اخبار و اعلانات

 آمار

تعداد نشریات286
تعداد نشریات سازمان84
تعداد شماره‌ها3,028
تعداد مقالات33,823
تعداد مشاهده مقاله45,249,357
تعداد دریافت فایل اصل مقاله60,085,504
نوبری, کریم, وطن خواه, محمود, شریفی, سید داود, امام جمعه کاشان, ناصر, مومن, مهدی, کاویان, عبداله. (1399). مقایسه مدل‌سازی شبکه عصبی مصنوعی و مدل خطی چندگانه در برآورد وزن دنبه نژادهای دنبه دار و آمیخته های آنها با نژاد بدون دنبه. سامانه مدیریت نشریات علمی, 33(129), 167-182. doi: 10.22092/asj.2020.128001.2003
کریم نوبری; محمود وطن خواه; سید داود شریفی; ناصر امام جمعه کاشان; مهدی مومن; عبداله کاویان. "مقایسه مدل‌سازی شبکه عصبی مصنوعی و مدل خطی چندگانه در برآورد وزن دنبه نژادهای دنبه دار و آمیخته های آنها با نژاد بدون دنبه". سامانه مدیریت نشریات علمی, 33, 129, 1399, 167-182. doi: 10.22092/asj.2020.128001.2003
نوبری, کریم, وطن خواه, محمود, شریفی, سید داود, امام جمعه کاشان, ناصر, مومن, مهدی, کاویان, عبداله. (1399). 'مقایسه مدل‌سازی شبکه عصبی مصنوعی و مدل خطی چندگانه در برآورد وزن دنبه نژادهای دنبه دار و آمیخته های آنها با نژاد بدون دنبه', سامانه مدیریت نشریات علمی, 33(129), pp. 167-182. doi: 10.22092/asj.2020.128001.2003
نوبری, کریم, وطن خواه, محمود, شریفی, سید داود, امام جمعه کاشان, ناصر, مومن, مهدی, کاویان, عبداله. مقایسه مدل‌سازی شبکه عصبی مصنوعی و مدل خطی چندگانه در برآورد وزن دنبه نژادهای دنبه دار و آمیخته های آنها با نژاد بدون دنبه. سامانه مدیریت نشریات علمی, 1399; 33(129): 167-182. doi: 10.22092/asj.2020.128001.2003

مقایسه مدل‌سازی شبکه عصبی مصنوعی و مدل خطی چندگانه در برآورد وزن دنبه نژادهای دنبه دار و آمیخته های آنها با نژاد بدون دنبه

