصبی مورد استفاده، رکورد مربوط به دوره‌های شیردهی را به ترتیب با RMSE و ضریب تبیین 94/7 و 625/0 برآورد کرد. ضریب تبیین و RMSE مدل خطی مورد بررسی به ترتیب 39/0 و 63/26 بود. نتیجه گیری: مدل شبکه عصبی مورد استفاده در این تحقیق قادر به پیش‌بینی تولید شیر دوره آینده بر اساس اطلاعات اولین دوره شیردهی ثبت شده بود. این تحقیق نشان داد که استفاده از مدل‌سازی شبکه عصبی می تواند در کاهش طول دوره رکوردبرداری برای ارزیابی ژنتیکی گاوهای شیری بخصوص گاوهای نر مفید می‌باشد و می‌تواند باعث کاهش فاصله نسل گردد. نتایج همچنین نشان داد که با بکارگیری مدل شبکه عصبی مصنوعی داده‌های ناقص نیز در ارزیابی ژنتیکی قابل استفاده می‌باشند. مقایسه تحقیق حاضر با تحقیقات گذشته نشان داد که استفاده از عوامل موثرتر برای تولید شیر به عنوان ورودی مدل می‌تواند دقت و صحت پیش‌بینی ها را افزایش دهد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

اثر بربرین در تنظیم آستروسیتهای Gfap+ ناحیه هیپوکمپ موشهای صحرایی دیابتی شده با استرپتوزوتوسین

Background: Diabetes mellitus increases the risk of central nervous system (CNS) disorders such as stroke, seizures, dementia, and cognitive impairment. Berberine, a natural isoquinolne alkaloid, is reported to exhibit beneficial effect in various neurodegenerative and neuropsychiatric disorders. Moreover astrocytes are proving critical for normal CNS function, and alterations in their activity...

full text

اثر بربرین در تنظیم آستروسیتهای Gfap+ ناحیه هیپوکمپ موشهای صحرایی دیابتی شده با استرپتوزوتوسین

Background: Diabetes mellitus increases the risk of central nervous system (CNS) disorders such as stroke, seizures, dementia, and cognitive impairment. Berberine, a natural isoquinolne alkaloid, is reported to exhibit beneficial effect in various neurodegenerative and neuropsychiatric disorders. Moreover astrocytes are proving critical for normal CNS function, and alterations in their activity...

full text

پیش‌بینی اسلامپ بتن با استفاده از مدل شبکه عصبی مصنوعی و روش رگرسیون چندمتغیره خطی

روش‌های مختلفی جهت اندازه‌گیری کارایی بتن وجود دارد که یکی از متداول‌ترین و معمول‌ترین روش‌ها، آزمایش اسلامپ است. جهت دست‌یابی به مخلوط‌های بتنی با اسلامپ مورد نظر، باید مخلوط‌های مختلف بتنی ساخته شود و آزمایش اسلامپ بر روی آن‌ها صورت گیرد. جهت صرفه‌جویی در زمان، هزینه و مصالح بهتر است از روش‌های هوشمندی جهت پیش‌بینی اسلامپ بتن بر اساس نتایج مربوط به تعداد معینی از مخلوط‌های بتنی استفاده شود. د...

full text

تولید شتابنگاشت مصنوعی زلزله با استفاده از شبکه عصبی فازی

نیاز روزافزون به تحلیل دینامیکی تاریخچه زمانی و عدم­وجود شتابنگاشت­های مناسب در مناطق مختلف، تولید شتابنگاشت­های مصنوعی سازگار با طیف طرح را ضروری می­سازد. هدف اصلی این تحقیق ارائه روشی نوین، بر اساس تبدیل بسته موجک و روش های هوش مصنوعی  برای تولید شتابنگاشت مصنوعی زلزله سازگار با طیف طرح بر اساس مقدار بزرگا، فاصله از گسل و طیف مربوطه می باشد. در این تحقیق از شبکه های عصبی فازی و آنالیز موجک پک...

full text

بررسی صفات رشد گوسفند لری با استفاده از مدل‌های غیر خطی و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک

زمینه مطالعاتی: در این پژوهش از اطلاعات تعداد 7054 راس گوسفند نژاد لری برای برازش منحنی رشد این نژاد استفاده شد. هدف: صفات رشد مورد بررسی شامل وزن تولد، از شیرگیری، شش ماهگی و نه ماهگی بود که با استفاده از سه مدل غیر خطی شامل گمپرتز، برودی و لجستیک و همچنین شبکه عصبی مصنوعی (ANN) برازش شد. روش کار: تیپ تولد، جنسیت، سال تولد، سن مادر و فصل تولد به همراه وزن تولد، شیرگیری و شش ماهگی به عنوان عوام...

full text

پیشبینی آماری پهنه بندی خطر زلزله احتمالی با استفاده شبکه های عصبی مصنوعی

پیش‌بینی محل وقوع زلزله‌های آتی همراه با تعیین درصد احتمال رخداد، می‌تواند در کاهش خطرات ناشی از زلزله بسیار سودمند باشد. تعیین محل‌های پیش‌بینی شده، سبب افزایش توجه به طراحی، به‌سازی لرزه­ای و ارزیابی قابلیت اعتمادپذیری سازه‌های موجود در این مکان‌ها می‌شود. در پیش‌بینی زمان وقوع زلزله فرضیه‌ها و نظریه‌های گسترده‌ای مطرح است. هنوز شیوه‌ای دقیق برای پیش‌بینی زمان رخداد زلزله‌های آتی مورد تأیید ق...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 4

pages  89- 100

publication date 2019-02-20

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023