استفاده از هوش مصنوعی جهت برآورد ارزش اصلاحی اوزان تولد و 3 ماهگی گوسفند نژاد کرمانی

هدف از این تحقیق کاربرد هوش مصنوعی برای برآورد ارزش اصلاحی مربوط به صفات رشد گوسفندکرمانی بود. برای این منظور از رکوردهای مربوط به 867 بره که شامل جنس دام، سن مادر، وزن تولد و وزن از شیرگیری (در سن 3 ماهگی) بود، استفاده شد. ابتدا این داده‌ها توسط نرم‌افزار asreml بررسی شد و سپس برای استفاده در نرم‌افزار matlab مورد پیش پردازش قرار گرفت. پس از آزمایش‌های اولیه روی معماری مناسب برای شبکه‌های عصبی، مشخص شد که برای وزن تولد تعداد نرون‌های لایه ورودی 3 نرون و برای وزن 3 ماهگی 6 نرون بود. مدل به کار رفته در این تحقیق پرسپترون چند لایه (mlp) و الگوریتم مورد استفاده پس انتشار خطا بود که به دنبال حداقل‌سازی مربعات خطا است. از کل داده‌های مورد استفاده 70 درصد به‌عنوان آموزش، 15 درصد به عنوان اعتبارسنجی و 15 درصد برای تست در نظر گرفته شد تا آموزش به نحو مطلوب انجام شود. در طی فرآیند آموزش مرتباً میزان فراگیری شبکه توسط توابع هدف سنجیده و در نهایت شبکه‌ای مورد استفاده قرار گرفت که دارای کم‌ترین خطا و بیش‌ترین همبستگی بود. شبکه عصبی مصنوعی پرسپترون چند لایه با 3 متغیر ورودی و تعداد 8 نرون در لایه مخفی با ضریب همبستگی 73/0 توانایی پیش‌بینی ارزش اصلاحی وزن تولد و هم‌‌چنین شبکه عصبی مصنوعی پرسپترون چندلایه با 6 متغییر ورودی و تعداد 3 نرون در لایه با ضریب همبستگی 74/0 توانایی پیش‌بینی ارزش اصلاحی وزن 3 ماهگی گوسفند نژاد کرمانی را دارا است. بنابراین می‌توان نتیجه گرفت که شبکه عصبی مصنوعی توانایی خوبی برای پیش‌بینی صفات رشد در گوسفند کرمانی با سرعت و دقت قابل قبول دارد و می‌تواند برای برآورد ارزش‌های اصلاحی تمام صفات در حیوانات اهلی استفاده شود.