تعداد نشریات | 31 |
تعداد شمارهها | 757 |
تعداد مقالات | 7,162 |
تعداد مشاهده مقاله | 10,347,624 |
تعداد دریافت فایل اصل مقاله | 6,937,291 |
مقایسه دقت شبکه عصبی مصنوعی و مدل رگرسیون خطی در تخمین وزن بدن شترهای یک کوهانه | ||
تحقیقات تولیدات دامی | ||
دوره 13، شماره 3، آذر 1403، صفحه 87-97 اصل مقاله (1.16 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/ar.2024.25856.1796 | ||
نویسندگان | ||
تیام رادین1؛ حسین نعیمی پور یونسی* 2؛ سیّد همایون فرهنگ فر3؛ محمدباقر منتظر تربتی4 | ||
1دانش آموخته کارشناسی ارشد، گروه علوم دامی ، دانشکده کشاورزی، دانشگاه بیرجند | ||
2استادیار، گروه علوم دامی، دانشکده کشاورزی، دانشگاه بیرجند | ||
3استاد، گروه علوم دامی، دانشکده کشاورزی، دانشگاه بیرجند | ||
4دانشیار، گروه علوم دامی، دانشکده کشاورزی، دانشگاه بیرجند | ||
چکیده | ||
وزنکشی، نقش مهمی در مدیریت پرورش شتر، برای تنظیم احتیاجات غذایی، بررسی رشد و ارزیابی سالیانه دامها دارد. در مدلهای ریاضی، با توجه به همبستگی بالای اندازهگیریهای ظاهری بدن با وزن، از آنها برای تخمین وزن بدن استفاده میشود. هدف از این پژوهش، مقایسه دقت استفاده از مدل رگرسیون خطی چندگانه بهروش گام به گام و شبکه عصبی مصنوعی در تخمین وزن بدن شترهای یک کوهانه با استفاده از ابعاد بدن و بسته nnetدر نرمافزار R بود. در این پژوهش، از ابعاد بدنی 177 نفر شتر یک کوهانه (در چهار گروه 1- ماده بالغ بلوچی، 2- ماده بالغ پاکستانی، 3- ماده بلوچی و پاکستانی با سن کمتر از دو سال، و 4- کل جمعیت شترها) ایستگاه پرورش شتر خراسان جنوبی استفاده شد. ابعاد بدن شامل طول گردن، دور گردن، طول دست، طول پا، ارتفاع شانه تا زمین، ارتفاع کوهان تا زمین، ارتفاع کپل تا زمین، دور سینه، عرض سینه، دور شکم، عرض لگن، طول دم، ارتفاع پستان و دور پستان بودند. مدل مناسب بر اساس معیارهای نکویی برازش شامل ضریب تبیین، ریشه مجذور میانگین مربعات خطا، میانگین مطلق خطا و میانگین درصد مطلق خطا انتخاب شد. نتایج تحلیل رگرسیون خطی چندگانه در کل جمعیت شترهای مورد ارزیابی نشان داد ابعاد بدنی ارتفاع شانه تا زمین، دور سینه، دور شکم، دور گردن و طول دست، اثر معنیداری بر وزن بدن داشت. در تحلیل شبکه عصبی مصنوعی، اندازههای دور شکم، دور سینه و ارتفاع شانه با زمین، با اهمیتترین متغیرها در برآورد وزن بدن شترهای کل جمعیت بودند. مدلهای رگرسیون خطی چندگانه و شبکه عصبی مصنوعی، دارای دقت قابل قبول در برآورد وزن بودند. با این حال، مدل شبکه عصبی مصنوعی در مقایسه با مدل رگرسیون چندگانه، ضریب تبیین بالاتر و خطای کمتری در برآورد وزن شترها داشت و میتواند برای برآورد وزن بدن استفاده شود. | ||
کلیدواژهها | ||
خصوصیات ریخت شناسی؛ رگرسیون خطی؛ شبکه عصبی مصنوعی؛ شتر؛ وزن بدن | ||
مراجع | ||
Abegaz, S., & Awgichew, K. (2009). Technical bulletin no. 23. Estimation of weight and age of sheep and goat. Ethiopia sheep and goat productivity improvement program. ESGPIP, Ethiopia. Asadzadeh, N., Bitaraf Sani, M., Shams Davodly, E., Zare Harofte, J., Khojestehkey, M., Abbaasi, S., & Shafie Naderi, A. (2021). Body weight prediction of dromedary camels using the machine learning models. Iranian Journal of Applied Animal Science, 11(3), 605-614. Atta, M., & el-Khidir, O. A. (2004). Use of heart girth, wither height and scapuloischial length for prediction of love weight of Nilotic sheep. Small Ruminant Research, 55(1), 233-237. doi: 10.1016/j.smallrumres.2004.01.005 Babinec, T. (1997). Neural networks and statistical models. In: Sawtooth Software Conference. Bahashwan, S., Alrawas, A. S., Alfadli, S., & Johnson, E. S. (2016). Dhofari cattle growth curve prediction by