اخبار و اعلانات

 آمار

تعداد نشریات282
تعداد نشریات سازمان80
تعداد شماره‌ها3,206
تعداد مقالات35,522
تعداد مشاهده مقاله52,867,112
تعداد دریافت فایل اصل مقاله92,194,249
نوبری, کریم, یوسفی کلاریکائی, کاظم, تخله, عبدالغفار, برسلانی, علیرضا. (1401). بررسی کارایی شبکه عصبی مصنوعی جهت پیش‌بینی صفات عملکردی مرغ مادر گوشتی آرین. سامانه مدیریت نشریات علمی, 35(136), 17-30. doi: 10.22092/asj.2022.355952.2178
کریم نوبری; کاظم یوسفی کلاریکائی; عبدالغفار تخله; علیرضا برسلانی. "بررسی کارایی شبکه عصبی مصنوعی جهت پیش‌بینی صفات عملکردی مرغ مادر گوشتی آرین". سامانه مدیریت نشریات علمی, 35, 136, 1401, 17-30. doi: 10.22092/asj.2022.355952.2178
نوبری, کریم, یوسفی کلاریکائی, کاظم, تخله, عبدالغفار, برسلانی, علیرضا. (1401). 'بررسی کارایی شبکه عصبی مصنوعی جهت پیش‌بینی صفات عملکردی مرغ مادر گوشتی آرین', سامانه مدیریت نشریات علمی, 35(136), pp. 17-30. doi: 10.22092/asj.2022.355952.2178
نوبری, کریم, یوسفی کلاریکائی, کاظم, تخله, عبدالغفار, برسلانی, علیرضا. بررسی کارایی شبکه عصبی مصنوعی جهت پیش‌بینی صفات عملکردی مرغ مادر گوشتی آرین. سامانه مدیریت نشریات علمی, 1401; 35(136): 17-30. doi: 10.22092/asj.2022.355952.2178

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

علوم دامی
دوره 35، شماره 136، آذر 1401، صفحه 17-30    اصل مقاله (2.32 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/asj.2022.355952.2178
نویسندگان
کریم نوبری* 1؛ کاظم یوسفی کلاریکائی1؛ عبدالغفار تخله2؛ علیرضا برسلانی1
1بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی گلستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، گرگان، ایران
2معاونت 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
مرغ مادر آرین؛ عملکرد؛ شبکه عصبی مصنوعی؛ مدل‌سازی
عنوان مقاله [English]
Evaluation of Artificial neural network modeling for predicting performance traits of Arian broiler breeder
نویسندگان [English]
Karim Nobari1؛ Kazem Yousefi1؛ Abdolghafar takhle2؛ Alireza Barsalani1
1Department of Animal Science, Golestan Agricultural and Natural Resources Research and Education, AREEO, Gorgan, Iran
2Livestock affairs Department, Agricultural Jihad Organization of Golestan, Ministry of Agriculture-jahad, Gorgan, Iran
چکیده [English]
This study was conducted for predicting performance traits of the whole production period of Arian broiler breeder via its initial performances using artificial neural network (ANN). The input variables of modeling were house, number of hens in the house, weeks of production, body weight at 20-24 weeks of age and outputs of the model were body weight, egg number, egg mass, egg weight and feed intake at the 25 to 47 weeks of age. The used ANN model for prediction of body weight had 5 inputs, 5 neurons at 1st hidden layer, 2 neurons at 2nd hidden layer and 1 output, thus we write it as 5-5-3-1. Similarly, the optimized ANN model structure for feed intake, egg number, egg weight and egg mass were 7-7-4-1, 8-8-4-1, 7-7-3-1 and 7-7-3-1, respectively. R2 of adequate models for BW, FI, EN, EW and EM were 0.991, 0.998, 0.989, 0.993 and 0.996, and Root Mean Square Error were 1.55, 0.992, 0.266, 3.838 and 0.506, respectively. The results of the study shown that architecture and the specification of the neural networks such as inputs, outputs, number of neurons and number of hidden layers can affect the performance of the ANN model. The results indicated the possibility of predicting whole production period of Arian broiler breeder using early stage production records.
کلیدواژه‌ها [English]
Arian Broiler Breeder, Performance, Artificial Neural Network, Modelling
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.
آمار
تعداد مشاهده مقاله: 608
تعداد دریافت فایل اصل مقاله: 466


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