كارائي شبكه‌هاي عصبي مصنوعي و مدل‌هاي خطي مختلط در پيش‌بيني ارزش اصلاحي

شبكه‌هاي عصبي مصنوعي در دهه‌ي اخير رشد چشمگيري در زمينه‌هاي مختلف علوم و از جمله علوم دامي داشته است. پژوهش كنوني براي بررسي قابليت كاربرد شبكه‌هاي عصبي مصنوعي در پيش‌بيني ارزش‌هاي اصلاحي صفت وزن از شيرگيري در بز مرخز انجام شد. در بخش نخست ارزش‌هاي اصلاحي صفت مذكور با كمك معادلات مختلط، بر اساس مدل حيواني و توسط نرم‌افزار DMU پيش‌بيني شد. در بخش دوم، همان داده‌هاي مزرعه‌ايي به‌عنوان پارامترهاي ورودي براي اجراي شبكه‌هاي عصبي مصنوعي استفاده شدند. براي اجراي شبكه‌هاي عصبي مصنوعي توسط نرم‌افزار R، ابتدا داده‌ها طي چند مرحله كنترل و پردازش شدند كه شامل جايگذاري داده‌هاي گمشده و نامتعارف با روش PPCA، انتخاب متغيرها بر اساس تجزيه وتحليل همبستگي، تبديل مقياس و نهايتا بخش‌بندي داده‌ها به دو دسته آموزش (75%) و آزمون (25%)  بود. در پژوهش كنوني سه مدل از شبكه‌هاي عصبي مصنوعي اجرا شدند كه شامل مدل‌هاي پرسپترون چند لايه(MLP)، تابع پايه شعاعي(RBF) و رگرسيون بردار پشتيبان (SVR) بودند. در مرحله بعد براي هر كدام از اين مدل‌ها بهترين معماري جستجو شدكه شامل تعداد لايه‌ پنهان و تعداد نورون‌ها در هر لايه بود. هر سه مدل با تعداد دو لايه پنهان، بهترين معماري و كارائي را داشتند. مقادير عددي همبستگي ارزش اصلاحي حقيقي (ارزش اصلاحي حاصل از معادلات مختلط) و ارزش اصلاحي پيش‌بيني شده (ارزش اصلاحي حاصل از شبكه‌هاي عصبي مصنوعي) براي مدل‌هاي MLP،RBF  و SVR در داده‌‌هاي مزرعه‌اي به ترتيب 0.72، 0.49 و 0.73 برآورد شد. نتايج پژوهش براساس داده‌هاي مزرعه‌اي نشان داد كه مدل‌هاي MLP و SVR با ضريب همبستگي بالاتر و مقدار خطاي پايين‌تري، قابليت پيش‌بيني صفت ارزش اصلاحي وزن شيرگيري را دارند.