توصیف ریاضی منحنی رشد گوسفندان کردی با استفاده از شبکه عصبی مصنوعی و مقایسه آن با برخی مدل های غیرخطی

Abstract

هدف این تحقیق مقایسه شبکه عصبی مصنوعی با مدل‌های رگرسیون غیرخطی برودی، گمپرتز، لجستیک و ون‌برتالانفی در برازش منحنی رشد گوسفند کردی بود. برای این منظور، تعداد 17659 رکورد روز آزمون وزن تولد تا یکسالگی موجود در ایستگاه پرورش و اصلاح ‌نژاد حسین‌آباد شیروان در استان خراسان شمالی طی سال‌های 1375 تا 1392 متعلق به 5074 راس دام آماده‌سازی و استفاده شد. معماری شبکه بر پایه پرسپترون سه لایه با تعداد پنج نورون در هر لایه بود که از تابع انتقال سیگموئید-آکسون و قانون یادگیری لونبرگ-مارکوآت و با استفاده از نرم‌افزار نروسولوشن ساخته شد. تجزیه مدل‌های غیرخطی با رویه NLIN نرم‌افزار SAS انجام شد. نکویی برازش مدل‌ها بر اساس ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE)، میانگین قدرمطلق انحرافات (MAD)، معیار اطلاعات آکائیک (AIC) و معیار اطلاعات بیزی (BIC) تعیین و اثر عوامل ثابت مؤثر روی فراسنجه­های مدل بهینه بررسی شد. نتایج نشان داد که شبکه عصبی مصنوعی با داشتن بالاترین صحت (9735/0R2=) و کمترین خطا (452/3RMSE=، 424/2=MAD) بهتر از سایر مدل‌ها، منحنی رشد را توصیف کرد. بین مدل‌های غیرخطی، مدل برودی با بالاترین 966/0R2= و کمترین AIC، BIC، MAD و RMSE توانست در هر دو جنس برآورد مناسبی از منحنی رشد ارائه دهد. در جنس نر، بره‌های تک‌قلو و گوسفندانی که در ماه‌های زمستان متولد شده بودند، وزن مجانبی و نرخ رشد بیشتر بود. شاخص‌های ارزیابی نشان داد شبکه عصبی مصنوعی دقت بالایی در پیش‌بینی منحنی رشد گوسفندان کردی دارد و پس از آن مدل برودی مناسب‌تر از سایر مدل‌ها بود.