different nonlinear model functions. Livestock Research for Rural Developmen, 27(12). Bahreini Behzadi, M. R. (2015). Comparison of different growth models and artificial neural network to fit the growth curve of Lori-Bakhtiari sheep. Journal of Ruminant Research, 3, 125-148. [In Persian] Bahreini Behzadi, M. R. (2021). The use of artificial neural networks to describe growth of Iranian one humped camel (Camelus dromedarius). Applied Animal Science Research Journal, 10(39), 83-88. doi: 10.22092/aasrj.2021.124939 [In Persian] Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning. Springer, New York. Bitaraf-Sani, M., Khojastekey, M., Nobari, K., Mirjalili, A. B., Naderi, A. S., & Harafte, J. Z. (2023). Comparison of principal component analysis method and multiple regressions in estimating the weight of fattening camels. Journal of Ruminant Research, 11(2), 37-48. doi: 10.22069/EJRR.2023.20394.1855 [In Persian] Borah, S., Hines, E. L., & Bhuyan, M. (2007). Wavelet transform based image texture analysis for size estimation applied to the sorting of tea granules. Journal of Food Engineering, 79(2), 629-639. doi: 10.1016/j.jfoodeng.2006.02.022 Cannas, A., & Boe, F. (2003). Prediction of the relationship between body weight and body condition score in sheep. Italian Journal of Animal Science, 2, 527-529. doi: 10.4081/ijas.2003.11676065 Çelik, Ş. (2021). Modeling and estimation of camel population in Turkey with time series analysis and Artificial Neural Networks. International Journal of Research in Engineering and Science, 9(5), 38-44. doi: 10.5281/zenodo.10651136 Derks, E. P. P. A., Pastor, M. S., & Buydens, L. M. C. (1995). Robustness analysis of radial base function and multi-layered feed-forward neural network models. Chemometrics and Intelligent Laboratory Systems, 28(1), 49-60. doi: 10.1016/0169-7439(95)80039-C Ehsaninia, J., Faye, B., Ghavi Hossein-Zadeh, N. (2020). Phenotypic diversity of camel ecotypes (Camelus dromedarius) in the south region of Kerman province of Iran. Iranian Journal of Applied Animal Science, 10(4), 165-172. Francis, J., Sibanda, S., & Kristensen, T. (2002). Estimating body weight of cattle using linear body measurements. Zimbabwe Veterinary Journal, 33(1), 15-21. doi: 10.4314/zvj. v33i1.5297 Garson, G. D. (1991). Interpreting neural-network connection weights. AI expert, 6(4), 46-51. Grzesiak, W., Lacroix, R., Wójcik, J., & Blaszczyk, P. (2003). A comparison of neural network and multiple regression predictions for 305-day lactation yield using partial lactation records. Canadian Journal of Animal Science, 83(2), 307-310. doi: 10.4141/A02-002 Iqbal, Z. M., Javed, K., Abdullah, M., Ahmad, N., Ali, A., Khalique, A., Aslam, N., & Younas, U. (2014). Estimation of body weight from different morphometric measurements in Kajli lambs. Journal of Animal and Plant Science, 24, 700-703. doi: 10.13140/2.1.4283.9687 Kadim, I. T., Mahgoub, O., & Purchas, R. W. (2008). A review of the growth, and of the carcass and meat quality characteristics of the one-humped camel (Camelus dromedaries). Meat Science, 80(3), 555-569. doi: 10.1016/j.meatsci.2008.02.010 Khojastehkey, M., Kalantar, M., Yeganeparast, M., Asadzadeh, N., & Souri, N. (2022). Comparison of artificial neural network accuracy and linear regression model in