| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,168 |
| تعداد مقالات | 35,197 |
| تعداد مشاهده مقاله | 50,943,719 |
| تعداد دریافت فایل اصل مقاله | 90,948,876 |
مقایسهی عملکرد شبکهی عصبی با برخی توابع ریاضی در پیشبینی منحنی شیردهی گاوهای شیری ایران | ||
| علوم دامی | ||
| دوره 36، شماره 141، اسفند 1402، صفحه 133-142 اصل مقاله (1.5 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2023.360791.2274 | ||
| نویسندگان | ||
| مهتاب عزیزی1؛ حسین نعیمی پور* 2؛ سید همایون فرهنگ فر2؛ مسلم باشتنی3 | ||
| 1دانش آموخته کارشناسی ارشد، بخش علوم دام، دانشگاه بیرجند | ||
| 2استادیار، بخش علوم دام، دانشگاه بیرجند | ||
| 3استاد، بخش علوم دام، گروه علوم دامی، دانشگاه بیرجند | ||
| چکیده | ||
| برای مقایسهی شبکه عصبی مصنوعی و برخی توابع ریاضی در پیشبینی منحنی شیردهی، از تعداد 1085525 رکورد شیر روز آزمون گاوهای شیری هلشتاین زایش اوّل استفاده گردید که توسط مرکز اصلاح نژاد دام و بهبود تولیدات دامی کشور طیّ سالهای 1391-1362 جمعآوری شده بود. برازش منحنی شیردهی، با استفاده از بسته نرمافزاری brnn (برای شبکه عصبی مصنوعی) و برخی توابع ریاضی با تابع nls در نرمافزار R اجرا شد. ویرایش دادهها با نرمافزار SAS انجام شد. از معیارهای اطلاعات آکائیک، اطلاعات بیزی، میانگین مربعات خطا و ضریب تبیین تعدیل شده، برای ارزیابی نیکویی برازش استفاده شد. شبکهی عصبی مصنوعی با تنظیم بیزی (brnn) و توابع ریاضی وود، ویلمینک، علی - شفر و پلوت - گوتوین در پیشبینی منحنی شیردهی برای صفات تولید شیر، درصد چربی و پروتئین شیر به کار گرفته شدند. نتایج نشان داد brnn در همهی صفات مورد بررسی (تولید شیر، درصد چربی و پروتئین شیر) نسبت به توابع ریاضی غیرخطی، برازش بهتری از شکل منحنی استاندارد گاوهای هلشتاین ایران دارد. در بین توابع ریاضی بررسی شده، برای صفت تولید شیر، مدل ویلمینک، و برای درصد چربیشیر و درصد پروتئین شیر، مدل علی – شفر برازش بهتری داشت. استفاده از شبکه های عصبی مصنوعی بیزی برای توصیف منحنی شیردهی و ترکیبات شیر در گاوهای هلشتاین ایران توصیه می گردد. | ||
| کلیدواژهها | ||
| تولیدشیر؛ شبکه عصبی مصنوعی؛ هلشتاین؛ مدل سازی | ||
| عنوان مقاله [English] | ||
| Comparison of artificial neural network performance with some mathematical functions in predicting of lactation curve of Iranian dairy cows | ||
| نویسندگان [English] | ||
| Mahtab Azizi1؛ Hossein Naeemipour2؛ Seyed Homayoun Farhangfar2؛ Moslem Bashtani3 | ||
| 1Birjand University | ||
| 2Birjand University | ||
| 3Academic member of staff, Animal science department, Agriculture faculty, University of Birjand | ||
| چکیده [English] | ||
| In order to compare the performance of neural network with some mathematical functions for predicting of lactation curve of Iranian Holstein dairy cows, a total of 1,085,525 milk test day records from first-parity dairy cows calved during 1983-2012 were used. Fitting the lactation curve was performed by brnn package (for neural network) and also by some mathematical functions (including Wood, Wilmink, Ali-Schaeffer and Pollott-Gootwine) using R software based upon average milk yield, fat and protein percentage test day records. The criteria of AIC, BIC, RMSE and adjusted R2 were utilized to evaluate goodness of fit. The results showed that the Bayesian neural network (brnn) had a better fit than mathematical functions in describing the standard curve shape of Iranian Holstein dairy cows. Among the mathematical functions used for milk yield, Wilmink model had a better fit while for milk fat percentage and milk protein percentage, Ali-Schaeffer model showed a better fit performance. Therefore, it could be suggested that brnn is an appropriate option to be applied to fit the lactation curve of Iranian Holstein dairy cows. | ||
| کلیدواژهها [English] | ||
| Milk production, Artificial neural network, Holstein, Modelling | ||
| مراجع | ||
|
