کاربرد مدل خطی و شبکه عصبی مصنوعی برای پیش‌بینی عملکرد رشد در جوجه‌های گوشتی
Subject Areas : Camel
1 - Department of Animal Science, College of Abouraihan, University of Tehran, Tehran, Iran
Keywords: شبکه عصبی مصنوعی, جوجه گوشتی, عملکرد رشد, الگوریتم پس انتشار, مدل خطی,
Abstract :
این مطالعه به منظور پیش‌بینی عملکرد رشد با استفاده از مدل خطی و شبکه عصبی مصنوعی در جوجه‌های گوشتی انجام شد. شبکه عصبی مصنوعی ابزار قدرتمندی برای سیستم مدلینگ در دامنه وسیعی از کاربردها است. مدل شبکه عصبی مصنوعی با الگوریتم پس انتشار به طور موفقیت آمیزی ارتباط بین ورودی‌ها (انرژی قابل سوخت و ساز (کیلوکالری/کیلوگرم) و پروتئین خام (گرم/کیلوگرم) و خروجی‌ها (مصرف خوراک، افزایش وزن و ضریب تبدیل خوراک) را آموزش داد. ارزش R2و T بالا برای مدل شبکه عصبی مصنوعی در مقایسه با مدل خطی نشان داد که شبکه عصبی مصنوعی یک روش مؤثر برای پیش‌بینی عملکرد رشد در دوره آغازین برای جوجه‌های گوشتی است. همچنین، گسترش آزمایش با سطوح بیشتری از ورودی‌ها برای پیش‌بینی عملکرد با استفاده از بهترین مدل شبکه عصبی مصنوعی انجام شد.
Ahmadi H. and Golian A. (2010). Growth analysis of chickens fed diets varying in the percentage of metabolizable energy provided by protein, fat and carbohydrate through artificial neural network. Poult. Sci. 89, 173-179.
Ahmadi H., Mottaghitalab M. and Nariman-Zadeh N. (2007). Group method of data handling-type neural network prediction of broiler performance based on dietary metabolizable energy, methionine and lysine. J. Appl. Poult. Res. 16, 494-501.
Ahmadi H., Mottaghitalab M., Nariman-Zadeh N. and Golian A. (2008). Predicting performance of broiler chickens from dietary nutrients using group method of data handling type neural networks. Br. Poult. Sci. 49, 315-320.
Cravener T. and Roush W. (1999). Improving neural network prediction of amino acid levels in feed ingredients. Poult. Sci. 78, 983-991.
Ghazanfari S., Nobari K. and Tahmoorespur M. (2011). Prediction of egg production using artificial neural network. Iranian J. Appl. Anim. Sci. 1, 11-16.
Hruby M., Hamre M.L. and Coon C.N. (1996). Non linear and linear functions in body protein growth. J. Appl. Poult. Res. 5, 109-115.
Huang P., Lin P., Yan S. and Xiao M. (2012). Seasonal broiler growth performance prediction based on observational study. J. Comp. 7, 1895-1902.
Khazaei J., Chegini G.R. and Kianmehr M.H. (2005). Modeling physical damage and percentage of threshed pods of chickpea in a finger type thresher using artificial neural networks. J. Lucrari. Stiin. Sifice. Seria. Agr. 48, 594-607.
Khazaei J., Shahbazi F., Massah J., Nikravesh M. and Kianmehr M.H. (2008). Evaluation and modeling of physical and physiological damage to wheat seeds under successive impact loadings: mathematical and neural networks modeling. Crop. Sci. 48, 1532-1544.
Lacroix R., Wade K.M., Kok R. and Hayes J.F. (1995). Prediction of cow performance with a connectionist model. Trans. Asae. 42, 1573-1579.
Lek S., Delacoste M., Baran P., Dimopoulos I., Lauga J. and Aulagnier S. (1996). Application of neural networks to modeling nonlinear relationships in ecology. Ecol. Model. 90, 39-52.
Moharrery M. and Kargar A. (2007). Artificial neural network for prediction of plasma hormones, liver enzymes and performance in broilers. J. Anim. Feed Sci. 16, 293-304.
Park S.J., Hwang C.S. and Vlek P.L.G. (2005). Comparison of adaptive techniques to predict crop yield response under varying soil and land management conditions. Agric. Syst. 85, 59-81.
Salle C.T.P., Guahyba A.S., Wald V.B., Silva A.B., Salle F.O. and Nascimento V.P. (2003). Use of artificial neural networks to estimate production variables of broilers breeders in the production phase. Br. Poult. Sci. 44, 211-217.
SAS Institute. (2001). SAS®/STAT Software, Release 8. SAS Institute, Inc., Cary, NC.
Swennen Q., Decuypere E. and Buyse J. (2007). Implications of dietary macronutrients for growth and metabolism in broiler chickens. J. World. Poult. Sci. 63, 541-556.
Zhang Q., Yang S.X., Mittal G.S. and Yi S. (2002). Prediction of performance indices and optimal parameters of rough rice drying using neural networks. Biosystems. Eng. 83, 281-290.
