مقایسه مدل های رگرسیونی و شبکه های عصبی مصنوعی در پیش بینی عملکرد تولیدی مرغان تخم‌گذار

پژوهشهای علوم دامی ایران

مقاله 6، دوره 7، شماره 1 - شماره پیاپی 21، فروردین 1394، صفحه 58-65   

نوع مقاله: علمی پژوهشی- تغذیه طیور

شناسه دیجیتال (DOI): 10.22067/ijasr.v7i1.32445

نویسندگان

جواد ایزی¹؛ حیدر زرقی^{* 2}

¹مرکز آموزش کشاورزی استان خراسان رضوی

²گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.

چکیده

این مطالعه به منظور بررسی پیش بینی شاخص های عملکرد تولیدی در مرغان تخم گذار با استفاده از شبکه های عصبی مصنوعی و رگرسیون غیرخطی چندگانه انجام شد. بررسی بر روی اطلاعات چهار دوره متوالی پرورش در یک واحد پرورش مرغ تخم گذار صورت گرفت. روش های داده-کاوی شامل رگرسیون خطی و غیر خطی، شبکه عصبی پرسپترون سه لایه، شبکه عصبی پرسپترون چهار لایه و شبکه عصبی با تابع پایه ای شعاعی بود. در این مدل ها از متغیرهای سن گله، میزان خوراک مصرفی و فصل تولید به عنوان متغیر پیشگو و شاخص های عملکرد تولیدی شامل درصد تخم-گذاری، وزن توده ای تخم مرغ تولیدی و ضریب تبدیل غذایی به عنوان متغیر پاسخ استفاده شد. نتایج نهایی رگرسیون های خطی نشان داد که برای تمامی متغیرهای وابسته مورد مطالعه متغیر مستقل سن گله معنی دار می باشد. بنابراین رگرسیون غیر خطی شاخص های عملکرد تولیدی در مقابل سن برای مقایسه با شبکه های عصبی مختلف مورد بررسی قرار گرفت و برای مقایسه کلیه مدل ها از ضریب تعیین (R2) و میانگین قدر مطلق خطا (MAE) استفاده شد. نتایج نشان داد بین شبکه های عصبی مصنوعی مختلف مورد مطالعه، شبکه با تابع پایه ای شعاعی بهتر از سایر مدل های در پیش‌بینی شاخص های عملکرد تولیدی مرغان تخم گذار عمل می کند.

کلیدواژه‌ها

رگرسیون؛ شبکه های عصبی مصنوعی؛ عملکرد تولیدی؛ مرغان تخم گذار

مراجع

1- Balan, B., S. Mohaghegh and S. Ameri. 1995. State- of- Art- in permeability determination from well log data: Part 1- A comparative study, Model development. SPE. 30978:17-25.

2- Chelani, A. B., R. C. V. Chalapati, K. M. Phadke and M. Z. Hasan. 2002. Prediction of sulphur dioxide concentration using artificial neural networks. Environ. Modell. Softw. 17:161–168.

3- Cravener, T. L. and W. B. Roush. 1999. Improving neural network prediction of amino acid levels in feed ingredients. Poult. Sci. 78:983–991.

4- Dayhoff, J. 1990. Neural Network Architecture: An introduction. Van Nostrand Reinhohd. New York, NY.

5- Edriss, M. A., P. Hosseinnia, M. Edriss, H. R. Rahmani and A. Nil-forooshan. 2008. Prediction of second parity milk per-formance of dairy cows from first parity information using artificial neural network and multiple linear regression methods. Asian J. Anim. Vet. Adv. 3, 222-229.

6- Ghazanfari, S., K. Nobari and M. Tahmoorespur. 2011. Prediction of egg production using artificial neural network. I. J. of Anim. Scie.1 (1) 11-16.

7- Izy, J. 2003. Artificial neural networks and its application. Report No. 503/82 of agricultural Documentation Center, the research, education and agricultural extension (in Persian).

8- Jorabian, M. and T. Zare. 2005. Artificial Neural Networks. Ahvaz. Shahid Chamran University Press Center (in Persian).

9- Lawrence, J. 1993. Introduction to neural networks. California Scientific Software Press, Nevada City, CA.

10- Lek S., M. Delacoste, P. Baran, I. Dimopoulos, J. Lauga and S. Aulagnier. 1996. Application of neural networks to modeling nonlinear relationships in ecology. Ecol. Model. 90, 39-52.

11- Menhaj, M. B. 1998. Computational Intelligence, principles of neural networks. Tehran. Professor Hesabi Publication Center (in Persian).

12- Mitchell, T. 1999. Machine learning, MIT Press and McGraw- Hill companies, Inc.

13- Mittal, G. S. and J. Zhang. 2000. Prediction of temperature and moisture content of frankfurters during thermal processing using neural network. Meat Sci. 55: 13-24.

14- Nelson, M., W. T. Illingworth. 1991. A practical guide to neural nets. Addison –Wesley Publishing Co. Reading. MA.

15- North, M. O. and D. D. Bell. 1990. Commercial Chicken Production Manual. 4th Ed. Chapman and Hall, New York, NY.

16- Park S.J., C. S. Hwang and P. L. G.Vlek. 2005. Comparison of adaptive techniques to predict crop yield response under varying soil and land management conditions. Agric. Syst. 85, 59-81.

17- Rahimi, A. and m. sader Mosave. 2009. Comparison the result of multilayer perceptron neural network with multiple regression in predict the concentration of ozone in Tabriz city. Research Geography. 71: 65-72 (in Persian with English abstract).

18- Roush W. B. and T. L. Cravener.1997. Artificial neural network prediction of amino acid levels in feed ingredients, Poult. Sci.76: 721-727.

19- Roush W. B., T. L. Cravener, Y. K. Kirby and R. F. Wideman, Jr. 1997. Neural network prediction of ascites in broilers based on minimally invasive physiological factors. Poult. Sci.76: 1513-1516.

20- Roush W. B., Y. K. Kirby, T. L. Cravener and R. F. Wideman, Jr. 1996. Artificial neural network prediction of ascites in broilers. Poult. Sci.75: 1479-1487.

21- Roush, W. B., W. A. Dozier III and S. L. Branton. 2006. Comparision of gompertz and neural networks models of broiler growth. Poult. Sci. 85:794–797.