امیر رشیدی

شبکه‌های عصبی مصنوعی در چند دهه‌ی اخیر رشد چشمگیری در زمینه‌های مختلف علوم و از جمله علوم دامی داشته است. این پژوهش به‌منظور بررسی قابلیت کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش‌های اصلاحی صفت وزن از شیرگیری در بز مرخز انجام شد. در مرحله اول ارزش‌های اصلاحی صفت مذکور توسط نرم‌افزار DMU و بر اساس مدل حیوانی پیش‌بینی شد. ارزش‌های اصلاحی پیش‌بینی شده در بخش اول، به‌عنوان ورودی و متغیر پاسخ (وابسته) برای اجرای شبکه‌های عصبی مصنوعی در بخش دوم استفاده شد. 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 آنالیز همبستگی، تبدیل مقیاس و نهایتا بخش‌بندی داده‌ها به دو دسته آموزش و آزمون (75%و25%) بود. در این تحقیق سه مدل از شبکه‌های عصبی مصنوعی اجرا شد که شامل مدل پرسپترون چند لایه(MLP)، تابع پایه شعاعی(RBF) و رگرسیون بردار پشتیبان (SVR) بود. در مرحله بعد برای هر کدام از این مدل‌ها بهترین معماری که شامل تعداد لایه‌ی پنهان و تعداد نورون‌ها در هر لایه می‌باشد، جستجو شد. هر سه مدل با تعداد دو لایه پنهان، بهترین معماری و کارائی را داشتند. تعداد نورون بهینه در لایه‌های پنهان اول و دوم به ترتیب برای مدل پرسپترون چندلایه 9و10 نورون، برای مدل تابع پایه شعاعی 10و6 نورون و برای مدل رگرسیون بردار پشتیبان 7و10 نورون برآورد شد. برای اعتبارسنجی و اطمینان از صحت یافته‌ها، بخش شبیه‌سازی نیز توسط نرم‌افزار QMSim انجام و داده‌های تولید شده با هر سه مدل شبکه عصبی مصنوعی آنالیز شدند. از آنجا که سه مدل اجرا شده از نظر معیارهای همبستگی و میانگین مربعات خطا متفاوت بودند، از دیاگرام تیلور برای انتخاب بهترین مدل استفاده شد. مقادیر عددی همبستگی ارزش اصلاحی واقعی و پیش‌بینی شده برای مدل‌های MLP،RBF و SVR در داده‌‌های مزرعه‌ایی به ترتیب 66/0، 47/0 و 66/0 و در داده‌‌های شبیه‌سازی شده به ترتیب 85/0، 75/0 و 85/0 برآورد شد. نتایج تحقیق براساس داده‌های مزرعه‌ایی و شبیه‌سازی شده نشان داد که مدل‌های MLP و SVR با ضریب همبستگی بالاتر و مقدار خطای پایین‌تری، قابلیت پیش‌بینی صفت ارزش اصلاحی وزن شیرگیری را دارند.