توصیف ریاضی منحنی رشد گوسفندان کردی با استفاده از شبکه عصبی مصنوعی و مقایسه آن با برخی مدل های غیرخطی

هدف این تحقیق مقایسه شبکه عصبی مصنوعی با مدل های رگرسیون غیرخطی برودی، گمپرتز، لجستیک و ون برتالانفی در برازش منحنی رشد گوسفند کردی بود. برای این منظور، تعداد 17659 رکورد روز آزمون وزن تولد تا یکسالگی موجود در ایستگاه پرورش و اصلاح نژاد حسین آباد شیروان در استان خراسان شمالی طی سال های 1375 تا 1392 متعلق به 5074 راس دام آماده سازی و استفاده شد. معماری شبکه بر پایه پرسپترون سه لایه با تعداد پنج نورون در هر لایه بود که از تابع انتقال سیگمویید-آکسون و قانون یادگیری لونبرگ-مارکوآت و با استفاده از نرم افزار نروسولوشن ساخته شد. تجزیه مدل های غیرخطی با رویه NLIN نرم افزار SAS انجام شد. نکویی برازش مدل ها بر اساس ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE)، میانگین قدرمطلق انحرافات (MAD)، معیار اطلاعات آکاییک (AIC) و معیار اطلاعات بیزی (BIC) تعیین و اثر عوامل ثابت موثر روی فراسنجه های مدل بهینه بررسی شد. نتایج نشان داد که شبکه عصبی مصنوعی با داشتن بالاترین صحت (9735/0=r2) و کمترین خطا (452/3RMSE=، 424/2=MAD) بهتر از سایر مدل ها، منحنی رشد را توصیف کرد. بین مدل های غیرخطی، مدل برودی با بالاترین 966/0=r2 و کمترین AIC، BIC، MAD و RMSE توانست در هر دو جنس برآورد مناسبی از منحنی رشد ارایه دهد. در جنس نر، بره های تک قلو و گوسفندانی که در ماه های زمستان متولد شده بودند، وزن مجانبی و نرخ رشد بیشتر بود. شاخص های ارزیابی نشان داد شبکه عصبی مصنوعی دقت بالایی در پیش بینی منحنی رشد گوسفندان کردی دارد و پس از آن مدل برودی مناسب تر از سایر مدل ها بود.