امیر رشیدی

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 DMUو 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 ،Rابتدا دادهها طی چند مرحله کنترل و پردازش شدند که شامل جایگذاری دادههای گمشده و نامتعارف با روش ،PPCAانتخاب متغیرها بر اساس آنالیز همبستگی، تبدیل مقیاس و نهایتا بخشبندی دادهها به دو دسته آموزش و آزمون (%75و )%25بود. از میان شبکههای عصبی مصنوعی در این تحقیق از مدل پرسپترون چند لایه( ،)MLPاستفاده شد. در مرحله بعد برای این مدل بهترین معماری که شامل تعداد لایهی پنهان و تعداد نورونها در هر لایه میباشد، جستجو شد. مدل پرسپترون چند لایه با تعداد دو لایه پنهان، بهترین معماری و کارائی را داشت. تعداد نورون بهینه در لایههای پنهان اول و دوم به ترتیب 9و 10نورون برآورد شد. مقادیر عددی همبستگی ارزش اصلاحی واقعی و پیشبینی شده برای مدل ،MLPدر دادههای مزرعهایی 0/66برآورد شد. به نظر میرسد مدل MLPپس از بهینهسازی، میتواند به عنوان مدلی جایگزین، در پیشبینی ارزش اصلاحی صفت وزن شیرگیری مورد استفاده قرار بگیرد