کارائی شبکه‌های عصبی مصنوعی و مدل‌های خطی مختلط در پیش‌بینی ارزش اصلاحی

Abstract

شبکه‌های عصبی مصنوعی در دهه‌ی اخیر رشد چشمگیری در زمینه‌های مختلف علوم و از جمله علوم دامی داشته است. پژوهش کنونی برای بررسی قابلیت کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی ارزش‌های اصلاحی صفت وزن از شیرگیری در بز مرخز انجام شد. در بخش نخست ارزش‌های اصلاحی صفت مذکور با کمک معادلات مختلط، بر اساس مدل حیوانی و توسط نرم‌افزار DMU پیش‌بینی شد. در بخش دوم، همان داده‌های مزرعه‌ایی به‌عنوان پارامترهای ورودی برای اجرای شبکه‌های عصبی مصنوعی استفاده شدند. برای اجرای شبکه‌های عصبی مصنوعی توسط نرم‌افزار R، ابتدا داده‌ها طی چند مرحله کنترل و پردازش شدند که شامل جایگذاری داده‌های گمشده و نامتعارف با روش PPCA، انتخاب متغیرها بر اساس تجزیه وتحلیل همبستگی، تبدیل مقیاس و نهایتا بخش‌بندی داده‌ها به دو دسته آموزش (75%) و آزمون (25%) بود. در پژوهش کنونی سه مدل از شبکه‌های عصبی مصنوعی اجرا شدند که شامل مدل‌های پرسپترون چند لایه(MLP)، تابع پایه شعاعی(RBF) و رگرسیون بردار پشتیبان (SVR) بودند. در مرحله بعد برای هر کدام از این مدل‌ها بهترین معماری جستجو شدکه شامل تعداد لایه‌ پنهان و تعداد نورون‌ها در هر لایه بود. هر سه مدل با تعداد دو لایه پنهان، بهترین معماری و کارائی را داشتند. مقادیر عددی همبستگی ارزش اصلاحی حقیقی (ارزش اصلاحی حاصل از معادلات مختلط) و ارزش اصلاحی پیش‌بینی شده (ارزش اصلاحی حاصل از شبکه‌های عصبی مصنوعی) برای مدل‌های MLP،RBF و SVR در داده‌‌های مزرعه‌ای به ترتیب 72/0، 49/0 و 73/0 برآورد شد. نتایج پژوهش براساس داده‌های مزرعه‌ای نشان داد که مدل‌های MLP و SVR با ضریب همبستگی بالاتر و مقدار خطای پایین‌تری، قابلیت پیش‌بینی صفت ارزش اصلاحی وزن شیرگیری را دارند.