مقايسه مدل خطي و شبكه عصبي مصنوعي در پيش‌بيني توليد شير با استفاده از ركوردهاي اولين دوره شيردهي ثبت شده

Comparison of linear model and Artificial Neural Network to Prediction of Milk Yield Using First Recorded Parity

سابقه و هدف: پيش‌بيني دقيق توليد شير يكي از ملزومات مديريت دامپروري و مدل‌سازي درآمد دامداران در تجزيه و تحليل هاي هزينه-فايده مي‌باشد. بطوري كه پيش‌بيني دقيق ركوردهاي آينده مي‌تواند طول دوره ركوردبرداري را كاهش دهد. برآوردهاي زودهنگام ارزش اصلاحي گاوهاي نر با استفاده از ركوردهاي بخشي از دوره شيردهي مي‌تواند باعث كاهش فاصله نسل و بيشتر شدن شدت انتخاب و پيشرفت ژنتيكي گردد. مدل خطي يكي از روشهاي مرسوم مدلسازي در تحقيقات رشته هاي مختلف علوم مي باشد. شبكه عصبي مصنوعي روشي مبتني بر هوش مصنوعي است كه اصول كاركرد آن مانند سلول‌هاي مغز انسان مي‌باشد. كاربرد آسان شبكه عصبي مصنوعي و توان مدل‌سازي توابع و روابط پيچيده يك از عوامل كاربرد وسيع آن است. در طول دو دهه گذشته انقلابي در جهت استفاده از شبكه‌هاي عصبي مصنوعي براي مدل‌سازي در حوزه‌هاي مختلف علوم ايجاد شده است كه نشان از موفقيت كاربرد اين تكنيك قدرتمند در حل دامنه وسيعي از مشكلات مربوط به علوم مختلف مي‌باشد. با اين مقدمه تحقيق حاضر با هدف پيش‌بيني توليد شير گاوهاي شيري در دوره‌هاي شيردهي مختلف با استفاده از توليد شير اولين دوره شيردهي ركوردبرداري شده و مدل‌سازي شبكه عصبي مصنوعي انجام شد. علاوه بر آن نتايج مدل شبكه عصبي مصنوعي با مدل خطي مورد مقايسه قرار گرفت. مواد و روشها: در اين تحقيق از ركوردهاي دو دوره‌شيردهي متوالي 2460 راس گاو شيري مربوط به يك گله استفاده شد. در شجره سري داده مورد استفاده تعداد 2517 گاو شيري وجود داشت. جهت برازش مدل شبكه عصبي مصنوعي، داده ها به دو دسته آموزش و آزمون تقسيم شدند. مدل شبكه عصبي با استفاده از داده‌هاي آموزش روابط بين خروجي و ورودي‌ها را يادگيري نمود. با پيش‌بيني خروجي داده-هاي آزمون توسط مدل و مقايسه برآوردها با اندازه‌هاي واقعي، پارامترهاي برازش مدل مورد بررسي قرار گرفتند. ساختار شبكه‌اي كه بهترين پارامترهاي برازش را ايجاد مي‌نمود در مدل شبكه عصبي مصنوعي مورد استفاده قرار گرفت. در نهايت، مدل خطي بر روي داده ها برازش شده و با مدل شبكه عصبي مصنوعي مورد مقايسه قرار گرفت. يافته ها: بهترين ساختار مدل شبكه عصبي داراي 8 ورودي، 4 نرون در لايه پنهان اول، 2 نرون در لايه پنهان دوم و يك خروجي بود كه ورودي‌هاي آنها شامل ارزش اصلاحي ميانگين توليد شير دوره اول شيردهي ثبت شده، نوبت زايش،‌ گروه پدري، سن اولين زايش ثبت شده، تعداد ركورد براي هر دوره شيردهي و ميانگين، حداقل و حداكثر روزهاي شيردهي ثبت شده و خروجي مدل شامل ركورد شير توليدي بود. مدل شبكه عصبي مورد استفاده، ركورد مربوط به دوره‌هاي شيردهي را به ترتيب با RMSE و ضريب تبيين 94/7 و 625/0 برآورد كرد. ضريب تبيين و RMSE مدل خطي مورد بررسي به ترتيب 39/0 و 63/26 بود. نتيجه گيري: مدل شبكه عصبي مورد استفاده در اين تحقيق قادر به پيش‌بيني توليد شير دوره آينده بر اساس اطلاعات اولين دوره شيردهي ثبت شده بود. اين تحقيق نشان داد كه استفاده از مدل‌سازي شبكه عصبي مي تواند در كاهش طول دوره ركوردبرداري براي ارزيابي ژنتيكي گاوهاي شيري بخصوص گاوهاي نر مفيد مي‌باشد و مي‌تواند باعث كاهش فاصله نسل گردد. نتايج همچنين نشان داد كه با بكارگيري مدل شبكه عصبي مصنوعي داده‌هاي ناقص نيز در ارزيابي ژنتيكي قابل استفاده مي‌باشند. مقايسه تحقيق حاضر با تحقيقات گذشته نشان داد كه استفاده از عوامل موثرتر براي توليد شير به عنوان ورودي مدل مي‌تواند دقت و صحت پيش‌بيني ها را افزايش دهد.

Background and Objectives: Precise prediction of milk yield is essential for management and modeling of farmer’s income in analysis of cost-benefit. Such that, accurate prediction of future records can decrease recording time. Early estimation of bull breeding value using partly records of parity can lower generation interval and increase selection intensity and genetic progress. Linear model is the most commonly used modeling method in research on different field of science. Artificial Neural Network (ANN) is based on artificial intelligent that uses working principles of human brain. Ease of application and power to model complex functions and relationships is factor of wide use of Artificial Neural Network. Revolutionized use of artificial neural network modeling in different aspects of science in the last two decades, is indication of successful application of this powerful technique to solve wide range of problems in different scientific issues. Therefore, object of current research is prediction milk yield of different parity milk production of dairy cattle using production of first recorded parity and artificial neural networks modeling. Furthermore, results of artificial neural network model compared with linear model. Materials and methods: In current research, two sequential records of 2460 dairy cattle of a herd were investigated. Pedigree of used data set contained 2517 individuals. Data divided into two sub data of training and testing, to fitting Artificial Neural Network model. Artificial Network model learned the relationship between output and inputs of training data set. Adequacy parameters of the model investigated using model predicted outputs of testing data set and original outputs of the data. Network structure with the beast adequacy parameters were used for Artificial Neural Network model. Finally, linear model was fitted and compared with artificial neural network model. Results: The best structure of Neural Network had 8 inputs, 4 neuron at first hidden layer, 2 neuron at second hidden layer and output of milk production that inputs were breeding value of average milk yield of first recorded parity, parity, sire group, age at first registered parturition, number of records for each parity and mean, minimum and maximum of recorded days in milk for each parity. The used artificial neural network model, predicted the parity milk production with RMSE and R2 of 7.94 and 0.625, respectively. R2 and RMSE of considered linear model was 0.39 and 26.63, respectively. Conclusion: The applied model of artificial neural network appropriately predicted the subsequent parity production using precedent parity data. This research indicated that use of artificial network model can be beneficial for decreasing recording period for dairy cattle genetic evaluation specially in sire evaluation and will decrease generation interval. The results showed that incomplete data can be used for genetic evaluation using artificial neural network model. Comparison of the results with past reports indicated that use of effective inputs for milk production can increase accuracy and precision of the ANN model.