علوم دامی
دوره 33، شماره 129، اسفند 1399، صفحه 167-182    اصل مقاله (1.61 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/asj.2020.128001.2003
نویسندگان
کریم نوبری* 1؛ محمود وطن خواه2؛ سید داود شریفی3؛ ناصر امام جمعه کاشان3؛ مهدی مومن4؛ عبداله کاویان1
1بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران.
2بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی چهار محال و بختیاری، سازمان تحقیقات، آموزش و ترویج کشاورزی، شهرکرد، ایران.
3گروه علوم دام و طیور، پردیس ابوریحان، دانشگاه تهران، تهران، ایران
4گروه علوم دامی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران
چکیده
همه نژادهای گوسفندان بومی ایران بجز نژاد زل، دنبه‌دار هستند و علیرغم درصد چربی لاشه کمتر بره‌های نر نسبت به ماده‌ها، دارای وزن دنبه بیشتری می‌باشند. استفاده از میزان تنوع درون‌نژادی جهت تغییر ژنتیکی مستلزم اندازه‌‌گیری دقیق وصحیح وزن دنبه در دام‌های تحت انتخاب می‌باشد. هدف این مطالعه مقایسه روش‌های مدل‌سازی شبکه عصبی مصنوعی (ANN) و مدل خطی جهت پیش‌بینی وزن دنبه در گوسفند از روی وزن بدن و اندازه‌های مختلف ابعاد دنبه بود. برای مدل‌سازی جهت برآورد وزن دنبه، تعداد 32 بره از نژادهای شال و زندی، آمیخته‌های زندی×شال، زل×زندی و زل×شال تهیه گردید. ورودی‌های مدل شامل نوع تولد، جنسیت، نژاد، عرض بالای دنبه، عرض میانی دنبه، عرض پایین دنبه، ارتفاع دنبه و وزن بدن قبل از کشتار و خروجی مدل وزن دنبه بود. صفات وزن بدن، نژاد و عرض میانی دنبه به ترتیب با مقادیر 83/0، 82/0- و 80/0 دارای بیشترین همبستگی با وزن دنبه داشتند. پارامترهای برازش بهترین مدل شبکه عصبی‌مصنوعی دارای ضرایب تبیین 99/0 و مجذور میانگین مربعات خطای(RMSE) 3/70 گرم بودند. میزان پارامترهای مذکور در مدل خطی به ترتیب 89/0 و 86/263 گرم بود. نتایج حاصل از بسط مطالعه اصلی، وجود پیچیدگی روابط متقابل بین‌ورودی‌های مدل را نشان داد. این پژوهش امکان پیش‌بینی دقیق و صحیح وزن دنبه نژادها و آمیخته‌های مختلف را با استفاده از شبکه عصبی به اثبات رساند. این مطالعه همچنین نشان داد که برآورد وزن دنبه از روی صفات قابل اندازه‌گیری در گوسفند با استفاده از مدل شبکه عصبی مصنوعی با صحت و دقت بیشتری نسبت به مدل خطی انجام می‌شود.
کلیدواژه‌ها
مدل‌سازی؛ شبکه عصبی؛ آمیخته؛ وزن دنبه؛ کیفیت لاشه
عنوان مقاله [English]
Comparison of Artificial Neural Network and Multiple Linear Models in Estimation of Fat-tail weight on Fat-tailed Breeds and their Crosses
نویسندگان [English]
Karim Nobari1؛ Mahmoud Vatankhah2؛ Sayed Davood Sharifi3؛ Nasser Emam Jomea Kashan3؛ Mehdi Momen4؛ abdollah kavian1
1Department of Animal Science, Golestan Agricultural and Natural Resources Research and Education, AREEO, Gorgan, Iran
2Agricultural and Natural Resources Research and Education Center ShahrKord
3Department of Animal Science, Abureyhan College of Agriculture, Tehran University, Tehran, Iran
4Department of Animal Science, Faculty of Agriculture, Shahid Bahonar University of Kerman(SBUK), Iran
چکیده [English]
All breeds of Irannians sheep except Zel has a fat tail, and despite their lower carcass fat percentage, male lambs have higher fat-tail weight. Using within breed genetic variation requires accurate and precise measuring of fat tail weight on candidates of selection. The aime of this study was comparision of artificial neural network (ANN) modeling and linear modeling methods to prediction of fat tail weight, using body weight and different tail dimensions. 32 lambs of Chal and Zandi breeds,crosses of Zandi×Chal,Zel×Zandi and Zel×Chal hybrids were used for modeling to an estimation of fat-tail weight. Inputs of the model was birth type, sex, breed, upper width , mid width and lower width of fat tail,fat tail height and body weight, output of the model was fat tail weight. body weight, genotype, and fat tail mid-width had the largest positive correlations with fat-tail weight,0.83,-0.82 and0.80,respectively. The adequacy parameters of the best artificial neural network model had a coefficient determination of 0.99 and a mean squared error(RMSE)of 70.3g. The values of these estimated parameters by the multiple linear model were 0.891 and 263.86, respectively. The results of the extension of the original study showed the complexity of the interactions between the model inputs. Present research approved to accurate and unbiased estimation of tail weight of different breeds and crosses using artificial neural network. Furthermore, present study showed that ANN model can be used for accurate and presise estimation of fat tail weight using measured traits on sheep,than linear model.
کلیدواژه‌ها [English]
Modeling, Neural Network, Crossbreed, Fat-tail weight, Carcass quality
مراجع
  1. Agamy, R., Abdel-Moneim, A.Y., Abd-Alla, M.S., Abdel-Mageed I.I. and Ashmawi G.M. (2013). Use of fat tail dimensions for prediction of fat in tail and carcass in Egyptian ram lambs. Egyptian Journal of Animal Production. 50(3):144 -156.
  2. Atti, N., Bocquier, F. and Khaldi, G.(2004). Performance of the fat-tailed Barbarine sheep in its environment: adaptive capacity to alternation of underfeeding and re-feeding periods. Animal Research. 53(3):165-176.
  3. Bedhiaf Romdhani, S., Soumri, N. and Djemali, M. (2004). Use of fat tail and body scores to estimate lamb weights in fat tailed meat sheep. In: Proceedings of the 34th Biennial Session of ICAR, Sousse, Tunisia, p. 71-81.
  4. Esmailizadeh, A.K., Miraei-Ashtiani, S.R., Mokhtari, M.S. and Asadi-Fozi, M. (2011). Growth performance of crossbred lambs and productivity of kurdi ewes as affected by the sire breed under extensive production system. Journal of Agricultural Science and Technology. 13:701-708.
  5. Farid, A. (1991). Slaughter and carcass characteristics of three fat-tailed sheep breed and their crosses with Corriedal and Targhee rams. Small Ruminant Research. 5(3):255–271.
  6. Ghazanfari, S., Nobari, K. and Tahmoorespur, M. (2011). Prediction of Egg Production Using Artificial Neural Network. Iranian Journal of Animal Science. 1(1):11-16.
  7. Khaltabadi Farahani, H., Moradi Shahrbabak, H., Moradi Shahrbabak, M. and Mehrabani Yeganeh, M. (2010). Relationship of fat-tail and body measurements with some economic important traits in fat-tail Makoei breed of Iranian sheep. African Journal of Biotechnology. 9(36):5989-5992.
  8. Kashan, N.E.J., Manafi-Azar, G.H., Afzalzadeh, A. and Salehi, A. (2005). Growth performance and carcass quality of fattening lambs from fat-tailed and tailed sheep breeds. Small Ruminant Research. 60:267-271.
  9. Lavvaf, A. and Farahvash, T. (2012). Body measurements recording as an alternative to determine live weight and carcass performance of Macoei and Afshari sheep. Indian Journal of Animal Research. 46(3):263-267.
  10. Moradi, M.H., Nejati-Javaremi, A., Moradi-Shahrbabak, M., Dodds, K.G. and McEwan, J.C. (2012). Genomic scan of selective sweeps in thin and fat tail sheep breeds for identifying of candidate regions associated with fat deposition. BMC Genetics. 13:10-12.
  11. Norouzian, M.A. and Vakili-Alavijeh, M. (2016). Comparison of Artificial Neural Network and Multiple Regression Analysis for Prediction of Fat Tail Weight of Sheep. Iranian Journal of Applied Animal Science. 6(4):895-900.
  12. Safdarian, , Zamiri, M.J., Hashemi, M. and Noorolahi, H. (2008). Relationships of fat-tail dimensions with fat-tail weight and carcass characteristics at different slaughter weights of Torki-Ghashghaii sheep. Meat Science. 80(3):686-689.
  13. Vatankhah, M. and Talebi, M.A. (2008). Heritability estimates and correlations between production and reproductive traits inLori-Bakhtiari sheep in Iran. South African Journal of Animal Science. 38(2):110-118.
  14. Vatankhah, M., Moradi-Shahre Babak, M., Nejati-Javaremi, A., Mirayi-Ashtiani, S. and Vaez-Torshizi, R. (2004). Relation between body measurements with live weight, warm carcass, warm carcarr without fat-tail in Lori Bakhtiari sheep. Animl Science Journal, 65:7-15.
  15. Wright, D. (2015). The Genetic Architecture of Domestication in animals. Bioinformatics and Biology Insight. 9(4):11-20.
  16. Zamiri, M.J. and Izadifard, J. (1997). Relationships of fat-tail weight with fat-tail measurements and carcass characteristics of Mehraban and Ghezel rams. Small Ruminant Research. 15:261-266.
  17. , M.J. and Izadifard, J. (1997). Relationsheeps of fat-tail weight with fattail Measurements and carcass characteristics of Mehraban and Ghezel rams. Small Rumin. Res. 26:261-266.
آمار
تعداد مشاهده مقاله: 584
تعداد دریافت فایل اصل مقاله: 343


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب