تعداد نشریات | 31 |
تعداد شمارهها | 743 |
تعداد مقالات | 7,049 |
تعداد مشاهده مقاله | 10,174,080 |
تعداد دریافت فایل اصل مقاله | 6,847,374 |
توصیف ریاضی منحنی رشد گوسفندان کردی با استفاده از شبکه عصبی مصنوعی و مقایسه آن با برخی مدلهای غیرخطی | ||
تحقیقات تولیدات دامی | ||
مقاله 5، دوره 9، شماره 1، خرداد 1399، صفحه 45-59 اصل مقاله (754.55 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/ar.2020.13212.1411 | ||
نویسندگان | ||
سونیا زکی زاده* 1؛ داود علی ساقی2؛ هادی معماریان3 | ||
1دانشیار، بخش ژنتیک و اصلاح نژاد، موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج. ایران | ||
2استادیار، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد. ایران | ||
3دانشیار، گروه مرتع و مدیریت آبخیزداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند | ||
چکیده | ||
هدف این تحقیق مقایسه شبکه عصبی مصنوعی با مدلهای رگرسیون غیرخطی برودی، گمپرتز، لجستیک و ونبرتالانفی در برازش منحنی رشد گوسفند کردی بود. برای این منظور، تعداد 17659 رکورد روز آزمون وزن تولد تا یکسالگی موجود در ایستگاه پرورش و اصلاح نژاد حسینآباد شیروان در استان خراسان شمالی طی سالهای 1375 تا 1392 متعلق به 5074 راس دام آمادهسازی و استفاده شد. معماری شبکه بر پایه پرسپترون سه لایه با تعداد پنج نورون در هر لایه بود که از تابع انتقال سیگموئید-آکسون و قانون یادگیری لونبرگ-مارکوآت و با استفاده از نرمافزار نروسولوشن ساخته شد. تجزیه مدلهای غیرخطی با رویه NLIN نرمافزار SAS انجام شد. نکویی برازش مدلها بر اساس ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE)، میانگین قدرمطلق انحرافات (MAD)، معیار اطلاعات آکائیک (AIC) و معیار اطلاعات بیزی (BIC) تعیین و اثر عوامل ثابت مؤثر روی فراسنجههای مدل بهینه بررسی شد. نتایج نشان داد که شبکه عصبی مصنوعی با داشتن بالاترین صحت (9735/0R2=) و کمترین خطا (452/3RMSE=، 424/2=MAD) بهتر از سایر مدلها، منحنی رشد را توصیف کرد. بین مدلهای غیرخطی، مدل برودی با بالاترین 966/0R2= و کمترین AIC، BIC، MAD و RMSE توانست در هر دو جنس برآورد مناسبی از منحنی رشد ارائه دهد. در جنس نر، برههای تکقلو و گوسفندانی که در ماههای زمستان متولد شده بودند، وزن مجانبی و نرخ رشد بیشتر بود. شاخصهای ارزیابی نشان داد شبکه عصبی مصنوعی دقت بالایی در پیشبینی منحنی رشد گوسفندان کردی دارد و پس از آن مدل برودی مناسبتر از سایر مدلها بود. | ||
کلیدواژهها | ||
توابع غیرخطی؛ فراسنجههای رشد؛ گوسفند کردی؛ نکویی برازش مدل؛ وزن بلوغ | ||
مراجع | ||
بحرینی بهزادی م. ر. 1394. مقایسه مدلهای مختلف رشد و شبکههای عصبی مصنوعی در برازش منحنی رشد در گوسفند لری-بختیاری. پژوهش در نشخوارکنندگان، 3: 125-148. بیرانوند ف، بیگی نصیری م. ت.، مسعودی ع.، و شعبانی نژاد ع. 1396. بررسی صفات رشد گوسفند لری با استفاده از مدلهای غیرخطی و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک. پژوهشهای علوم دامی، 27: 129-142. خیرآبادی خ. 1395. مقایسه عملکرد برخی از توابع غیرخطی در توصیف منحنی رشد گوسفند نژاد زندی. علوم دامی ایران، 47: 609-619. خیرآبادی خ.، و محمدی ی. 1396. ارزیابی توابع ریاضی در برآورد عملکرد رشد گوسفند نژاد عربی. علوم دامی، 115: 127-136. Aman Ullah M., Amin M. and Ansar Abbas M. 2013.Non-linear regression models to predict the lamb and sheep weight growth. Pakistan Journal of Nutrition, 12: 865-869.
Arango J. A. and Van Vleck L. D. 2002. Size of beef cows: Early ideas new developments. Genetic and Molecular Research, 1: 51-63.
Assan N. 2013. Bioprediction of body weight and carcass parameters from morphometric measurements in livestock and poultry. Scientific Journal of Review, 2: 140-150. Bahreini Behzadi M. R and Aslaminejad A. A. 2010. A comparison of neural network and nonlinear regression predictions of sheep growth. Journal of Animal and Veterinary Advances, 9: 2128-2131.
Bahreini Behzadi M. R., Aslaminejad A. A., Sharifi A. R. and Simianer H. 2014. Comparison of mathematical models for describing the growth of Baluchi sheep. Journal of Agricultural Science and Technology, 14: 57- 68.
Bathaei S. S. and Leroy P. L. 1998. Genetic and phenotypic aspects of the growth curve characteristics in Mehraban Iranian fat-tailed sheep. Small Ruminant Research, 29: 261-269.
Bishop C. M. 2006. Pattern recognition and machine learning. Springer, New York. 740 Pp.
Daskiran I., Koncagul S. and Bingol M. 2010. Growth characteristics of Indigenous Norduz female and male lambs. Journal of Agricultural Sciences, 16: 62-69.
Eyduran E., Kucuk M., Karakus K. and Ozdemir T. 2008.New approaches to determination of the best nonlinear function describing growth at early phases of Kivircik and Morkaraman breeds. Journal of Animal and Veterinary Advances, 7: 799-804.
Gayawan E. and Ipinyomi R. A. 2009. A comparison of Akaik, Schwarz and R square criteria for model selection using some fertility models. Australian Journal of Basic and Applied Science, 3: 3524-3530.
Gbangboche A. B., Glele-Kakai R., Salifou S., Albuquerque L. G. and Leroy P. L. 2008. Comparison of non-linear growth models to describe the growth curve in west African dwarf Sheep. Animal, 2: 1003-1012.
Ghavi Hossein-Zadeh N. 2015. Modeling the growth curve of Iranian Shall sheep using non-linear growth models. Small Ruminant Research, 130: 60-66.
Ghavi Hossein-Zadeh N. and Golshani G. 2016. Comparison of non-linear models to describe growth of Iranian Guilan sheep. Revista Colombiana de Ciencias Pecuarias, 29: 199-209.
Gille U. 2010. Analysis of growth. From http://www.uni-leipzig.de/~vetana/growth.htm.
Hojjati F. and Ghavi Hossein-Zadeh N. 2017. Comparison of non-linear growth models to describe the growth curve of Mehraban sheep. Journal of Applied Animal Research, 46: 499-504.
Keskin I., Dag B., Sariyel V. and Gokmen M. 2009. Estimation of growth curve parameters in Konya Merino sheep. South African Journal of Animal Science, 39: 163-168.
Kucuk M. and Eyduran E. 2009. The determination of the best growth model for Akkaraman and German Blackheaded Mutton x Akkaraman B1 cross breed lambs. Bulgarian Journal of Agricultural Science, 15: 90-92.
Kum D., Karakus K. and Ozdemir T. 2010. The best non-linear function for body weight at early phase of Norduz female lambs. Trakia Journal of Sciences, 8: 62-67.
Lamb N. R., Navajas E. A., Simm G. and Bunger L. 2006.A genetic investigation of various growth models todescribe growth of lambs of two contrasting breeds. Journal of Animal Science, 86: 2642-2654.
Poli A. A. and Cirillo M. C. 1993. On the use of normalized mean square error in evaluating dispersion model performance.Atmospheric Environment, 27A: 2427-2434. Roush W. B. and Branton S. L. 2005. A comparison of fitting growth models with a genetic algorithm and nonlinear regression. Poultry Science, 84: 404-502.
Roush W. B., Dozier W. A. and Branton S. L. 2006.Comparison of Gompertz and neural network models of broiler growth. Poultry Science, 85: 794-797.
Tariq M. M., Iqbal F., Eyduran E., Bajwa M. A., Huma Z. E. and Waheed A. 2013. Comparison of non-linear functions to describe the growth in Mengali sheep breed of Balochistan. Pakistan Journal of Zoology, 45: 661-665.
Shahinfar S., Mehrabani-Yeganeh H., Lucas C., Kalhor A., Kazemian M. and Weigel K. A. 2012. Prediction of breeding values for dairy cattle using artificial neural networks and neuro-fuzzy systems. Computational and Mathematical Methods in Medicine, 2012: 127130. doi:10.1155/2012/127130.
Ulutas Z., Sezer M., Aksoy Y., Sirin E., Sen U., Kuran M. and Akbas Y. 2010. The effect of birth types on growth curve parameters of Karayaka Lambs. Journal of Animal and Veterinary Advance, 9: 1384-1388.
Zakizadeh S., Jafari M. and Memarian H. 2014. An expert integration for growth rate simulation of sheep. In Proceeding of 65th Annual Meeting of the European Federation of Animal Science. August 2014, Denmark.
Zhang Q. J., Gupta K. C. and Devabhaktuni V. K. 2003. Artificial neural networks for RF and microwave design-From theory to practice. IEEE Transactions on Microwave Theory and Techniques. 51(4): 1339-1350. | ||
آمار تعداد مشاهده مقاله: 927 تعداد دریافت فایل اصل مقاله: 712 |