تخمین انرژی قابل سوخت و ساز ظاهری گندم و ذرت در طیور گوشتی با استفاده از روش شبکه عصبی مصنوعی بر اساس ترکیبات مواد مغذی و اسید های آمینه ضروری

این تحقیق به منظور بررسی عملکرد سه مدل شبکه عصبی رگرسیون عمومی، تابع پایه شعاعی وشبکه عصبی پرسپترون سه لایه دربرآورد اپانرژی قابل سوخت وساز ظاهری 15 واریته گندم و ذرت بااستفاده از ترکیب مواد مغذی موجود در آنان انجام گردید. متغیرهای ورودی شامل میزان انرژی خام، پروتئین خام، چربی خام، فیبر خام، فسفر، خاکستر وهمچنین الگوی اسیدهای آمینه ضروری (متیونین، سیستئین، متیونین+ سیستئین، لوسین، ایزولوسین، فنیل آلانین، تریپتوفان، والین، آرژنین، لایزین، هیستیدین و ترئونین)، و متغیر خروجی شامل انرژی قابل سوخت وساز ظاهری گندم وذرت بود. نتایج نشان داد که برای برآورد انرژی قابل سوخت وساز ظاهری گندم و ذرت، با استفاده ازشبکه عصبی پرسپترون سه لایه ضریب تبیین (r2) به مراتب بالاتر از دو شبکه دیگر بود و ذرت با ورودی انرژی خام (0.97=r2) و گندم با ورودی پروتئین خام (0.89=r2) بهترین برآورد را داشتند. در مورد گندم، درهمه ورودی ها به جز ورودی اسید های آمینه، تابع پایه شعاعی برآورد بهتری از شبکه عصبی رگرسیون عمومی داشت. درمورد ذرت، شبکه عصبی رگرسیون عمومی به جز ورودی انرژی خام، برآورد پایین تری از دو شبکه دیگر داشت و تابع پایه شعاعی تنها با ورودی انرژی خام ضعیف عمل کرد. بطورکلی بر اساس نتایج این تحقیق توصیه می شود که شبکه عصبی مصنوعی رامی توان به عنوان ابزاری باکارایی بیشتر نسبت به رگرسیون خطی برای مدل سازی، پیش بینی وبرآورد انرژی قابل سوخت وساز مواد خوراکی طیور به کار برد

Predicting apparent metabolizable energy of wheat and corn based on the nutrient components and essential amino acids in broilers , using artificial neural network

Three Artificial Neural Networks (ANN) models; General Regression Neural Network (GRNN), Redial Basis Function (RBF) and Three Layer Multiple Perceptron Network were carried out to evaluate the prediction of the apparent metabolizable energy (AME) of wheat and corn from its chemical composition in broiler. Input variables included: gross energy (GE), crude protein (CP), crude fiber (CF), ether extract (EE), ash and phosphorous as well as essential amino acids profiles (Arg, Cys, His, Ile, Leu, Lys, Met, Met+Cys, Phe, Thr and Trp). Output variable was  AME of wheat or corn feedstuffs. The results showed that R2 ofThree Layers Perceptron Neural Network is higher than other two models in both wheat and corn. The best estimation for wheat and corn resulted from the CP (R2=0/89) and GE (R2=0/97) inputs, respectively. In wheat, RBF model had better estimation than GRNN model in all inputs except for the amino acids input. The RBF model was poorly estimated only with gross energy input. In corn, GRNN model has lower estimation than two other networks except gross energy input. Thus it was concluded that the artificial neural networks can be a powerful tool for predicating metabolizable energy from its chemical composition than multiple linear regression in broilers