ابراهیمی، آ. (1390). پیشبینی بر اساس شبکههای عصبی مصنوعی. (پایاننامه کارشناسی ارشد). دانشگاه تربیت معلم، ایران. زکی زاده، س.، ساقی، د.ع.، و معماریان، ه. (1399). توصیف ریاضی منحنی رشد گوسفندان کردی با استفاده از شبکه عصبی مصنوعی و مقایسه آن با برخی مدلهای غیر خطی. نشریه تحقیقات تولیدات دامی، سال نهم، (1)، 59-45. علیجعفری، ز. (1395). مدلسازی منحنی تولید شیر در گاوهای شیری هلشتاین با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک (پایان نامه کارشناسی ارشد). دانشکده کشاورزی دانشگاه شهید باهنر کرمان، کرمان، ایران. فرهنگ فر، ه.، نظام دوست، س.، منتظر تربتی، م.ب.، اصغری،م.ر. (1397). آنالیز ژنتیکی پارامترهای مدل مکانیستیک پُلوت - گوتوین برای منحنی شیردهی گاوهای شیری ایران. نشریه پژوهشهای علوم دامی،28 (3)، 46-31. قاسمی، ا.، اسدی، ا.، مهربان، ح.، و محرری، ع. (1394، خرداد). مقایسه توابع ریاضی در برازش منحنی تولید شیر زایش اول در یک گله گاو هلشتاین. همایش پژوهشهای نوین در علوم دامی. (ص.1189-1186). دانشگاه بیرجند، بیرجند، ایران. لطفی، ر.، فرهنگفر، ه.، امیرآبادی زاده، م.، حسینی، م.، و لطفی، س. (1389، شهریور). کاربرد شبکه عصبی مصنوعی در توصیف منحنی شیردهی گاوهای هلشتاین ایران. چهارمین کنگره علوم دامی ایران. (ص. 2738-2736). پردیس کشاورزی و منابع طبیعی دانشگاه تهران (کرج)، کرج، ایران. لطفی، س.، لطفی، ر.، وحیدیان کامیاد، ع.، و فرهنگفر، ه. (1393). کاربرد تابع سینوسی برای مدل سازی منحنی شیردهی گاوهای هلشتاین و مقایسه آن با توابع وود و دایجکسترا در یک گله گاو هلشتاین. نشریه علوم دامی ایران، 45(1)، 68-59. محمدی، ی، شریعتی، م.م، زرهداران، س، رزمکبیر، م، صیادنژاد، م.ب.، و زندی، م.ب. (1395). مقایسه دقت برآورد ارزش اصلاحی ژنومی برای صفات تولید در گاوهای هلشتاین ایران با روشهای پارامتری و ناپارامتری. مجله تولیدات دامی، 18(1)، 11-1. مهران پور، ف، اسماعیلیزاده، ع، افتخاری، م.، و اسدی فوزی، م. (1395، شهریور). مدلسازی رابطه تولید شیر در گاوهای شیری هلشتاین با استفاده از شبکه عصبی مصنوعی. مجموعه مقالات هفتمین کنگره علوم دامی ایران. (ص. 170-165). دانشگاه تهران، تهران، ایران. مهربان، ح.، فرهنگفر، ه.، رحمانینیا، ج.، و علیسلطانی، ح. (1388). مقایسه برخی توابع توصیف کننده شکل منحنی شیردهی در گاو نژاد هلشتاین. مجله پژوهشهای علوم دامی ایران، 1(2)، 55-47. میرصالحی، م.، و تقی زاده کاخکی، ح. (1387). شبکههای عصبی. مشهد: دانشگاه فردوسی مشهد (ترجمه). نعیمیپور، ح. (1396). استفاده از رگرسیون چندکی در بررسی صفات تولید شیر 305 روز، فاصله گوساله زایی و تداوم شیردهی به روش کلاسیک و ژنومی وتحلیل منحنی شیردهی با توابع مختلف ریاضی در گاوهای هلشتاین ایران. (پایان نامه دکتری). دانشکده کشاورزی دانشگاه فردوسی مشهد، مشهد، ایران. نوبری، ک، بانه، ح، اسماعیل خانیان، س، یوسفی کلاریکلائی، ک.، و سمیعی، ر. (1397). مقایسه مدل خطی و شبکه عصبی مصنوعی در پیشبینی تولید شیر با استفاده از رکوردهای اولین دوره شیردهی ثبت شده. نشریه پژوهش در نشخوار کنندگان، 6(4)،100-89. Akaike, H. (1974). A new look at the statistical model identification. IEEE transactions on automatic control, 19(6), 716-723. Albarrán-Portillo, B., and Pollott, G. E. (2013). The relationship between fertility and lactation characteristics in Holstein cows on United Kingdom commercial dairy farms. Journal of dairy Science, 96(1), 635-646. Ali, T. E., and Schaeffer, L. R. (1987). Accounting for covariance among test day milk yields in dairy cows. Canadian Journal of Animal Science, 67(3), 637-644. Bangar, Y. C., and Verma, M. R. (2017). Non-linear modelling to describe lactation curve in Gir crossbred cows. Journal of Animal Science and Technology, 59(1), 1-7. Bouallegue, M., and M’Hamdi, N. (2020). Mathematical modeling of lactation curves: A review of parametric models. Lactation in farm animals-biology, physiological basis, nutritional requirements, and modelization, 1, 1-20. Dongre, V. B., Gandhi, R. S., Singh, A., and Ruhil, A. P. (2012). Comparative efficiency of artificial neural networks and multiple linear regression analysis for prediction of first lactation 305-day milk yield in Sahiwal cattle. Livestock Science, 147(1-3), 192-197. Druet, T., Jaffrézic, F., Boichard, D., and Ducrocq, V. (2003). Modeling lactation curves and estimation of genetic parameters for first lactation test-day records of French Holstein cows. Journal of Dairy Science, 86(7), 2480-2490. Fernandez, C., Soria, E., Sanchez-Seiquer, P., Gómez-Chova, L., Magdalena, R., Martín-Guerrero, J. D., ... and