مقایسه کارآیی شبکه عصبی مصنوعی و رگرسیون چندگانه در پیش‌بینی وزن دنبه گوسفند

Subject Areas : Camel

م.ع.  نوروزیان ¹ (Department of Animal Science, College of Abouraihan, University of Tehran, Tehran, Iran)
م.  وکیلی علویجه ² (Department of Mathematics, Faculty of Mathematical Science, Shahid Beheshti University, Tehran, Iran)

Received: 2015-10-09 Accepted : 2016-01-31 Published : 2016-12-01

Keywords: شبکه عصبی مصنوعی, گوسفند, رگرسیون چندگانه, دنبه,

Abstract :

در این مطالعه ارتباط بین وزن­های تولد، از شیرگیری و پایان پروار با وزن دنبه 69 رأس گوسفند بلوچی توسط روش­های شبکه عصبی مصنوعی و رگرسیون چندگانه بررسی شد. هر دو روش با دقت بالایی وزن دنبه را پیش­بینی کردند. هر چند که میانگین خطا به صورت معنی­داری در روش شبکه عصبی مصنوعی کمتر از رگرسیون چندگانه بود. ضریب تعیین برآورد شده در روش شبکه عصبی مصنوعی (93/0) بالاتر از رگرسیون چندگانه (81/0) به دست آمد. استفاده از شبکه عصبی مصنوعی میانگین خطای استاندارد را 59 و ضریب تعیین را 15 درصد بهبود داد. به نظر می­رسد که بتوان با استفاده از شبکه عصبی مصنوعی وزن دنبه را از صفات وزن بدن پیش­بینی کرد.

References:

Alp M. and Cigizoglu H.K. (2007). Suspended sediment load simulation by two artificial neural network methods using hydromete- orological data. Environ. Model Softw. 22, 2-13.

Berry M.J.A. and Linoff G. (1997). Data Mining Techniques. John Wiley and Sons, New York.

Cybenko G.C. (1989). Approximations by super positions of a sigmoidal function. Math. Cont. Sig. Sys. 2(3), 303-314.

Davidson A. (2006). The Oxford Companion to Food. OxfordUniversityPress, USA.

Dayhoff J.E. (1990). Neural network architectures. Van Nostrand Reinhold, New York.

Fernandez C., Soria S., Sanchez-Seiquer E.P., Gomez-Chova S., Magdalen E.R., Martin-Guerrero J.D., Navarro M.D. and Serrano A.J. (2007). Weekly milk prediction on dairy goats using neural networks. Neural Comput. Appl. 16, 373-381.

Kashan N.E.J., Manafi Azar G.H., Afzalzadeh A. and Salehi A. (2005). Growth performance and carcass quality of fattening lambs from fat-tailed and tailed sheep breeds. Small Rumin. Res. 60, 267-271.

Marengo E., Bobba M., Robotti E. and Liparota M.C. (2006). Modeling of the polluting emissions from a cement production plant by partial least squares, principal component regression, and artificial neural networks. Environ. Sci. Technol. 40, 272-280.

Moradi M.H., Nejati-Javaremi A., Moradi-Shahrbabak M., Dodds K.G. and McEwan J.C. (2012). Genomic scan of selective sweeps in thin and fat tail sheep breeds for identifying of candidate regions associated with fat deposition. BMC Genet. 13, 10-12. 

Norouzian M.A. and Asadpour S. (2012). Prediction of feed abrasive value by artificial neural networks and multiple linear regression. Neural Comput. Appl. 21, 905-909.

Safdarian M.M., Zamiri M.I., Hashemi M. and Noorolahi H. (2008). Relationships of fat-tail dimensions with fat-tail weight and carcass characteristics at different slaughter weights of Torki-Ghashghaii sheep. Meat Sci. 80, 686-689.

Vatankhah M. and Talebi M.A. (2008). Heritability estimates and correlations between production and reproductive traits in Lori-Bakhtiari sheep in Iran. South African J. Anim. Sci. 38(2), 110-118.

Zamiri M.J. and Izadifard J. (1997). Relationships of fat-tail weight with fat-tail measurements and carcass characteristics of Mehraban and Ghezel rams. Small Rumin. Res. 15, 261-266.