کارائی شبکه‌های عصبی مصنوعی و مدل‌های خطی مختلط در پیش‌بینی ارزش اصلاحی

شبکه‌های عصبی مصنوعی در دهه‌ی اخیر رشد چشمگیری در زمینه‌های مختلف علوم و از جمله علوم دامی داشته است. پژوهش کنونی برای بررسی قابلیت کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش‌های اصلاحی صفت وزن از شیرگیری در بز مرخز انجام شد. در بخش نخست ارزش‌های اصلاحی صفت مذکور با کمک معادلات مختلط، بر اساس مدل حیوانی و توسط نرم‌افزار dmu پیش‌بینی شد. در بخش دوم، همان داده‌های مزرعه‌ایی به‌عنوان پارامترهای ورودی برای اجرای شبکه‌های عصبی مصنوعی استفاده شدند. برای اجرای شبکه‌های عصبی مصنوعی توسط نرم‌افزار r، ابتدا داده‌ها طی چند مرحله کنترل و پردازش شدند که شامل جایگذاری داده‌های گمشده و نامتعارف با روش ppca، انتخاب متغیرها بر اساس تجزیه وتحلیل همبستگی، تبدیل مقیاس و نهایتا بخش‌بندی داده‌ها به دو دسته آموزش (75%) و آزمون (25%)  بود. در پژوهش کنونی سه مدل از شبکه‌های عصبی مصنوعی اجرا شدند که شامل مدل‌های پرسپترون چند لایه(mlp)، تابع پایه شعاعی(rbf) و رگرسیون بردار پشتیبان (svr) بودند. در مرحله بعد برای هر کدام از این مدل‌ها بهترین معماری جستجو شدکه شامل تعداد لایه‌ پنهان و تعداد نورون‌ها در هر لایه بود. هر سه مدل با تعداد دو لایه پنهان، بهترین معماری و کارائی را داشتند. مقادیر عددی همبستگی ارزش اصلاحی حقیقی (ارزش اصلاحی حاصل از معادلات مختلط) و ارزش اصلاحی پیش‌بینی شده (ارزش اصلاحی حاصل از شبکه‌های عصبی مصنوعی) برای مدل‌های mlp،rbf  و svr در داده‌‌های مزرعه‌ای به ترتیب 0.72، 0.49 و 0.73 برآورد شد. نتایج پژوهش براساس داده‌های مزرعه‌ای نشان داد که مدل‌های mlp و svr با ضریب همبستگی بالاتر و مقدار خطای پایین‌تری، قابلیت پیش‌بینی صفت ارزش اصلاحی وزن شیرگیری را دارند.

performance of artificial neural networks (anns) and linear mixed models for prediction of breeding values

artificial neural networks (ann) have been widely used for both prediction and classification tasks in many fields of knowledge; however, few studies are available on animal science. the objective of this study was to prediction of breeding values of weaning weight in markhoz goats based on the mixed model equation (mme) and artificial neural networks (anns). quality control and calculation of descriptive statistics was performed using the glm procedure of the sas statistical package. the pedigree file included 5541 kids produced by 261 bucks and 1616 does. in the first step, genetic evaluations and best linear unbiased prediction (blup) of breeding values for weaning weight was computed with the mixed model equations, animal model by dmu program. later, unique dataset was introduced to the ann models by the r statistical program. a variety of models including, multilayer perceptron (mlp), radial basis function (rbf) and support vector regression (svr) were used to build the neural models. the artificial neural networks were trained and several networks (different hidden layers and nodes/ neurons) were evaluated. in artificial neural networks, the data were randomly divided to two parts (75% training and 25% for test/validation). best architecture was selected according to the mean square of error and correlation. correlation between true breeding value (bvs predicted by mme) and estimated breeding value (bvs predicted by anns) for mlp, rbf and svr models were 0.72, 0.49 and 0.73, respectively. analysis of farm data showed that the mlp and svr models have higher performance than rbf for prediction of breeding values or ranking of individuals.