مقایسه‌ عملکرد شبکه‌ی عصبی بیزی با برخی توابع ریاضی در پیش‌بینی منحنی شیردهی گاوهای شیری ایران

برای مقایسه‌ی‌ شبکه‌ عصبی مصنوعی و برخی توابع ریاضی در پیش‌بینی منحنی شیردهی، از تعداد 1085525 رکورد‌ شیر روز آزمون گاوهای شیری هلشتاین زایش اوّل استفاده گردید که‌ توسط مرکز اصلاح نژاد دام و بهبود تولیدات دامی کشور طیّ سال‌های 1391-1362 جمع‌آوری شده بود. برازش منحنی شیردهی، با استفاده از بسته‌ نرم‌افزاری brnn (برای شبکه‌ عصبی مصنوعی) و برخی توابع ریاضی با تابع nls در نرم‌افزار r اجرا شد. ویرایش داده‌ها با نرم‌افزار sas انجام شد. از معیارهای اطلاعات آکائیک، اطلاعات بیزی، میانگین مربعات خطا و ضریب تبیین تعدیل شده، برای ارزیابی نیکویی برازش استفاده شد. شبکه‌ی عصبی مصنوعی با تنظیم بیزی (brnn) و توابع ریاضی وود، ویلمینک، علی - شفر و پلوت -‌ گوتوین در پیش‌بینی منحنی شیردهی برای صفات تولید شیر، درصد‌ چربی و پروتئین‌ شیر به کار گرفته شدند. نتایج نشان داد brnn در همه‌ی صفات مورد بررسی (تولید شیر، درصد چربی و پروتئین شیر) نسبت به توابع ریاضی غیرخطی، برازش بهتری از شکل منحنی استاندارد گاوهای هلشتاین ایران دارد. در بین توابع ریاضی بررسی شده، برای صفت تولید شیر، مدل ویلمینک، و برای درصد چربی‌شیر و درصد پروتئین شیر، مدل علی – ‌شفر برازش بهتری داشت. استفاده از شبکه های عصبی مصنوعی بیزی برای توصیف منحنی شیردهی و ترکیبات شیر در گاوهای هلشتاین ایران توصیه می گردد.

comparison of artificial neural network performance with some mathematical functions in predicting of lactation curve of iranian dairy cows

in order to compare the performance of neural network with some mathematical functions for predicting of lactation curve of iranian holstein dairy cows, a total of 1,085,525 milk test day records from first-parity dairy cows calved during 1983-2012 were used. fitting the lactation curve was performed by brnn package (for neural network) and also by some mathematical functions (including wood, wilmink, ali-schaeffer and pollott-gootwine) using r software based upon average milk yield, fat and protein percentage test day records. the criteria of aic, bic, rmse and adjusted r2 were utilized to evaluate goodness of fit. the results showed that the bayesian neural network (brnn) had a better fit than mathematical functions in describing the standard curve shape of iranian holstein dairy cows. among the mathematical functions used for milk yield, wilmink model had a better fit while for milk fat percentage and milk protein percentage, ali-schaeffer model showed a better fit performance. therefore, it could be suggested that brnn is an appropriate option to be applied to fit the lactation curve of iranian holstein dairy cows.