پيش‌بيني توليد شير گاوهاي شيري هلشتاين در يك دوره شيرواري با استفاده از سه ركورد اول توليد دام توسط شبكه عصبي مصنوعي

Prediction of Holstein dairy cow milk production through three milk production test day records with Artificial Neural Network

در اين تحقيق از شبكه¬هاي عصبي مصنوعي جهت پيش¬بيني كل توليد شير در يك دوره شيرواري 305 روزه استفاده شد. مخزن اوليه داده‌ها شامل 274025ركورد توليد شيرحاصل از 7201 گاو شيري هلشتاين از دو گله پرورشي در سال‌هاي 1395- 1378 بود. پس از ويرايش داده‌هاي توليدي در نهايت‌ 87980 ركورد توليد شير ماهانه در قالب 8798 رديف داده كه هر رديف شامل گله، سن، شكم، ركورد توليد شير اول تا دهم دام و توليد كل دام در يك دوره شيرواري 305 روزه براي هر دام بود به¬عنوان مخزن نهايي داده¬ها مورد استفاده قرار گرفت. جهت تعيين شبكه بهينه از سه توابع فعاليت (تانژانت هيپربوليك آكسون، سيگموئيد آكسون، تانژانت هيپربوليك خطي آكسون) و سه الگوريتم آموزشي پس انتشار مومنتوم، گراديان نزولي و لونبرگ ماركوات در هر دو لايه پنهان و خروجي استفاده شد. ضريب تبيين، مجذور ميانگين مربعات خطا و ميانگين خطاي مطلق به عنوان معيارهاي عملكرد شبكه در نظر گرفته شدند. در اثر استفاده از الگوريتم لونبرگ ماركوات با تابع فعاليت تانژانت هيپربوليك آكسون در پيش‌بيني كل توليد بر اساس سه ركورد اول توليد شير، ضريب تبيين، مجذور ميانگين مربعات خطا و ميانگين خطاي مطلق به عنوان معيارهاي عملكرد به¬ترتيب 779/0، 12/1036 و 55/813 بودند. با توجه به نتايج به¬دست آمده مي‌توان دريافت كه شبكه عصبي مصنوعي مي‌تواند با دقت بالايي كل توليد حيوان در يك دوره شيرواري 305 روزه را جهت مديريت بهتر گله پيش¬بيني كند.

In this study Artificial neural network (ANN) used to estimate total milk yield in 305d lactation period. Initial source of data were consist of 274025 records of 7201 Holstein dairy cows form two different herds in years 1999-2016. Final data consists of 87980 monthly milk production records with 8798 raw. Each raw consists of herd, age, lactation No., ten milk records of dairy cows and 305 day total milk production for each animal. In order to determine the optimal network, three transfer functions (Axon hyperbolic tangent, axon sigmoid, axon linear hyperbolic tangent) and three back propagation algorithms(Momentum, Descending gradient, and Levenberg–Marquardt) were used in both hidden and output layers. Coefficient of determination (R2) and root mean square error (RMSE) and Mean Absolute Error (MAE) were considered as network performance criteria. As a result, R2, RMSE and MAE as network performance parameters in predicting the total milk production based on the first three milk production records in the Levenberg–Marquardt algorithm with the hyperbolic axon tangent function were 0.779, 1036.12 and 813.55 respectively. According to the results, it can be concluded that artificial neural network can predict with high precision the305-day total milk production of the animal for better flock management.