estimating the weight of dromedary camel using body measurements. Animal Sciences Journal, 35(136), 3-16. doi: 10.22092/asj.2022.356403.2186 [In Persian] Köhler-Rollefson, I., Mundy, P., & Mathias, E. (2001). A field manual of camel diseases: traditional and modern health care for the dromedary. ITDG publishing. Breeding and Improvement of Livestock, 1(2), 73-82. Mahmud, M. A., Shaba, P., & Zubairu, U. Y. (2014). Live body weight estimation in small ruminants-a review. Global Journal of Animal Scientific Research, 2(2), 102-108. Meghelli, I., Kaouadji, Z., Yilmaz, O., Cemal, I., Karaca, O., & Gaouar, S. B. S. (2020). Morphometric characterization and estimating body weight of two Algerian camel breeds using morphometric measurements. Tropical Animal Health and Production, 52, 2505-2512. doi: 10.1007/s11250-020-02204-x Menhaj, M. B. (1998). Neural Networks Basis (Calculation Intelligence). Second Print. Tehran: Amirkabir Industrial University. [In Persian] Moradi Shahrbabak, H., Moradi Shahrbabak, M., Miraei Ashtiani, S. R., & Moghbeli, H. (2015). Determination of camel weight regression equation using biometrical traits of Yazdi camels breed by multivariate linear regression analysis based on the principal components analysis. Animal Sciences Journal, 28(108), 25-34. doi: 10.22092/asj.2015.103709 [In Persian] Norouzian, M. A., & Vakili Alavijeh, M. (2016). Comparison of artificial neural network and multiple regression analysis for prediction of fat tail weight of sheep. Iranian Journal of Applied Animal Science, 6(4), 895-900. Pereira, M. M., Mansano, C. F. M., Silva, E. P. D., & Stéfani, M. V. D. (2014). Growth in weight and of some tissues in the bullfrog: fitting nonlinear models during the fattening phase. Ciência e Agrotecnologia, 38, 598-606. doi: 10.1590/S1413-70542014000600009 Ripley, B., Venables, W., & Ripley, M. B. (2016). R Package ‘nnet’. Available at: https://cran.r-project.org/web/packages/nnet/index.html Ruchay, A., Kober, V., Dorofeev, K., Kolpakov, V., Dzhulamanov, K., Kalschikov, V., & Guo, H. (2022). Comparative analysis of machine learning algorithms for predicting live weight of Hereford cows. Computers and Electronics in Agriculture, 195, 106837. doi: 10.1016/j.compag.2022.106837 Salau, J., Haas, J. H., Junge, W., Bauer, U., Harms, J., & Bieletzki, S. (2014). Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns. SpringerPlus, 3, 1-16. doi: 10.1186/2193-1801-3-225 Slósarz, P., Stanisz, M., Boniecki, P., Przybylak, A., Lisiak, D., & Ludwiczak, A. (2011). Artificial neural network analysis of ultrasound image for the estimation of intramuscular fat content in lamb muscle. African Journal of Biotechnology, 10(55), 11792. doi: 10.5897/AJB11.197 Tsegaye, D., Belay, B., & Haile, A. (2013). Linear body measurements as predictor of body weight in hararghe highland goats under farmer’s environment: Ethiopia. Global Veterinaria, 11(5), 649-656. doi: 10.5829/idosi.gv.2013.11.5.76135 Zakizadeh, S., Saghi, D. A., & Memarian, H. (2020). Mathematical description of growth curve in Kurdish sheep using artificial neural network and its comparison with non-linear models. Animal Production Research, 9(1), 45-59. doi: 10.22124/ar.2020.13212 [In Persian] | ||
آمار تعداد مشاهده مقاله: 43 تعداد دریافت فایل اصل مقاله: 25 |