نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار ، دانشگاه پیام نور، مشهد، ایران

2 دانش آموخته کارشناسی ارشد علوم دامی، دانشگاه زابل

چکیده

این تحقیق به منظور بررسی عملکرد سه مدل شبکه عصبی رگرسیون عمومی، تابع پایه شعاعی وشبکه عصبی پرسپترون سه لایه دربرآورد اپانرژی قابل سوخت وساز ظاهری 15 واریته گندم و ذرت بااستفاده از ترکیب مواد مغذی موجود در آنان انجام گردید. متغیرهای ورودی شامل میزان انرژی خام، پروتئین خام، چربی خام، فیبر خام، فسفر، خاکستر وهمچنین الگوی اسیدهای آمینه ضروری (متیونین، سیستئین، متیونین+ سیستئین، لوسین، ایزولوسین، فنیل آلانین، تریپتوفان، والین، آرژنین، لایزین، هیستیدین و ترئونین)، و متغیر خروجی شامل انرژی قابل سوخت وساز ظاهری گندم وذرت بود. نتایج نشان داد که برای برآورد انرژی قابل سوخت وساز ظاهری گندم و ذرت، با استفاده ازشبکه عصبی پرسپترون سه لایه ضریب تبیین (R2) به مراتب بالاتر از دو شبکه دیگر بود و ذرت با ورودی انرژی خام (97/0=R2) و گندم با ورودی پروتئین خام (89/0=R2) بهترین برآورد را داشتند. در مورد گندم، درهمه ورودی ها به جز ورودی اسید های آمینه، تابع پایه شعاعی برآورد بهتری از شبکه عصبی رگرسیون عمومی داشت. درمورد ذرت، شبکه عصبی رگرسیون عمومی به جز ورودی انرژی خام، برآورد پایین تری از دو شبکه دیگر داشت و تابع پایه شعاعی تنها با ورودی انرژی خام ضعیف عمل کرد. بطورکلی بر اساس نتایج این تحقیق توصیه می شود که شبکه عصبی مصنوعی رامی توان به عنوان ابزاری باکارایی بیشتر نسبت به رگرسیون خطی برای مدل سازی، پیش بینی وبرآورد انرژی قابل سوخت وساز مواد خوراکی طیور به کار برد

کلیدواژه‌ها

Ahmadi, H., Golian, A., Mottaghitalab, M. and Nariman-Zadeh, N. (2008). Prediction model for true metabolizable energy of feather meal and poultry offal meal using group method of data handling- type neural network. Poultry Science, Vol, 87, pp:1909–1912.
AOAC. (1990). Official Methods of Analysis. 15th edn. Association of official analytical chemists. Arlington, U. S. A.
Dale, N. (1994). Relationship between bushel weight, metabolizable energy and protein content of corn from an adverse growing season. The Journal of Applied Poultry Research, Vol, 3, pp:83–86.
Lessire, M., Hallouis, J.M.,  Barrier-Guillot, B., Champion, M. and Femenias, N. (2003). Prediction of the metabolisable energy value of maize in adult cockerel. British. Poultry Science, Vol, 44, pp:813–814.
Lesson, S., Caston, L. and Summers, J.D. (1996). Broiler response to energy or energy and protein dilution in the finisher diet. Poultry Science, Vol, 75, pp: 529-535.
Menhaj, M. (2000). Principles of Artificial Neural Networks. Amir-Kabir University press.
Mollah, Y. and Annison, E.F. (1981). Prediction of metabolizable energy of wheat, maize and sorghum in poultry diets from chemical compositon. Proc. Nutr. Soc. Aust, Vol, 6, P.137.
Roush, W.B. and Cravener, T.L. (1997). Artificial Neural Network Prediction of Amino Acid Levels In Feed Ingredients. Poultry Science, Vol, 76, pp: 721–727.
Roush, W.B. and Cravener, T.L. (1999). Metabolism and Nutrition Improving Neural Prediction Of Amino Acid Levels In Feed Ingredients. Poultry Science, Vol, 78, pp: 983-991.
Sarani, F. (1390). Prediction of the ammont of essential amino acids in 2 cereal samples using Artificial Neural Network. Master's thesis of Zabol university.
Sedghi, M., Ebadi, M.R., Golian, A. and Ahmadi, H. (2011). Estimation and modeling true metabolizable energy of sorghom grain for poultry. Poultry Science, Vol, 90, pp: 1138-1143.
Shakibai, A. and Koochekzadeh, S. (2009). Modeling and Predicting Agricultural Energy Consumption in Irn. American- Eurasian J. Agric.&. Environ. Sci., Vol, 5(3), pp: 308-312.
Sibbald, I.R. (1989). Metabolizable energy evaluation of poultry diets. In: Recent Development in Poultry Nutrition. Edit. Cole, D. J. A., W. Haresign Butterworths. London.
Silva, E.P.D., Rabello, C.B., Albino, L.F.T., Ludke, J.V., Lima, M.B. and Junior, W.M.D. (2010). Prediction of metabolizable energy values in poultry offal meal for broiler Chickens. Sociedade Brasileira de Zootecnia, ISSN, 1806-9290.
Soleimani Rodi, P., Golian, A. and Sedghi, M. (1391). Estimates of metabolizable energy and digestible amino acids of wheat by using mathematical models. Iranian Fifth Congress on Animal Science, University of Esfahan. P: 442-446.
Zhao, F., Zhang, H.F., Hou, S.S. and Zhang, Z.Y. (2008). Predicting metabolizable energy of normal corn from its chemical composition in adult Pekin ducks. Poultry Science, Vol, 87, pp:1603–1608.