بررسی کارایی شبکه عصبی مصنوعی جهت پیش‌بینی صفات عملکردی مرغ مادر گوشتی آرین

مطالعه حاضر با هدف تخمین صفات تولیدی مرغ مادر گوشتی آرین در کل دوره با استفاده از عملکرد اوایل دوره تولید به کمک مدل‌سازی شبکة عصبی مصنوعی انجام شد. متغیرهای ورودی مورد استفاده برای مدل‌سازی شامل سالن، تعداد مرغ مادر در هر سالن، تعداد هفته‌های تولید، رکوردهای وزن بدن در 21 تا 24 هفتگی و خروجی‌های مدل پیش‌بینی‌های وزن بدن، تولید تخم‌مرغ، توده تخم‌مرغ، وزن تخم‌مرغ و مصرف خوراک در سن 25 تا 47 هفتگی بودند. مدل مورد استفاده برای تخمین وزن بدن دارای 5 ورودی، 5 نورون در لایه پنهان اول، 2 نورون در لایه پنهان دوم و یک خروجی بود که به صورت 1255 نگارش شد. به همین ترتیب ساختار بهینه مدل شبکه عصبی تخمین صفات مصرف خوراک، تعداد تخم‌مرغ، وزن تخم‌مرغ و توده تخم‌مرغ به ترتیب 1477، 1488، 1377 و 1377 انتخاب شد. ضریب تبیین مدل‌های بهینه بدست آمده برای هر یک از صفات وزن بدن، مصرف خوراک، تعداد تخم‌مرغ، وزن تخم‌مرغ وتوده تخم‌مرغ به ترتیب 991/0، 998/0، 989/0، 993/0 و 996/0 و مجذور میانگین مربعات خطای آنها به ترتیب 55/1، 992/0، 266/0، 838/3 و 506/0 برآورد شد. نتایج حاکی از تاثیر محسوس ساختمان و پارامترهای شبکه شامل ورودی‌ها و خروجی‌ها و تعداد نرون‌های هر لایه و تعداد لایه‌های پنهان بر روی عملکرد مدل شبکه عصبی مصنوعی بود. نتایج این مطالعه نشان داد که امکان پیش‌بینی عملکرد صفات مختلف در کل دورة تولیدی مرغ‌های مادر‌ آرین بر اساس اطلاعات هفته‌های ابتدایی پرورش، با دقت مطلوب وجود دارد.

evaluation of artificial neural network modeling for predicting performance traits of arian broiler breeder

this study was conducted for predicting performance traits of the whole production period of arian broiler breeder via its initial performances using artificial neural network (ann). the input variables of modeling were house, number of hens in the house, weeks of production, body weight at 2024 weeks of age and outputs of the model were body weight, egg number, egg mass, egg weight and feed intake at the 25 to 47 weeks of age. the used ann model for prediction of body weight had 5 inputs, 5 neurons at 1st hidden layer, 2 neurons at 2nd hidden layer and 1 output, thus we write it as 5531. similarly, the optimized ann model structure for feed intake, egg number, egg weight and egg mass were 7741, 8841, 7731 and 7731, respectively. r2 of adequate models for bw, fi, en, ew and em were 0.991, 0.998, 0.989, 0.993 and 0.996, and root mean square error were 1.55, 0.992, 0.266, 3.838 and 0.506, respectively. the results of the study shown that architecture and the specification of the neural networks such as inputs, outputs, number of neurons and number of hidden layers can affect the performance of the ann model. the results indicated the possibility of predicting whole production period of arian broiler breeder using early stage production records.