مقایسه ی پیش بینی منحنی درصد چربی شیر گاوهای شیری ایران با استفاده از شبکه ی عصبی مصنوعی و برخی توابع ریاضی

به منظور پیش بینی منحنی درصد چربی شیر از تعداد 1085525 رکورد شیر روز آزمون گاوهای شیری زایش اوّل که به وسیله مرکز اصلاح نژاد و بهبود تولیدات دامی کشور طیّ سال‌های 1391-1362 جمع‌آوری شده بود، استفاده گردید. برازش منحنی درصد چربی شیر در سه گروه 1. کل گاوها، 2. گاوهای اصیل هلشتاین و 3. گاوهای زینه به وسیله بسته نرم‌افزاری brnn (برای شبکه ی عصبی) و توابع ریاضی (مختلف وود، ویلمینک، علی - شفر و پلوت گوتوین) در نرم‌افزار r اجرا شد. از معیارهای r2،rmse ، aic و bic برای ارزیابی نکویی برازش استفاده شد. ویرایش داده ها با نرم افزار آماری sas و پیش بینی منحنی شیردهی با شبکه ی عصبی توسّط بسته نرم‌افزاری brnn و تابع nls در نرم‌افزار r با استفاده از میانگین درصد چربی شیر روز آزمون انجام شد. شبکه ی عصبی brnn نسبت به توابع ریاضی، برازش بهتری از شکل منحنی درصد چربی شیر گاوهای هلشتاین ایران داشت. مدل های علی - شفر و ویلمینک برای درصد چربی شیر در کل گاوها و گاوهای زینه، برازش بالاتری داشتند. بنابراین، برای برازش منحنی شیردهی گاوهای هلشتاین ایران، توصیه می شود که از شبکه ی عصبی brnn استفاده شود.

Comparison of neural network performance with some mathematical functions in predicting of milk fat percentage curve of Iranian dairy cows

In order to compare performance of neural network and some different mathematical functions in predicting the lactation curve from 1,085,525 records of milk of the first calving dairy cows test (collected by the Center for Breeding and Improvement of Livestock Production during the years 1983-2012). The fitting of the milk fat percentage curve in all cows (grade and pure Holstein) as well as pure Holstein and grade cows, was performed by the brnn software package (for neural networks) and the mathematical functions (Ali-Schaeffer, Wood, Wilmink and Pollott-Gootwine) in software R. The criteria of R2, RMSE, AIC and BIC were used to evaluate the good fit. Data were edited with SAS statistical software and neural network lactation curve prediction was performed by brnn software package and nls function in R software using test day mean milk fat percentage. Compared to the mathematical functions, the brnn neural network had a better fit of the milk fat percentage curve of Iranian Holstein cows. The results also showed that Ali-Schaeffer and Wilmink models had a higher fit for milk fat percentage trait in all cattle and pure Holstein cows. Therefore, it may be better to use the brnn neural network to fit the milk fat percentage curve of Iranian Holstein cows