مقایسه مدل‌سازی شبکه عصبی مصنوعی و مدل خطی چندگانه در برآورد وزن دنبه نژادهای دنبه دار و آمیخته های آنها با نژاد بدون دنبه

همه نژادهای گوسفندان بومی ایران بجز نژاد زل، دنبه‌دار هستند و علیرغم درصد چربی لاشه کمتر بره‌های نر نسبت به ماده‌ها، دارای وزن دنبه بیشتری می‌باشند. استفاده از میزان تنوع درون‌نژادی جهت تغییر ژنتیکی مستلزم اندازه‌‌گیری دقیق وصحیح وزن دنبه در دام‌های تحت انتخاب می‌باشد. هدف این مطالعه مقایسه روش‌های مدل‌سازی شبکه عصبی مصنوعی (ann) و مدل خطی جهت پیش‌بینی وزن دنبه در گوسفند از روی وزن بدن و اندازه‌های مختلف ابعاد دنبه بود. برای مدل‌سازی جهت برآورد وزن دنبه، تعداد 32 بره از نژادهای شال و زندی، آمیخته‌های زندی×شال، زل×زندی و زل×شال تهیه گردید. ورودی‌های مدل شامل نوع تولد، جنسیت، نژاد، عرض بالای دنبه، عرض میانی دنبه، عرض پایین دنبه، ارتفاع دنبه و وزن بدن قبل از کشتار و خروجی مدل وزن دنبه بود. صفات وزن بدن، نژاد و عرض میانی دنبه به ترتیب با مقادیر0/82،0/83- و0/80 دارای بیشترین همبستگی با وزن دنبه داشتند. پارامترهای برازش بهترین مدل شبکه عصبی ‌مصنوعی دارای ضرایب تبیین 0/99 و مجذور میانگین مربعات خطای (rmse) 70/3گرم بودند. میزان پارامترهای مذکور در مدل خطی به ترتیب 0/89 و 263/86 گرم بود. نتایج حاصل از بسط مطالعه اصلی، وجود پیچیدگی روابط متقابل بین‌ورودی‌های مدل را نشان داد. این پژوهش امکان پیش‌بینی دقیق و صحیح وزن دنبه نژادها و آمیخته‌های مختلف را با استفاده از شبکه عصبی به اثبات رساند. این مطالعه همچنین نشان داد که برآورد وزن دنبه از روی صفات قابل اندازه‌گیری در گوسفند با استفاده از مدل شبکه عصبی مصنوعی با صحت و دقت بیشتری نسبت به مدل خطی انجام می‌شود.

Comparison of Artificial Neural Network and Multiple Linear Models in Estimation of Fat-tail weight on Fat-tailed Breeds and their Crosses

All breeds of Irannians sheep except Zel has a fat tail, and despite their lower carcass fat percentage, male lambs have higher fattail weight. Using within breed genetic variation requires accurate and precise measuring of fat tail weight on candidates of selection. The aime of this study was comparision of artificial neural network (ANN) modeling and linear modeling methods to prediction of fat tail weight, using body weight and different tail dimensions. 32 lambs of Chal and Zandi breeds,crosses of Zandi×Chal,Zel×Zandi and Zel×Chal hybrids were used for modeling to an estimation of fattail weight. Inputs of the model was birth type, sex, breed, upper width , mid width and lower width of fat tail,fat tail height and body weight, output of the model was fat tail weight. body weight, genotype, and fat tail midwidth had the largest positive correlations with fattail weight,0.83,0.82 and0.80,respectively. The adequacy parameters of the best artificial neural network model had a coefficient determination of 0.99 and a mean squared error(RMSE)of 70.3g. The values of these estimated parameters by the multiple linear model were 0.891 and 263.86, respectively. The results of the extension of the original study showed the complexity of the interactions between the model inputs. Present research approved to accurate and unbiased estimation of tail weight of different breeds and crosses using artificial neural network. Furthermore, present study showed that ANN model can be used for accurate and presise estimation of fat tail weight using measured traits on sheep,than linear model.