بررسی کارایی شبکه عصبی مصنوعی جهت پیش‌بینی صفات عملکردی مرغ مادر گوشتی آرین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران

2 معاونت امور دام، سازمان جهاد‌کشاورزی استان گلستان، وزارت جهاد‌کشاورزی، گرگان، ایران

چکیده

مطالعه حاضر با هدف تخمین صفات تولیدی مرغ مادر گوشتی آرین در کل دوره با استفاده از عملکرد اوایل دوره تولید به کمک مدل‌سازی شبکة عصبی مصنوعی انجام شد. متغیرهای ورودی مورد استفاده برای مدل‌سازی شامل سالن، تعداد مرغ مادر در هر سالن، تعداد هفته‌های تولید، رکوردهای وزن بدن در 21 تا 24 هفتگی و خروجی‌های مدل پیش‌بینی‌های وزن بدن، تولید تخم‌مرغ، توده تخم‌مرغ، وزن تخم‌مرغ و مصرف خوراک در سن 25 تا 47 هفتگی بودند. مدل مورد استفاده برای تخمین وزن بدن دارای 5 ورودی، 5 نورون در لایه پنهان اول، 2 نورون در لایه پنهان دوم و یک خروجی بود که به صورت 1-2-5-5 نگارش شد. به همین ترتیب ساختار بهینه مدل شبکه عصبی تخمین صفات مصرف خوراک، تعداد تخم‌مرغ، وزن تخم‌مرغ و توده تخم‌مرغ به ترتیب 1-4-7-7، 1-4-8-8، 1-3-7-7 و 1-3-7-7 انتخاب شد. ضریب تبیین مدل‌های بهینه بدست آمده برای هر یک از صفات وزن بدن، مصرف خوراک، تعداد تخم‌مرغ، وزن تخم‌مرغ وتوده تخم‌مرغ به ترتیب 991/0، 998/0، 989/0، 993/0 و 996/0 و مجذور میانگین مربعات خطای آنها به ترتیب 55/1، 992/0، 266/0، 838/3 و 506/0 برآورد شد. نتایج حاکی از تأثیر محسوس ساختمان و پارامترهای شبکه شامل ورودی‌ها و خروجی‌ها و تعداد نرون‌های هر لایه و تعداد لایه‌های پنهان بر روی عملکرد مدل شبکه عصبی مصنوعی بود. نتایج این مطالعه نشان داد که امکان پیش‌بینی عملکرد صفات مختلف در کل دورة تولیدی مرغ‌های مادر‌ آرین بر اساس اطلاعات هفته‌های ابتدایی پرورش، با دقت مطلوب وجود دارد.

کلیدواژه‌ها

مراجع

  1. راهنمای پرورش مرغ مادر گوشتی آرین (1399). کمیته ملی احیای مرغ لاین آرین. معاونت علمی و فناوری ریاست جمهوری.
  2. Faridi, A., France, J. and Golian, A. (2013). Neural network models for predicting early egg weight in broiler breeder hens. Journal of Applied Poultry Research. 22:1–8.
  3. Ghazanfari, S. and Nobari, K. (2011). Prediction of egg production using artificial neural network. Iranian Journal of Animal Science. 1(1): 11-16.
  4. Ghazanfari, S. (2014). Application of Linear Regression and Artificial NeuralNetwork for Broiler Chicken Growth Performance Prediction. Iranian Journal of Animal Science. 4(2): 411-416.
  5. Ghiassi, M. and Saidane, H. (2005). A dynamic architecture for artificial neural networks. Neurocomputing. 63: 397:413.
  6. Jahan, M., Maghsoudi, A., Rokouei, M. and Faraji-Arough H. (2020). Prediction and optimization of slaughter weight in meat-type quails using artificial neural network modeling. Poultry Science, 99(3): 1363-1368.
  7. Mohammadrezaei, M., Gheisari, A., Toghyani, M. and Toghyani, M. (2011). Modeling daily feed intake of broiler chicks. 4th International Conference In Aminal Nutrition, Malaysia.
  8. Narinc, D., Uckardes, F. and Aslan, E. (2014). Egg production curve analysis in poultry science. World’s Poultry Science Journal. 70: 817–828.
  9. Otwinowska-Mindur, A., Gumułka, M. and Kania-Gierdziewicz, J. (2016). MatheMatical Models for egg production in broiler breeder hens. Annals of Animal Science. 16(4):1185–1198.
  10. Sairanya, N.J., Susmitha, L., Thomas George, S. and Subathra, M.S.P. (2019). Hybrid Approach for Classification of Electroencephalographic Signals Using Time–Frequency Images With Wavelets and Texture Features. P: 253-273. In: Hemanth, D.J., D. Gupta and V.E. Balas (eds.) Intelligent Data Analysis for Biomedical Applications. Academic Press.
  11. Safari-Aliqiarloo, A., Faghih-Mohammadi, , Zare, M., Seidavi, A., Laudadio, V., Selvaggi, M. and Tufarelli, V. (2017). Artificial neural network and non-linear logistic regression models to fit the egg production curve in commercial-type broiler breeders. European Poultry Science. 81. DOI: 10.1399/eps.2017.212.
  12. Takma, Ç. and Gevrekci, Y. (2018). Use of Neural Network Model to Predict of Egg Yield. Journal of Agricultural Faculty of Gaziosmanpasa University. 35 (2):147-151.
  13. Van der Klein, S.A.S., Bedecarrats, G.Y. and Zuidhof, M.J. (2020). Modeling life-time energy partitioning in broiler breeders with differing body weight and rearing photoperiods. Poultry Science. 99:4421–4435.
  14. Wolc, A., Graczyk, M., Settar, P., Arango, J.,. O’Sullivan, N.P., Szwaczkowski, T. and Dekkers, J.C.M. (2015). Modifed Wilmink curve for egg production analysis in layers. XXVII International Poultry Science Symposium PB WPSA “Science to practice – practice to science”, Bydgoszcz, Poland, p. 56.
  15. Yakubu, A. and Madaki, J. (2017). Modelling growth of dual-purpose Sasso hens in the tropics using different algorithms. Journal of Genetics and Molecular Biology. 1(1):1-9.
  16. You, J., Lou, E., Afrouziyeh, M., Zukiwsky, NM. and Zuidhof 2021. Using an artificial neural network to predict the probability of oviposition events of precision-fed broiler breeder hens. Poultry Science, 100(8).
  17. Zhang, Q., Yang, S.X., Mittal, G.S. and Yi, S. (2002). Prediction of performance indices and optimal parameters of rough rice drying using neural networks. Biosystems Engineering. 83: 281-290.
علوم دامی
دوره 35، شماره 136
آذر 1401
صفحه 17-30

فایل ها

هم رسانی

ارجاع به این مقاله

آمار