این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش در نشخوارکنندگان، جلد ۱۳، شماره ۱، صفحات ۳۷-۵۲
عنوان فارسی پیشبینی وزن گوسفند مغانی در طول دوره رشد با استفاده از شبکه‌ عصبی مصنوعی
چکیده فارسی مقاله سابقه و هدف: باید راه‌کارهایی به‌منظور افزایش رشد و تولید گوشت گوسفند در ایران در نظر گرفته شود. تخمین وزن گوسفند به تعیین زمان بهینه برای کشتار و همچنین برنامه تغذیه‌ای مناسب کمک می‌کند. تخمین وزن گوسفند را می‌توان با استفاده از مدل‌های ریاضی توصیف‌کننده رشد بررسی نمود. هدف از این مطالعه بررسی عملکرد شبکه عصبی مصنوعی در پیش‌بینی وزن گوسفند مغانی در طول دوره رشد حیوان تا یک سالگی است.
مواد و روش‌ها: در این تحقیق از اطلاعات مربوط به صفات وزن گوسفندان مغانی از تولد تا یک سالگی به تعداد 10726 رأس که طی سال‌های 1368 تا 1395 در ایستگاه اصلاح نژاد گوسفند مغانی واقع در جعفرآباد مغان استان اردبیل جمع‌آوری ‌شده بود، استفاده گردید. از یک شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت پیش‌بینی وزن حیوان در طول دوره رشد استفاده گردید. از توابع انتقالی همچون تانژانت اکسون، سیگموئید اکسون و تانژانت هیپربولیک خطی آکسون و الگوریتم‌های آموزشی همچون مومنتوم، گرادیان نزولی و لونبرگ مارکوات جهت طراحی ساختار شبکه عصبی پرسپترون چند لایه استفاده شد. شاخص‌های نیکوئی برازش جهت انتخاب بهترین ساختار شبکه شامل ضریب تبیین (R2)، مجذور میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE) بود.
یافته‌ها: در شبکه عصبی مصنوعی با سه متغیر ورودی (جنسیت، فصل رکوردگیری و سن دام)، تابع تانژانت هیپربولیک آکسون و الگوریتم آموزشی گرادیان نزولی بهترین عملکرد را داشت به‌طوری‌که ضریب تبیین، مجذور میانگین مربعات خطا و میانگین خطای مطلق به‌ترتیب 919/0، 602/21 و 504/3 بودند. در شبکه عصبی مصنوعی با چهار متغیر ورودی (جنسیت، فصل رکوردگیری، تیپ تولد و سن دام)، تابع محرک تانژانت هیپربولیک آکسون و الگوریتم آموزشی مومنتوم بهترین عملکرد را داشت به‌طوری‌که ضریب تبیین، مجذور میانگین مربعات خطا و میانگین خطای مطلق به‌ترتیب 923/0، 887/14 و 864/2 بودند. در مدل شبکه عصبی مصنوعی با پنج متغیر ورودی (جنسیت، فصل رکوردگیری، تیپ تولد، سن مادر هنگام زایش و سن دام)، تابع محرک تانژانت هیپربولیک خطی آکسون و الگوریتم آموزشی لونبرگ مارکوات توانایی تخمین وزن گوسفند مغانی را دارا بود و در این ساختار، ضریب تبیین، مجذور میانگین مربعات خطا و میانگین خطای مطلق به‌ترتیب 928/0، 790/13 و 754/2 بودند.
نتیجه‌گیری: نتایج این تحقیق نشان داد که مدل شبکه عصبی مصنوعی بکار رفته با دقت بسیار بالایی توانایی پیش‌بینی وزن گوسفند مغانی در طول دوره رشد حیوان تا یک سالگی را دارد. به طوری که ضرایب همبستگی در استفاده از سه، چهار و پنج متغییر ورودی جهت پیش‌بینی وزن گوسفند مغانی به‌ترتیب 95/0، 96/0 و 96/0 بود.
کلیدواژه‌های فارسی مقاله صفات رشد،شبکه‌های عصبی مصنوعی،گوسفند مغانی،
عنوان انگلیسی Application of artificial neural networks to predict body weight of Moghani sheep during the growth period
چکیده انگلیسی مقاله Background and Objectives: Strategies should be considered to increase the growth and production of sheep meat in Iran. Weight prediction of sheep helps to determine the optimal time for slaughter as well as the appropriate feeding program. Weight prediction can be investigated using mathematical models describing growth.The purpose of this study was to evaluate the performance artificial neural networks in predicting the weight of Moghani sheeps during the growth period of the animal up to one year of age.
Materials and Methods: In this study, the information related to the weight characteristics of 10726 Moghani sheep from birth to one year old, which were collected during the years 1989 to 2016 in the breeding station of Moghani sheep located in Jafarabad Moghan, Ardabil province, was used. To more investigate the growth curve, a multi-layer perceptron artificial neural network accompanied by the backpropagation algorithm was used in this research. Transfer functions such as tangent axon, sigmoid axon, and hyperbolic linear tangent and training algorithms such as momentum, gradient descent, and Levenberg–Marquardt algorithm were used to design the multi-layer perceptron neural network. After fitting nonlinear models and artificial neural network, goodness-of-fit indices including coefficient of determination R2, MSE and MAE were used to select the best model.
Results: The results of this study showed that in the artificial neural network, with three input variables (sex, recording season and age), the hyperbolic axon tangent function and training algorithm of gradient descent was the best performance, with the explanation coefficient, the average square squares, and the average absolute error of 0.919, 602.60 and 3.50, respectively. In the artificial neural network with four input variables (sex, recording season, birth type and age), 1 hidden layer, axon stimulus function, and momentum learning algorithm, had the best performance so that the explanation coefficient, average error squares, and the an absolute error were 0.923, 123/864 and 2864/864, respectively. In the artificial neural network with five input variables (Sex, season of recording, type of birth, age of mother at birth and age of animal), 1 hidden layer, axon hyperbolic linear tangent stimulus function, and Levenberg–Marquardt algorithm, explanation coefficient, the average square squares, and the mean of the absolute error were 0.928, 0 and 2.754, respectively.
Conclusion: The results of this study showed that the artificial neural network model used in this research, with very high accuracy, has the ability to predict the weight of Moghani sheep during the animal's growth period up to one year of age. So that the correlation coefficients in using three, four and five input variables to predict the weight of Moghani sheep were 0.95, 0.96 and 0.96, respectively.
کلیدواژه‌های انگلیسی مقاله صفات رشد,شبکه‌های عصبی مصنوعی,گوسفند مغانی
نویسندگان مقاله رشید صفری |
استادیار دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز

محمدرضا شیخلو |
دانشیار دانشکده کشاوری و منابع طبیعی اهر، دانشگاه تبریز

محمد اسماعیل پور |
استادیار، دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز

زینب قربانی |
دانشکده کشاورزی اهر دانشگاه تبریز

نشانی اینترنتی https://ejrr.gau.ac.ir/article_7172_3be780d105f093006985506c6fbf7dda.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
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