آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 631 |
| تعداد مقالات | 6,584 |
| تعداد مشاهده مقاله | 8,926,471 |
| تعداد دریافت فایل اصل مقاله | 8,456,783 |
پیشبینی وزن گوسفند مغانی در طول دوره رشد با استفاده از شبکه عصبی مصنوعی | ||
| نشریه پژوهش در نشخوار کنندگان | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 بهمن 1403 اصل مقاله (920.93 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/ejrr.2024.22340.1949 | ||
| نویسندگان | ||
| رشید صفری* 1؛ محمدرضا شیخلو2؛ محمد اسماعیل پور3؛ زینب قربانی4 | ||
| 1استادیار دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز | ||
| 2دانشیار دانشکده کشاوری و منابع طبیعی اهر، دانشگاه تبریز | ||
| 3استادیار، دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز | ||
| 4دانشکده کشاورزی اهر دانشگاه تبریز | ||
| چکیده | ||
| 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. | ||
| کلیدواژه‌ها | ||
| صفات رشد؛ شبکه‌های عصبی مصنوعی؛ گوسفند مغانی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 52 تعداد دریافت فایل اصل مقاله: 57 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب