عنوان

مقایسه عملکرد برخی مدل های غیرخطی و شبکه عصبی مصنوعی در توصیف منحنی رشد بره های مغانی

شماره

پ۲۵۲۸۷

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

مقایسه عملکرد برخی مدل های غیرخطی و شبکه عصبی مصنوعی در توصیف منحنی رشد بره های مغانی

نام نخستين پديدآور

زینب قربانی

نام ناشر، پخش کننده و غيره

کشاورزی

تاریخ نشرو بخش و غیره

۱۳۹۸

نام خاص و کميت اثر

۱۱۴ص

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

علوم دامي گرايش ژنتيك و اصلاح دام

زمان اعطا مدرک

۱۳۹۸/۰۶/۱۷

متن يادداشت

چکیده: هدف: هدف از این مطالعه بررسی عملکرد مدل‌های رگرسيون غيرخطي و شبكه عصبي مصنوعي در برازش منحني رشد بره¬های نژاد مغاني بود.روش¬شناسي پژوهش: در این تحقیق از اطلاعات مربوط به صفات وزن تولد، سه ماهگي، شش ماهگی، نه ماهگی و یک¬سالگی تعداد 10726 رأس گوسفند نژاد مغانی كه طي سال¬های 1368تا 1395 در ایستگاه اصلاح نژاد گوسفند مغاني واقع در جعفرآباد مغان جمع¬آوري شده¬ بود، جهت بررسی منحنی رشد این نژاد استفاده گردید. از پنج مدل غيرخطي شامل مدل¬هاي برودی، لجستیک، گومپرتز، ون برتالانفی و نمایی منفی براي توصيف منحنی رشد گوسفند نژاد مغاني استفاده شد. همچنين از يك شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت توصيف منحني رشد استفاده گرديد. از توابع انتقالي همچون تانژانت اکسون، سیگموئید اکسون و تانژانت هیپربولیک خطی آکسون و الگوريتم¬هاي آموزشي همچون مومنتوم، گرادیان نزولی و لونبرگ مارکوات جهت طراحي ساختار شبکه عصبی پرسپترون چندلایه استفاده گرديد. پس از برازش مدل¬هاي غيرخطي و شبكه عصبي مصنوعي، از شاخص¬هاي نيكوئي برازش شامل ضريب تبيين (R2)، ميانگين مربعات خطا (RMSE) و شاخص اطلاعات آكائيك (AIC) جهت انتخاب بهترين مدل استفاده گرديد. بهترين مدل با استفاده از اين شاخص¬ها انتخاب و پارامترهاي مدل براي تك تك حيوانات برآورد گرديد. عوامل محيطي مؤثر معني¬دار بر پارامترهای بهترین مدل غیرخطی همچون جنسيت، تيپ تولد، سال و ماه تولد با استفاده از تجزيه واريانس مشخص گردید. سپس از این اثرات در شش مدل آماری که از لحاظ در نظر گرفتن اثرات تصادفی ژنتیکی افزایشی، محیطی دائمی و ژنتیک مادری متفاوت بودند، جهت برآورد وراثت پذیری پارامترهای منحنی رشد استفاده گردید.یافته‌ها: طبق نتایج این تحقیق مدل لجستیک باکمترین مقدار MSE (4141/25) و AIC (1138/31628) و بیشترین مقدار R2 (9767/0) به‌عنوان مناسب¬ترین مدل در توصیف رشد گوسفندان نژاد مغانی شناخته شد. پارامترهای وزن بلوغ (A)، ثابت انتگرال گیری ( B) و نرخ بلوغ ( K) در این مدل به ترتیب 328/40، 582/7 و 0270/0 برآورد گردید. اثرات ثابت جنس بره، تيپ تولد، سال و ماه زايش و همچنين سن مادر در هنگام زايش بر پارامترهاي منحني رشد تاثير معني¬داري داشتند. وراثت پذیری مستقیم برای پارامتر وزن بلوغ ( A ) برابر 171/0، پارامتر ثابت انتگرال گیری ( B) 079/0 و پارامتر نرخ بلوغ ( K) 250/0 بود. در شبکه عصبی مصنوعی در مجموعه ردیف 9725 داده شبکه عصبی مصنوعی پرسپترون چندلایه با چهار متغیر ورودی، 1 لایه پنهان، تابع محرک تانژانت هیپربولیک آکسون و الگوریتم آموزشی مومنتوم و در مجموعه داده 7896 تایی با سه متغیر ورودی تابع تانژانت هیپربولیک آکسون و الگوریتم آموزشی گرادیان نزولی، با چهار متغیر ورودی، 1 لایه پنهان، تابع محرک تانژانت هیپربولیک آکسون و الگوریتم آموزشی مومنتوم، با پنج متغیر ورودی، 1 لایه پنهان، تابع محرک تانژانت هیپربولیک خطی آکسون و الگوریتم آموزشی لونبرگ مارکوات توانایی ارزیابی منحنی رشد بره¬های نژاد مغانی را دارا بود. نتيجه¬گيري: نتایج این تحقیق نشان داد که مدل‌های آماری بکاررفته با دقت بسیار بالایی توانایی توصیف فرایند رشد را در گوسفند مغانی داشته و با استفاده از مدل آماری مناسب می‌توان وزن این نژاد را در سنین مختلف پیش‌بینی نمود. در میان پنج مدل غیرخطی مورداستفاده، مدل لجستیک بهترین برازش و انطباق را برای رشد این نژاد دارا بود و به دنبال آن به ترتیب مدل¬های گومپرتز، ون¬برتالانفی، برودی و نمایی منفی قرار داشتند. همچنین، مدل¬های غیرخطی نسبت به تکنیک شبکه عصبی مصنوعی در پیش¬بینی صفت وزن بدن در گوسفند مغانی از کارایی نسبتاً بهتری برخوردار بودند. طبق نتايج اين تحقيق پارامترهاي منحني رشد اين نژاد وراثت پذيري قابل قبولي داشتند بطوريكه مي¬توان از اين صفات در برنامه¬هاي اصلاح نژادي جهت تغيير منحني رشد دامهاي اين نژاد و بهبود وزن دامها استفاده نمود.

متن يادداشت

AbstractResearch Aim: The purpose of this study was to evaluate the performance of nonlinear regression models and artificial neural networks in the growth curve fitting of Moghani lambs.Research method: In this study, the data related to weight traits of 10724 Moghani sheep in the time of birth, three months old, six months old, nine months old and one year old were used to investigate the growth curve of this breed. These data were collected at the Moghani sheep breeding station in Jafarabad, Moghan, during the years 1989 - 2016. Five nonlinear models including Brody, Logistic, Gompertz, von Bertalanffy, and negative exponential models were used to describe the growth curve of Moghani sheep. Also, to more investigate the growth curve, a multi-layer perceptron artificial neural network accompanied by the backpropagation algorithm was used in this research. Transfer functions such as tangent axon, sigmoid axon, and hyperbolic linear tangent and training algorithms such as momentum, gradient descent, and Levenberg–Marquardt algorithm were used to design the multi-layer perceptron neural network. After fitting nonlinear models and artificial neural network, goodness-of-fit indices including coefficient of determination (R2), Root-Mean-Square Error (RMSE) and Akaike information criterion (AIC) were used to select the best model. The best model was selected using these indices and the model parameters were estimated for each individual animal. Significant environmental factors affecting the parameters of the best nonlinear model such as gender, type of birth, year and month of birth were determined using analysis of variance. These special effects were then used to estimate the heritability of growth curve parameters in six statistical models that were different in terms of random genetic effects, permanent environment, and maternal genetics.Findings: According to the results of this study, the logistic model with the lowest MSE (25.4141) and AIC (31628.1138) and the highest R2 (0.9767) was identified as the most appropriate model in describing the growth of Moghani sheep. The parameters of maturity weight (A), constant of integration (B) and maturity rate (K) in this model were estimated at 40.328, 7.582 and 0.0270, respectively. Constant effects of lamb sex, birth type, year and month of calving and maternal age at calving had significant effect on growth curve parameters. Direct heritability for maturity weight (A), constant of integration (B) and maturity rate (K) ) were equal to 0.171, 0.079 and 0.250, respectively.In the artificial neural network, in the 9725 dataset of multilayer perceptron artificial neural network with four input variables, 1 hidden layer, the hyperbolic axon tangent stimulus function and the momentum training algorithm, and in the 7896- dataset with three input variables of tangent axon hyperbolic and training algorithm of gradient descent, with four input variables, 1 hidden layer, axon stimulus function, and momentum learning algorithm, with five input variables, 1 hidden layer, axon hyperbolic linear tangent stimulus function, and Levenberg–Marquardt algorithm could to evaluate the growth curve of Moghani lambs.Conclusion: The results of this study showed that the statistical models used can accurately describe the growth process in Moghani sheep and using appropriate statistical models can predict the weight of this breed at different ages. Among the five nonlinear models used, the logistic model had the best fitting and adapt for this breed, followed by Gompertz, von Bertalanffy, Brody, and negative exponentials, respectively. Also, the efficiency of nonlinear models was relatively better in predicting body weight in Moghani sheep than in artificial neural network techniques. According to the results of this study, the growth curve parameters of this breed had an acceptable heritability so that these traits could be used in breeding programs to change the growth curve of sheep of this breed and improve the weight of this breed.

عنوان گونه گون

Performance comparison of some nonlinear and artificial neural network models to describe the growth curve of Moghani Lamb

عنصر شناسه اي

‏قربانی،

ساير عناصر نام

‏زینب

کد نقش

تهيه کننده

عنصر شناسه اي

شیخلو،

عنصر شناسه اي

صفری‏،

عنصر شناسه اي

کریمی،

ساير عناصر نام

‏محمدرضا

ساير عناصر نام

‏رشید

ساير عناصر نام

‏ امیر

تاريخ

استاد راهنما

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز