چکیده این مطالعه با هدف، بررسی کاربرد شبکه های عصبی مصنوعی در پیش بینی انرژی قابل متابولیسم با استفاده از مواد مغذی موجود در گندم و ذرت انجام گرفت. شبکه عصبی رگرسیون عمومی، تابع پایه شعاعی و شبکه عصبی پرسپترون سه لایه، مدل های مورد استفاده در این تحقیق بود. شبکه های طراحی شده در مطالعه توسط داده های آموزشی و آزمایشی مورد ارزیابی قرار گرفتند. با استفاده از برآورد حساسیت بهترین ورودی ها انتخاب و در مدل های عصبی به کار رفت. متغیرهای ورودی شامل میزان انرژی خام، پروتئین خام، مواد مغذی (پروتئین خام، چربی خام، فیبر خام، فسفر و خاکستر) و همچنین، پروفیل اسیدهای آمینه ضروری(متیونین، سیستئین، متیونین+ سیستئین، لوسین، فنیل آلانین، تریپتوفان، والین، آرژنین، لایزین، هیستیدین و ترئونین)، متغیر خروجی شامل انرژی قابل متابولیسم مربوط به این دو ماده خوراکی بود. ضریب تبیین (r2) برای هرکدام از مواد مغذی محاسبه شد. هر سه شبکه توانستند ارتباط متغیرهای ورودی و خروجی را به دست آورند. نتایج نشان داد که در ذرت و گندم با استفاده از شبکه عصبی پرسپترون سه لایه ضریب تبیین به مراتب بالاتر از دو شبکه دیگر بود و ذرت با ورودی انرژی و گندم با ورودی پروتئین بهترین برآورد را داشتند. در ذرت، شبکه عصبی رگرسیون عمومی به جز درمورد ورودی انرژی خام برآورد پایین تری از دو شبکه دیگر داشت و تابع پایه شعاعی تنها با ورودی انرژی خام ضعیف عمل کرد. در گندم تابع پایه شعاعی در همه ورودی ها به جز ورودی اسید های آمینه برآورد بهتری از شبکه عصبی رگرسیون عمومی داشت. با استفاده از نتایج این تحقیق توصیه می شود که شبکه عصبی مصنوعی را می توان به عنوان ابزار قدرتمند برای مدل سازی، پیش بینی و برآورد مواد مغذی ترکیب مواد خوراکی طیور به کار برد.

تعیین انرژی قابل سوخت و ساز فرایندی زمان بر است و با مشکلات زیادی همراه است. از اینرو ارائه مدلی که بتواند بهترین پیش بینی را از این انرژی داشته باشد، از نقطه نظر مدیریت تغذیه طیور حائز اهمیت است. بنابراین، در این تحقیق به بررسی کارآیی سه نوع شبکه عصبی rbf, mlp و grnnبا ساختار متفاوت در پیش بینی انرژی قابل سوخت و ساز سورگوم و تریتیکاله پرداخته شد. در ادامه نیز کارایی این روش ها با مدل رگرسیونی به دو روش توام و گام به گام مقایسه گردید. نتایج بیانگر آن است که در میان همه روش های استفاده شده شبکه عصبی mlp دارای دقت بیشتری در برآورد انرژی قابل سوخت و ساز سورگوم و تریتیکاله می باشد. به گونه ای که شبکه عصبی پرسپترون چند لایه با آرایش 1-12-6 و1-10-6 به ترتیب توانست 99 درصد از تغییرات انرژی قابل سوخت و ساز سورگوم و تریتیکاله را با استفاده از ویژگی های شیمیایی آن (انرژی خام، پروتئین خام، چربی خام، فیبر خام، فسفر و خاکستر ) پیش بینی کند. همچنین، مقدارrmse در مدل mlp به ترتیب برابر 76/3 و 86/9 برای سورگوم و تریتیکاله بدست آمد. در بهترین روش رگرسیونی برای تخمین انرژی قابل سوخت و ساز سورگوم مقدار91/0 r2=و 61/12 rmse= بدست آمد که این آماره ها در تریتیکاله به ترتیب برابر با 76/0 و81/30 می باشد. همچنین، نتایج تجزیه حساسیت نشان داد از میان شش ویژگی شیمیایی سورگوم و تریتیکاله، انرژی خام مهمترین فراسنجه تاثیرگذار بر انرژی قابل سوخت و ساز آن است.