توصیف ریاضی منحنی رشد گوسفندان کردی با استفاده از شبکه عصبی مصنوعی و مقایسه آن با برخی مدل‌های غیرخطی

هدف این تحقیق مقایسه شبکه عصبی مصنوعی با مدل‌های رگرسیون غیرخطی برودی، گمپرتز، لجستیک و ون‌برتالانفی در برازش منحنی رشد گوسفند کردی بود. برای این منظور، تعداد 17659 رکورد روز آزمون وزن تولد تا یکسالگی موجود در ایستگاه پرورش و اصلاح ‌نژاد حسین‌آباد شیروان در استان خراسان شمالی طی سال‌های 1375 تا 1392 متعلق به 5074 راس دام آماده‌سازی و استفاده شد. معماری شبکه بر پایه پرسپترون سه لایه با تعداد پنج نورون در هر لایه بود که از تابع انتقال سیگموئیدآکسون و قانون یادگیری لونبرگمارکوآت و با استفاده از نرم‌افزار نروسولوشن ساخته شد. تجزیه مدل‌های غیرخطی با رویه nlin نرم‌افزار sas انجام شد. نکویی برازش مدل‌ها بر اساس ضریب تبیین (r2)، جذر میانگین مربعات خطا (rmse)، میانگین قدرمطلق انحرافات (mad)، معیار اطلاعات آکائیک (aic) و معیار اطلاعات بیزی (bic) تعیین و اثر عوامل ثابت موثر روی فراسنجه های مدل بهینه بررسی شد. نتایج نشان داد که شبکه عصبی مصنوعی با داشتن بالاترین صحت (0.9735=r2) و کمترین خطا (3.452=rmse و 2.424=mad) بهتر از سایر مدل‌ها، منحنی رشد را توصیف کرد. بین مدل‌های غیرخطی، مدل برودی با بالاترین 0.966=r2 و کمترین aic، bic، mad و rmse توانست در هر دو جنس برآورد مناسبی از منحنی رشد ارائه دهد. در جنس نر، بره‌های تک‌قلو و گوسفندانی که در ماه‌های زمستان متولد شده بودند، وزن مجانبی و نرخ رشد بیشتر بود. شاخص‌های ارزیابی نشان داد شبکه عصبی مصنوعی دقت بالایی در پیش‌بینی منحنی رشد گوسفندان کردی دارد و پس از آن مدل برودی مناسب‌تر از سایر مدل‌ها بود.

Mathematical description of growth curve in Kurdish sheep using artificial neural network and its comparison with nonlinear models

The objective of this study was to compare artificial neural network (ANN) with nonlinear models including Brody, Gompertz, Logistic and von Bertalanffy for predicting the growth curve of Kurdish sheep. The database comprised of 17659 body weights from birth to yearling of 5074 lambs belonging to 162 rams and 1968 ewes during 19962013. The ANN model was developed according to threemultilayer perceptron with five nodes in each layer, SigmoidAxon function and LevenbergMarquat learning rule by Neuro Solution software. Nonlinear models were analyzed by the NLIN procedure of SAS program. The goodness of fit of models and their comparisons were conducted by using the coefficient of determination (R2), residual mean square (MSE), root of the residual mean square (RMSE), mean absolute deviation (MAD), Akaike’s information criterion (AIC) and Bayesian information criterion information criterion (BIC). The influences of fixed effect on model parameters were analyzed on the optimum model. The results revealed that the ANN had the highest accuracy (r= 0.9735) and the lowest error (MSE= 0.9170, RMSE= 3.452, MAD= 2.424) and described the growth curve better than the other models. Among all nonlinear models, the Brody model had the highest coefficient of determination (R2= 0.966) and the lowest AIC, BIC, MAD and RMSE values indicating the best fit for both sexes. Male lambs, single lambs and those gave birth in winter had the highest mature weight and growth rate. The evaluation criteria indicated that the ANN had a suitable potential to predict growth curve of Kurdish sheep, after that the Brody model fitted the data better than the other nonlinear models.