Serrano, A. J. (2007). Weekly milk prediction on dairy goats using neural networks. Neural Computing and Applications, 16(4-5), 373-381. Gorgulu, O. (2012). Prediction of 305-day milk yield in Brown Swiss cattle using artificial neural networks. South African Journal of Animal Science, 42(3), 280-287. Gous, R., Fisher, C., and Morris, T. R. (Eds.). (2006). Mechanistic modelling in pig and poultry production. CABI. Grzesiak, W., Błaszczyk, P., and Lacroix, R. (2006). Methods of predicting milk yield in dairy cows—Predictive capabilities of Wood's lactation curve and artificial neural networks (ANNs). Computers and electronics in agriculture, 54(2), 69-83. Hossein-Zadeh, N. G. (2014). Comparison of non-linear models to describe the lactation curves of milk yield and composition in Iranian Holsteins. The Journal of Agricultural Science, 152(2), 309-324. Lee, S., and Park, J. (2022). A Vector Representation of Lactation Curves for Dairy Cows. Agriculture, 12(3), 395. Li, M. M., White, R. R., and Hanigan, M. D. (2018). An evaluation of Molly cow model predictions of ruminal metabolism and nutrient digestion for dairy and beef diets. Journal of Dairy Science, 101(11), 9747-9767. Molavifar, S., and Fozi, M. A. (2013). Life time genetic analysis of growth trait in Rayeni Cashmere goat (Doctoral dissertation, M. Sc. Thesis, Department of animal Science, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran (In Persian)). Oltenacu, P. A., and Broom, D. M. (2010). The impact of genetic selection for increased milk yield on the welfare of dairy cows. Animal welfare, 19(1), 39-49. Pérez-Rodríguez, P., Gianola, D., Weigel, K. A., Rosa, G. J. M., and Crossa, J. (2013). An R package for fitting Bayesian regularized neural networks with applications in animal breeding. Journal of Animal Science, 91(8), 3522-3531. Quinn, N., Killen, L., and Buckley, F. (2005). Empirical algebraic modelling of lactation curves using Irish data. Irish Journal of Agricultural and Food Research, 1-13. Radjabalizadeh, K., Alijani, S., Gorbani, A., & Farahvash, T. (2022). Estimation of genetic parameters of Wood’s lactation curve parameters using Bayesian and REML methods for milk production trait of Holstein dairy cattle. Journal of Applied Animal Research, 50(1), 363-368. Sahinler, S. (2009). Estimation of sustained peak yield interval of dairy cattle lactation curves using a broken-line regression approach. South African Journal of Animal Science, 39(1), 22-29. SAS. 2009. Version 9.2 ed. SAS Inst. Inc., Cary, NC. Schmidt, GH., and VanVelerk, L.D. and Hutjens, M.F.(1998). Principles of Dairy Science. Second edition. Sharma, A. K., Sharma, R. K. and Kasana, H. S. (2006). Empirical comparisons of feed-forward connectionist and conventional regression models for prediction of first lactation 305-day milk yield in Karan Fries dairy cows. Neural Computing and Applications, 15(3-4), 359-365. Sharma, V., Rai, S. and Dev, A. (2012). A comprehensive study of artificial neural networks. International Journal of Advanced Research in Computer Science and Software Engineering, 2(10). Val-Arreola, D., Kebreab, E., Dijkstra, J., and France, J. (2004). Study of the lactation curve in dairy cattle on farms in central Mexico. Journal of Dairy Science, 87(11), 3789-3799. van der Werf, J. H. (2022). Sustainable animal genetic improvement. In E3S Web of Conferences (Vol. 335, p. 00001). EDP Sciences. Wilmink, J. B. M. (1987). Adjustment of test-day milk, fat and protein yield for age, season and stage of lactation. Livestock Production Science, 16(4), 335-348. Wood, P. D. P. (1967). Algebraic model of the lactation curve in cattle. Nature, 216(5111), 164-165. Zhang, F., Shine, P., Upton, J., Shaloo, L., and Murphy, M. D. (2018). A Review of Milk Production Forecasting Models: Past & Future Methods. ResearchGate. | ||
|
آمار تعداد مشاهده مقاله: 569 تعداد دریافت فایل اصل مقاله: 463 |
||