استفاده از هوش مصنوعی جهت برآورد ارزش اصلاحی اوزان تولد و 3 ماهگی گوسفند نژاد کرمانی

هدف از این تحقیق کاربرد هوش مصنوعی برای برآورد ارزش اصلاحی مربوط به صفات رشد گوسفندکرمانی بود. برای این منظور از رکوردهای مربوط به 867 بره که شامل جنس دام، سن مادر، وزن تولد و وزن از شیرگیری (در سن 3 ماهگی) بود، استفاده شد. ابتدا این داده ها توسط نرم افزار ASReml بررسی شد و سپس برای استفاده در نرم افزار MATLAB مورد پیش پردازش قرار گرفت. پس از آزمایش های اولیه روی معماری مناسب برای شبکه های عصبی، مشخص شد که برای وزن تولد تعداد نرون های لایه ورودی 3 نرون و برای وزن 3 ماهگی 6 نرون بود. مدل به کار رفته در این تحقیق پرسپترون چند لایه (MLP) و الگوریتم مورد استفاده پس انتشار خطا بود که به دنبال حداقل سازی مربعات خطا است. از کل داده های مورد استفاده 70 درصد به عنوان آموزش، 15 درصد به عنوان اعتبارسنجی و 15 درصد برای تست در نظر گرفته شد تا آموزش به نحو مطلوب انجام شود. در طی فرآیند آموزش مرتبا میزان فراگیری شبکه توسط توابع هدف سنجیده و در نهایت شبکه ای مورد استفاده قرار گرفت که دارای کم ترین خطا و بیش ترین همبستگی بود. شبکه عصبی مصنوعی پرسپترون چند لایه با 3 متغیر ورودی و تعداد 8 نرون در لایه مخفی با ضریب همبستگی 73/0 توانایی پیش بینی ارزش اصلاحی وزن تولد و هم چنین شبکه عصبی مصنوعی پرسپترون چندلایه با 6 متغیر ورودی و تعداد 3 نرون در لایه با ضریب همبستگی 74/0 توانایی پیش بینی ارزش اصلاحی وزن 3 ماهگی گوسفند نژاد کرمانی را دارا است. بنابراین می توان نتیجه گرفت که شبکه عصبی مصنوعی توانایی خوبی برای پیش بینی صفات رشد در گوسفند کرمانی با سرعت و دقت قابل قبول دارد و می تواند برای برآورد ارزش های اصلاحی تمام صفات در حیوانات اهلی استفاده شود.