مقايسه ي پيش بيني منحني درصد چربي شير گاوهاي شيري ايران با استفاده از شبكه ي عصبي مصنوعي و برخي توابع رياضي

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

به منظور پيش بيني منحني درصد چربي شير از تعداد 1085525 ركورد شير روز آزمون گاوهاي شيري زايش اوّل كه به وسيله مركز اصلاح نژاد و بهبود توليدات دامي كشور طيّ سال‌هاي 1391-1362 جمع‌آوري شده بود، استفاده گرديد. برازش منحني درصد چربي شير در سه گروه 1. كل گاوها، 2. گاوهاي اصيل هلشتاين و 3. گاوهاي زينه به وسيله بسته نرم‌افزاري brnn (براي شبكه ي عصبي) و توابع رياضي (مختلف وود، ويلمينك، علي - شفر و پلوت گوتوين) در نرم‌افزار R اجرا شد. از معيارهاي R2،RMSE ، AIC و BIC براي ارزيابي نكويي برازش استفاده شد. ويرايش داده ها با نرم افزار آماري SAS و پيش بيني منحني شيردهي با شبكه ي عصبي توسّط بسته نرم‌افزاري brnn و تابع nls در نرم‌افزار R با استفاده از ميانگين درصد چربي شير روز آزمون انجام شد. شبكه ي عصبي brnn نسبت به توابع رياضي، برازش بهتري از شكل منحني درصد چربي شير گاوهاي هلشتاين ايران داشت. مدل هاي علي - شفر و ويلمينك براي درصد چربي شير در كل گاوها و گاوهاي زينه، برازش بالاتري داشتند. بنابراين، براي برازش منحني شيردهي گاوهاي هلشتاين ايران، توصيه مي شود كه از شبكه ي عصبي brnn استفاده شود.

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