مقایسه مدل های شبکه عصبی مصنوعی و رگرسیونی برای پیش بینی قابلیت هضم ماده خشک چندین علوفه گرمسیری

روش های درون تنی و برون تنی آزمایشگاهی برای تعیین ارزش غذایی در تغذیه نشخوارکنندگان استفاده می شوند که زمان بر و گران هستند. شیوه مدل سازی، روشی نوین برای برآورد یک خروجی از برخی ورودی ها در یک سیستم است. در این مطالعه قابلیت هضم ماده خشک چندین علوفه گرمسیری از آنالیز شیمیایی شامل پروتئین خام، فیبر خام، خاکستر و فیبر نامحلول در شوینده اسیدی برآورد شد. پنج گونه علوفه گرمسیری در 10 تکرار برداشت شده و هر نمونه برای پروتئین خام، فیبر خام، خاکستر و فیبر نامحلول در شوینده اسیدی به عنوان ورودی و قابلیت هضم ماده خشک به عنوان خروجی آنالیز شد. مجموعا 50 خط داده به دودسته آموزش (35 خط داده) و ارزیابی (15 خط داده) تقسیم شدند. سه شیوه مدل سازی شامل شبکه عصبی مصنوعی PCA و PLS مورداستفاده قرارگرفته و عملکرد هر مدل با استفاده از ضریب تبیین، میانگین مربعات خطا، میانگین انحراف مطلق، میانگین مطلق درصد خطا و بایاس ارزیابی گردید. نتایج نشان داد که مدل شبکه عصبی نسبت به روش های کلاسیک رگرسیونی با بیشترین ضریب تبیین (95 /0) و کمترین پراکنش خطا (871 /0=MSE؛ 772 /0 =MAD؛ 44 /1 =MAPE) بهترین برآورد را از قابلیت هضم ماده خشک ارائه می کند.