مقایسه مدل های رگرسیونی و شبکه های عصبی مصنوعی در پیش بینی عملکرد تولیدی مرغان تخم گذار

سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 162

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JASR-7-1_007

تاریخ نمایه سازی: 25 اسفند 1400

چکیده مقاله:

این مطالعه به منظور بررسی پیش بینی شاخص های عملکرد تولیدی در مرغان تخم گذار با استفاده از شبکه های عصبی مصنوعی و رگرسیون غیرخطی چندگانه انجام شد. بررسی بر روی اطلاعات چهار دوره متوالی پرورش در یک واحد پرورش مرغ تخم گذار صورت گرفت. روش های داده-کاوی شامل رگرسیون خطی و غیر خطی، شبکه عصبی پرسپترون سه لایه، شبکه عصبی پرسپترون چهار لایه و شبکه عصبی با تابع پایه ای شعاعی بود. در این مدل ها از متغیرهای سن گله، میزان خوراک مصرفی و فصل تولید به عنوان متغیر پیشگو و شاخص های عملکرد تولیدی شامل درصد تخم-گذاری، وزن توده ای تخم مرغ تولیدی و ضریب تبدیل غذایی به عنوان متغیر پاسخ استفاده شد. نتایج نهایی رگرسیون های خطی نشان داد که برای تمامی متغیرهای وابسته مورد مطالعه متغیر مستقل سن گله معنی دار می باشد. بنابراین رگرسیون غیر خطی شاخص های عملکرد تولیدی در مقابل سن برای مقایسه با شبکه های عصبی مختلف مورد بررسی قرار گرفت و برای مقایسه کلیه مدل ها از ضریب تعیین (R۲) و میانگین قدر مطلق خطا (MAE) استفاده شد. نتایج نشان داد بین شبکه های عصبی مصنوعی مختلف مورد مطالعه، شبکه با تابع پایه ای شعاعی بهتر از سایر مدل های در پیش بینی شاخص های عملکرد تولیدی مرغان تخم گذار عمل می کند.

کلیدواژه ها:

رگرسیون ، شبکه های عصبی مصنوعی ، عملکرد تولیدی ، مرغان تخم گذار

نویسندگان

جواد ایزی

مرکز آموزش کشاورزی استان خراسان رضوی

حیدر زرقی

فردوسی مشهد- دانشکده کشاورزی- گروه علوم دامی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Balan, B., S. Mohaghegh and S. Ameri. ۱۹۹۵. State- of- ...
  • Chelani, A. B., R. C. V. Chalapati, K. M. Phadke ...
  • Cravener, T. L. and W. B. Roush. ۱۹۹۹. Improving neural ...
  • Dayhoff, J. ۱۹۹۰. Neural Network Architecture: An introduction. Van Nostrand ...
  • Edriss, M. A., P. Hosseinnia, M. Edriss, H. R. Rahmani ...
  • Ghazanfari, S., K. Nobari and M. Tahmoorespur. ۲۰۱۱. Prediction of ...
  • Izy, J. ۲۰۰۳. Artificial neural networks and its application. Report ...
  • Jorabian, M. and T. Zare. ۲۰۰۵. Artificial Neural Networks. Ahvaz. ...
  • Lawrence, J. ۱۹۹۳. Introduction to neural networks. California Scientific Software ...
  • Lek S., M. Delacoste, P. Baran, I. Dimopoulos, J. Lauga ...
  • Menhaj, M. B. ۱۹۹۸. Computational Intelligence, principles of neural networks. ...
  • Mitchell, T. ۱۹۹۹. Machine learning, MIT Press and McGraw- Hill ...
  • Mittal, G. S. and J. Zhang. ۲۰۰۰. Prediction of temperature ...
  • Nelson, M., W. T. Illingworth. ۱۹۹۱. A practical guide to ...
  • North, M. O. and D. D. Bell. ۱۹۹۰. Commercial Chicken ...
  • Park S.J., C. S. Hwang and P. L. G.Vlek. ۲۰۰۵. ...
  • Rahimi, A. and m. sader Mosave. ۲۰۰۹. Comparison the result ...
  • Roush W. B. and T. L. Cravener.۱۹۹۷. Artificial neural network ...
  • Roush W. B., T. L. Cravener, Y. K. Kirby and ...
  • Roush W. B., Y. K. Kirby, T. L. Cravener and ...
  • Roush, W. B., W. A. Dozier III and S. L. ...
  • نمایش کامل مراجع