این مطالعه جهت ارزیابی اثرات جیرههای با سطوح مختلف انرژی بر عملکرد مرغهای تخمگذار انجام گرفت. آزمایش در قالب طرح کاملاً تصادفی با تعداد 256 قطعه مرغ تخمگذار سویه تجاریهای- لاینW-36 در 4 تیمار و 4 تکرار (با تعداد 16 قطعه مرغ تخمگذار در هر تکرار) انجام شد. تیمارها ش چکیده کامل
این مطالعه جهت ارزیابی اثرات جیرههای با سطوح مختلف انرژی بر عملکرد مرغهای تخمگذار انجام گرفت. آزمایش در قالب طرح کاملاً تصادفی با تعداد 256 قطعه مرغ تخمگذار سویه تجاریهای- لاینW-36 در 4 تیمار و 4 تکرار (با تعداد 16 قطعه مرغ تخمگذار در هر تکرار) انجام شد. تیمارها شامل جیره (1) با سطح انرژی توصیه شده توسط NRC سال 1994 (شاهد)، جیره (2) با سطح انرژی قابل متابولیسم 10 درصد بیشتر از انرژی قابل متابولیسم توصیه شده توسط NRC سال 1994، جیره (3) با سطح انرژی 10 درصد کمتر از انرژی قابل متابولیسم توصیه شده توسط NRC سال 1994 و جیره (4) با سطح انرژی قابل متابولیسم 15 درصد کمتر از انرژی قابل متابولیسم توصیه شده توسط NRC سال 1994 بود که به مدت 10 هفته (از سن 41 تا 51 هفتگی) مورد استفاده قرار گرفتند. نتایج حاصله نشان داد که میزان خوراک مصرفی بین تیمارها اختلاف معنیداری داشته است (05/0>p). بیشترین میزان خوراک مصرفی (5/130 گرم) مربوط به جیره (4) با سطح انرژی قابل متابولیسم 15 درصد کمتر از مقدار توصیه شده توسط NRC سال 1994 مشاهده گردید. بین تیمارها از لحاظ هزینههای غذایی نیز تفاوت معنیداری مشاهده گردید (05/0>p). کمترین هزینه خوراک به ازای هر کیلوگرم تخممرغ تولیدی (5705 ریال) را از لحاظ عددی جیره (4) با سطح انرژی قابل متابولیسم 15 درصد کمتر از انرژی توصیه شده توسط NRC به خود اختصاص داد. تفاوت معنیداری در خصوص صفات تخممرغ در بین تیمارهای مختلف آزمایشی مشاهده نگردید. نتیجهگیری میشود که استفاده از جیره (4) با سطح انرژی قابل متابولیسم 15 درصد کمتر از انرژی قابل متابولیسم توصیه شده توسط NRC در مرغهای تخمگذار بدون تأثیر بر روی صفات تخممرغ، میتواند باعث کاهش هزینههای تغذیهای گردد.
پرونده مقاله
چکیده: الگوریتم های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم بندی و درون یابی با الهام از مغز انسان را ت چکیده کامل
چکیده: الگوریتم های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم بندی و درون یابی با الهام از مغز انسان را توصیف نموده و بعد از لایه ورودی، لایهی شبکیه اعمال شده است که به پیروی از شبکیه چشم، عمل رمزنگاری بر روی تصویر ورودی را انجام میدهد. سپس تصویر ورودی به فضای ثانی انتقال مییابد که تلاش برای تغییر ساختار شبکه عمیق با الهام از مسیر بینایی مغز خواهد بود. بازخورد شبکه، نرخ بازشناسی و سطح انرژی شبکه و یا جامعیت شبکه ی آموزش دیده در زیرمجموعه هایی از مجموعه داده کلتک بررسی می گردد. در نمونه های مشابه الگوریتم های آموزش عمیق برای یادگیری نیاز به داده بیشتری در مقایسه با یادگیری انسان دارد. بعلاوه، اختلاف یادگیری عمیق و انسان، تفاوت در بازنمایش اطلاعات است. در یادگیری عمیق وزن ها در جهتی بهبود می یابند تا در یک آزمایش خاص نتیجه بهینه شود ولی در انسان با میلیون ها سال تکامل، مغز انسان به گونه ای تکامل یافته تا بازنمایش بهینه و مؤثر باشد. چالش مورد بررسی دیگر، عمیق تر شدن لایه های یادگیری عمیق است. تعداد این لایه ها نسبت به مغز چندین برابر گشته است و این مسئله منجر به پیچیدگی و صرف انرژی بیشتر می شود. اما در مغز با صرف انرژی کمتر می تواند تشخیص را انجام دهد. بیشینه نرخ بازشناسی مدل پیشنهادی به 93 درصد می رسد و مدل پایه نزدیک به 91 درصد است. همچنین مدل پیشنهادی تنکتر و نرخ آتش نورون ها در لایه های ابتدایی کمتر و پایداری بالایی به تغییرات شدت روشنایی داشته، تفکیک پذیری در لایه های مدل بالاتر رفته و توانسته در مواجهه با تصاویر نویزی پاسخ بهتری نشان دهد و افت بازشناسی کمتری را ثبت کند.
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد