این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم دامی، جلد ۲۷، شماره ۱۰۳، صفحات ۱۹۵-۲۰۴
عنوان فارسی پیش بینی میزان پروفیل اسیدهای آمینه در دانه ذرت و گندم با استفاده از دو مدل شبکه عصبی مصنوعی و رگرسیونی خطی چند گانه
چکیده فارسی مقاله تعیین مقدار اسید­های آمینه مواد خوراکی بعلت آنالیزهای شیمیایی و صرف زمان در آزمایشگاه گران و وقت گیر است. در روش­های آزمایشگاهی کنونی روش هضمی1 NIRS به طور گسترده­ای برای این هدف استفاده می­شود. ولی این روش دارای محدودیت­های تکنیکی است. بنابراین یافتن روشی مناسب برای تخمین میزان اسید­های آمینه دارای اهمیت می­باشد. شبکه عصبی مصنوعی (ANN) می­تواند انعکاس بهتر و دقیق­تری را از رابطه میان ترکیبات تجزیه تقریبی خوراک و مقدار یک ماده مغذی خاص در آن خوراک ارائه کند. از اینرو مطالعه­ای جهت تخمین میزان اسید­های آمینه دانه ذرت و گندم با استفاده از مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه (MLR) انجام شد. در مدل­عصبی بکار رفته در این تحقیق، متغیرهای ورودی شامل میزان پروتئین خام، چربی خام، الیاف خام، فسفر و خاکستر و متغیر خروجی شامل پروفیل اسید­های آمینه مربوط به ترکیب این دو نوع ماده خوراکی بود. نتایج نشان داد که بین اسید­های آمینه در ذرت و گندم و ترکیبات شیمیایی آن ارتباط قابل توجهی وجود دارد. همچنین ارزیابی آماری نشان داد که مدل ANN در مقایسه با MLR دارای قدرت تخمین بیشتری برای برآورد میزان هریک از اسید­های آمینه ضروری بود. با استفاده از نتایج این تحقیق توصیه می­شود که شبکه­های عصبی مصنوعی را می­توان به عنوان روش محاسباتی با دقت و صحت کافی برای مدل سازی، پیش بینی و برآورد مواد مغذی ترکیب مواد خوراکی مورد استفاده در طیور به کار برد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of amino acids contents in corn and wheat by using artificial neural network model and multiple linear regression
چکیده انگلیسی مقاله To determine the amount of food amino acid and to spend time in the laboratories are expensive & time-consuming due to a chemical analysis. In the current laboratories, digestion NIRS method is widely used for this purpose. But this method has technical limitation. Therefor is important find appropriate method for estimate amount of amino acids. Artificial Neural Network (ANN) can provide a better reflection of the relationship between approximation feed composition and particular nutrient amount in that feed. Therefore, this study was performed to estimate amino acids corn and wheat by using artificial neural networks and multiple linear regression (MLR). In neural models used in the study, input variables include crude protein, crude fat, crude fibre, phosphorus and ash, and output variables includ profiles of amino acids relevant to combination of these two types of feed. The Results showed that there is a significant relationship Between amino acids in corn and wheat and its chemical composition. Also The statistical evaluation showed that the ANN model compared with MLR was a stronger estimation for prediction the amount of each amino acids. Hence the artificial neural network as a powerful tool for modelling, forecasting and estimating the nutrient composition of foods used poultry. Using the results of this study, it is recommended that artificial neural network can be used as a computational method with sufficient accuracy for modelling, prediction and estimation of the nutrient composition of foods used in poultry.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فاطمه سارانی |
دانش آموخته کارشناسی ارشد، دانشگاه زابل
سازمان اصلی تایید شده: دانشگاه زابل (Zabol university)

حمیدرضا میرزایی |
دانشیار ، دانشگاه زابل
سازمان اصلی تایید شده: دانشگاه زابل (Zabol university)

مصطفی یوسف الهی | yousef elahi
استادیار، دانشگاه زابل
سازمان اصلی تایید شده: دانشگاه زابل (Zabol university)

کاوه اکبرزاده |
مربی، دانشگاه امام رضا علیه السلام
سازمان اصلی تایید شده: دانشگاه امام رضا (Imam reza university)

محمد صالحی دیندارلو | salehi dindarloo
دانش آموخته کارشناسی ارشد

نشانی اینترنتی http://asj.areo.ir/article_100626_8b6eaab7113f2120664078b11a97e477.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/953/article-953-194598.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات