اخبار و اعلانات

 آمار

تعداد نشریات287
تعداد نشریات سازمان85
تعداد شماره‌ها3,159
تعداد مقالات35,108
تعداد مشاهده مقاله50,530,156
تعداد دریافت فایل اصل مقاله90,478,670
خجسته کی, مهدی, کلانتر نیستانکی, مجید, یگانه پرست, محمد, اسدزاده, نادر, سوری, نورمحمد. (1401). عنوان مقاله: مقایسه دقت شبکه عصبی مصنوعی و مدل رگرسیون خطی در تخمین وزن شتر یک‌کوهانه با استفاده از اندازه‌های بدن. سامانه مدیریت نشریات علمی, 35(136), 3-16. doi: 10.22092/asj.2022.356403.2186
مهدی خجسته کی; مجید کلانتر نیستانکی; محمد یگانه پرست; نادر اسدزاده; نورمحمد سوری. "عنوان مقاله: مقایسه دقت شبکه عصبی مصنوعی و مدل رگرسیون خطی در تخمین وزن شتر یک‌کوهانه با استفاده از اندازه‌های بدن". سامانه مدیریت نشریات علمی, 35, 136, 1401, 3-16. doi: 10.22092/asj.2022.356403.2186
خجسته کی, مهدی, کلانتر نیستانکی, مجید, یگانه پرست, محمد, اسدزاده, نادر, سوری, نورمحمد. (1401). 'عنوان مقاله: مقایسه دقت شبکه عصبی مصنوعی و مدل رگرسیون خطی در تخمین وزن شتر یک‌کوهانه با استفاده از اندازه‌های بدن', سامانه مدیریت نشریات علمی, 35(136), pp. 3-16. doi: 10.22092/asj.2022.356403.2186
خجسته کی, مهدی, کلانتر نیستانکی, مجید, یگانه پرست, محمد, اسدزاده, نادر, سوری, نورمحمد. عنوان مقاله: مقایسه دقت شبکه عصبی مصنوعی و مدل رگرسیون خطی در تخمین وزن شتر یک‌کوهانه با استفاده از اندازه‌های بدن. سامانه مدیریت نشریات علمی, 1401; 35(136): 3-16. doi: 10.22092/asj.2022.356403.2186

عنوان مقاله: مقایسه دقت شبکه عصبی مصنوعی و مدل رگرسیون خطی در تخمین وزن شتر یک‌کوهانه با استفاده از اندازه‌های بدن

علوم دامی
دوره 35، شماره 136، آذر 1401، صفحه 3-16    اصل مقاله (1.64 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/asj.2022.356403.2186
نویسندگان
مهدی خجسته کی1؛ مجید کلانتر نیستانکی* 1؛ محمد یگانه پرست1؛ نادر اسدزاده2؛ نورمحمد سوری3
1استادیار مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان قم، سازمان تحقیقات، آموزش و ترویج کشاورزی، قم، ایران.
2استادیار موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات،آموزش و ترویج کشاورزی، کرج، ایران.
3کارشناس اجرایی مدیریت بهبود تولیدات دامی سازمان جهاد کشاورزی استان قم .
چکیده
در مدیریت پرورش شتر وزن کشی در گروه بندی دام‌ها، تنظیم احتیاجات غذایی و نیز ارزیابی سالیانه حیوانات نقش تعیین کننده دارد. شترداران به دلیل دشواری و مخاطرات متعدد، معمولاَ روش‌های جایگزین نظیر استفاده از برآورد ظاهری و یا وزن‌متر را برای تخمین وزن شترها ترجیح می‌دهند. از آن‌جا که دقت مدل‌های ریاضی در تخمین وزن شترها یکسان نیست، لذا پژوهش حاضر با هدف مقایسه دقت برآورد شبکه عصبی مصنوعی و مدل رگرسیون خطی چندگانه در تخمین وزن شترهای یک‌کوهانه از روی ابعاد بدنی آن‌ها به انجام رسید. به این منظور 26 نفر شتر با تعداد 203 رکورد از یک مزرعه شخصی برای مدت یک‌ سال استفاده شد. وزن کشی و تعیین ابعاد بدنی شتر‌ها (طول بدن، ارتفاع جدوگاه، ارتفاع کپل، ارتفاع کوهان تا زمین، دور سینه و دور شکم) به‌طور ماهیانه اندازه‌گیری شد. برای تخمین وزن شترها از روی ابعاد بدن آن‌ها داده‌ها با استفاده از مدل رگرسیون خطی چندگانه و شبکه عصبی مصنوعی مورد تجزیه و تحلیل قرار گرفتند. وزن شترها از روی ابعاد بدنی آن‌ها با استفاده از مدل رگرسیون خطی چند متغیره و مدل شبکه عصبی مصنوعی به ترتیب با دقت 94/0 و 99/0 تخمین زده شد. در آزمون عملی، مدل رگرسیون چندگانه و شبکه عصبی مصنوعی به ترتیب وزن شترها را 39/16 و 07/5 کیلوگرم کمتر از وزن واقعی آن‌ها برآورد نمودند. نتایج این پژوهش نشان داد که شبکه عصبی مصنوعی از قابلیت مناسبی برای تخمین وزن شترها از روی ابعاد بدنی آن‌ها برخوردار بوده و می‌تواند جایگزین روش‌های متداول رگرسیون گردد.
کلیدواژه‌ها
شبکه عصبی مصنوعی؛ تخمین وزن؛ شتر یک‌کوهانه؛ مدل رگرسیون
عنوان مقاله [English]
Comparison of artificial neural network accuracy and linear regression model in estimating the weight of dromedary camel using body measurements
نویسندگان [English]
Mahdi Khojastehkey1؛ majid kalantar1؛ mohammad Yeganeparast1؛ nader asadzadeh2؛ Normohammad Souri3
1member of scientific board of Agriculture and Natural Resources Research and Education Center in Qom
2Department of Rearing Management, Animal Science Research Institute of Karaj. Agricultural Research, Education and Extension Organization (AREEO) of Jihad-e-Keshavarzi Ministry
3Executive member of Jihad-e-Keshavarzi Organizatuin of Qom province, Qom, Iran.
چکیده [English]
In the management of camel breeding, weightlifting plays a decisive role in grouping livestock, regulating nutritional needs and also annual evaluation of animals. Due to the many difficulties and risks, camel owners usually prefer alternative methods such as using apparent estimates or weight -meter to estimate the weight of camels. Since the accuracy of mathematical models in estimating the weight of camels is not equal, so the present research was conducted to compare the accuracy of estimating artificial neural network and multiple linear regression model in estimating the weight of dromedary camels from their body dimensions. For this purpose, 26 camels with 203 records were used from a private farm for one year. Weighing and determining the body dimensions of camels (body length, shoulder height, back height, hump height to the ground, chest and abdomen girth) were measured monthly. To estimate the weight of camels from their body dimensions, the data were analyzed using multiple linear regression model and artificial neural network. The weight of camels on their body dimensions was estimated with accuracy of 0.94 and 0.99, respectively, using multivariate linear regression model and artificial neural network model. The weight of camels on their body dimensions was estimated with accuracy of 0.94 and 0.99, respectively, using multivariate linear regression model and artificial neural network model. The results of this research showed that the artificial neural network has the proper ability to estimate the weight of camels based on their body dimensions and can replace conventional regression methods.
کلیدواژه‌ها [English]
Artificial Neural Network, body weight, dromedary camel, regression model
مراجع
  1. Abegaz, S. and Awgichew, K. (2009). Technical bulletin no. 23. Estimation of weight and age of sheep and goat. Ethiopia sheep and goat productivity improvement program. ESGPIP, Ethiopia.
  2. Afolayan, R.A., Adeyinka, I. A. and Lakpini, C. A. M. (2006). The estimation of live weight from body measurements in Yankasa sheep. Czech J.Anim.Scie.51 (8):343-348.
  3. Atta, M. and el-Khidir, O. A. (2004). Use of heart girth wither height and scapuloischial length for prediction of love weight of Nilotic sheep. Small ruminant research, 55(1):233-237.
  4. Bahashwan, S., Alrawas, A. S., Alfadli, S. and Johnson, E. S. (2016). Dofari cattle growth curve prediction by different non linear model functions. Livestock Research.27 (12)
  5. Borah, S., Hines, E. L. and Bhuyan, M. (2007). Wavelet transform based image texture analysis for size estimation applied to the sorting of tea granules. Journal of Food Engineering, 79: 629–639.
  6. Cannas, A. and Boe, F. (2003). Prediction of the relationship between body weight and body condition score in sheep. Italian Journal of Animal Sciences, 2:527-529.
  7. De Villers, J. F., Gcumisa, S. T. and Gumede, S. A. (2010). Weight band to estimate the live weight of meat goats. Agri update: information from the KZN department of Agriculture environmental affairs and rural development, South Africa.
  8. Franicis, J., Sibanda, S., Hermansen, J. T, and Kristrerrsen, E. (2002). Estimating body weight of cattle using linear body measurements. Zimbabwe Veterinary Journal.33:15-21.
  9. Grzesiak, W., Lacroix, R., Wójcik, J. and Blaszczyk, P. (2003). A comparison of neural network and multiple regression predictions for 305-day lactation yield using partial lactation records. Canadian Journal of Animal Science, 2003, 83(2): 307-310.
  10. Kadim, I. T, Mahgoub, O. and Purchas, R. W. (2008). A review of the growth and the carcass and meat quality characteristics of the one humped camel. Meat. Science 80(3):555-69.
  11. Kohler-Rollefson, I., Mundy, P. and Mathias, E. (2001). A Field Manual of Camel Diseases. London, U.K.; Intermediate Technology Group Publishing. pp. 2 54.
  12. Iqbal, Z. M., Javed, K., Abdollah, M., Ahmad, N., Ali, A., Khalique, A., Aslamand, N. and Younas, U. (2014). Estimation of body weight from different morphometric measurement in Kali lambs. Journal of animal and plant Science.24 (3):700-703.
  13. Mahmoud, M. A., Shaba, P. and Zubairu, U.V. (2014). Live body weight estimation in small ruminant: a review. Global journal of animal scientific research. 2(2).
  14. Mehta, S. C., Bapna, D. L. and Bhure, S. K. (2010). Mathematical function of growth in India dromedary genotypes. Journal of Biopesticides.80 (2)148-151.
  15. Norouzian, M. A.and Vakili, M. (2016). Comparison of artificial neural network and multiple regression to estimate fat tail weight of sheep. Iranian Journal of applied animal science.4 (6):895-900.
  16. Otoikhian, C. S. O., Otoikhian, A. M., Akporhuarho, O. P. and Isidahoman, C. (2008). Correlation of body weight and some body measurement parameters in Quda sheep under extensive management system. African journal .Gen.Agr4 (3):129-133.
  17. Salau, J., Haas, J., Junge, W., Bauer, U., Harms, J. and Bieletzki, S. (2014). Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns. Springer Plus, 3, 225.
  18. Slosarz, P., Stanisz, M., Boniecki, P., Prezybylak, A., Lisiak, D., Ludwiczak, A. (2011). Artificial neural network analysis of ultrasound image for the estimation of intramuscular fat content in lamb muscle. African Journal of Biotechnology.10 (55):11792-11796.
  19. Snedecor, S.W. and Cochran, W.G. (1989). Statistical method s. 8th ed. Iowa state University Press .USA.
  20. Tsegaye, D., Belay, B., and Haile, A. (2013). Linear body measurement as predictor of body weight in Haraghe Highland goat under farmer's environment Ethiopia. Glob. Veterinaria.11 (5):649-656.
  21. Wangchuk. K., Wangdi, J. and Mindu, M. (2017).comparison and reliability of techniques to estimate live cattle body weight. Journal of Applied Animal Research.
آمار
تعداد مشاهده مقاله: 594
تعداد دریافت فایل اصل مقاله: 442


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