استفاده از مدل ریاضی گمپرتز برای تخمین پارامترهای رشد جوجه های گوشتی تغذیه شده با مقادیر مختلف دانه شاهدانه (.Cannabis sativa L) و مقایسه آن با شبکه عصبی مصنوعی
این آزمایش به منظور بررسی اثر مصرف سطوح مختلف جیره ای دانه شاهدانه (Cannabis sativa L.) بر پارامتر های رشد جوجه های گوشتی برآورد شده توسط مدل ریاضی گمپرتز و شبکه عصبی مصنوعی انجام گرفت.
در این پژوهش از 192 قطعه جوجه خروس یک روزه (Ross 308) با چهار تیمار جیره ای شاهد (فاقد شاهدانه)، 2/5 درصد، 5 درصد و 7/5 درصد شاهدانه در چهار تکرار (هرتکرار شامل 12 قطعه جوجه) در قالب طرح کاملا تصادفی استفاده شد. در طول دوره پرورش جوجه ها به آب و خوراک دسترسی آزاد داشتند. برای ارزیابی پارامترهای رشد، وزن تجمعی بدن پرندگان با مدل گمپرتز برازش شد.
نتایج نشان داد که سطوح مختلف دانه شاهدانه اثر معنی داری بر پارامترهای رشد در جوجه های گوشتی نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تاثیر افزودن جیره ای دانه شاهدانه قرار گرفت. نتایج مقایسه شاخص های نکویی مدل ها نشان داد که مدل غیرخطی گمپرتز با داشتن ضریب تعیین بالاتر و میانگین مربعات خطا، میانگین انحراف مطلق، میانگین درصد خطای مطلق و اریبی کمتر در مقایسه با شبکه عصبی مصنوعی، برآورد بهتری از وزن جوجه های گوشتی دارد.
نتایج این پژوهش نشان داد که سطوح مختلف جیره ای دانه شاهدانه اثر معنی داری بر فراسنجه های رشد جوجه های گوشتی شامل ضریب رشد نسبی، وزن زنده در زمان بلوغ، نقطه عطف منحنی رشد و وزن بدن در زمان نقطه عطف منحنی رشد نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تاثیر افزودن جیره ای دانه شاهدانه قرار گرفت. از طرفی نتایج این تحقیق حاکی از این بود که مدل گمپرتز توانست وزن 42 روزگی جوجه های گوشتی را با دقت بیشتری در مقایسه با مدل شبکه عصبی مصنوعی برآورد کند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.