مقايسه عملكرد شبكه‌هاي عصبي پرسپترون چندلايه و توابع با پايه شعاعي در برآورد ستانده انرژي مرغ گوشتي

Comparison of MLP and RBF neural networks performance for estimation of broiler output energy

مديريت انرژي يكي از اصلي‌ترين راه‌هاي بهينه‌سازي مصرف منابع انرژي است. پيش‌بيني عملكرد محصولات بر اساس ورودي‌هاي انرژي مي‌تواند به كشاورزان و سياست‌گذاران به منظور برآورد سطح توليد كمك كند. داده‌هاي مورد نياز براي مطالعه به طور تصادفي از 70 مزرعه مرغ‌گوشتي در شمال‌غرب ايران جمع‌آوري گرديد. انرژي‌هاي ورودي شامل نيروي انساني، ماشين‌آلات، سوخت، خوراك و الكتريسيته و انرژي‌هاي خروجي توليد شده به عنوان متغيرهاي خروجي در نظر گرفته شد. شبكه‌هاي عصبي پرسپترون چندلايه (MLP) و تابع با پايه شعاعي (RBF) به منظور پيش‌بيني انرژي‌هاي خروجي توليد مرغ‌گوشتي مورد استفاده قرار گرفت. با توجه به نتايج مقايسه به‌دست آمده از شاخص‌هاي ضريب تبيين (R2)، جذر ميانگين مربعات خطا (RMSE) و ميانگين قدرمطلق خطا (MAE) عملكرد مدل شبكه عصبي RBF بهتر از شبكه عصبي MLP برآورد گرديد. در ارزيابي تأثيرپذيري خروجي از نهاده‌هاي ورودي، در هر دو مدل سوخت فسيلي بالاترين حساسيت را در بين نهاده‌هاي توليدي از خود نشان داد.

Energy management is one of the main ways of the efficient use of energy resources. The prediction of crop yields based on energy inputs can help farmers and policymakers to estimate the level of production. Required data for study were randomly collected from 70 broiler farms in North West of Iran. The input energies were included human labour, machinery, fuel, feed and electricity and the output produced energies were considered as output variables. The multilayer perceptron (MLP) and the radial basis function (RBF) neural networks were applied for prediction of output energies of broiler production. According to the comparison results obtained from the indices of the coefficient of determination (R2), root mean square error (RMSE) and the mean absolute error (MAE) performance of the ANNRBF model better than ANNMLP model was estimated. In evaluating the effects of inputs on outputs of production, the production of fossil fuel showed the highest sensitivity among the production inputs in both models.