مقايسه مدل‌هاي شبكه عصبي مصنوعي و رگرسيوني براي پيش‌بيني قابليت هضم ماده خشك چندين علوفه گرمسيري

A compression of artificial neural network and regression models for prediction of dry matter digestibility in some tropical forages

روش‌هاي درون‌تني و برون‌تني آزمايشگاهي براي تعيين ارزش غذايي در تغذيه نشخواركنندگان استفاده مي‌شوند كه زمان‌بر و گران هستند. شيوه مدل‌سازي، روشي نوين براي برآورد يك خروجي از برخي ورودي‌ها در يك سيستم است. در اين پژوهش قابليت هضم ماده خشك چندين علوفه گرمسيري از آناليز شيميايي شامل پروتيين خام، فيبر خام، خاكستر و فيبر نامحلول در شوينده اسيدي برآورد شد. پنج گونه علوفه گرمسيري در 10 تكرار برداشت ‌شده و هر نمونه براي پروتيين خام، فيبر خام، خاكستر و فيبر نامحلول در شوينده اسيدي به‌‌عنوان ورودي و قابليت هضم ماده خشك به‌‌عنوان خروجي آناليز شد. در مجموع 50 خط داده به دو دسته آموزش (35 خط داده) و ارزيابي (15 خط داده) تقسيم شدند. سه شيوه مدل‌سازي شامل شبكه عصبي مصنوعيPCA و PLS استفاده شده و عملكرد هر مدل با استفاده از ضريب تبيين، ميانگين مربعات خطا، ميانگين انحراف مطلق، ميانگين مطلق درصد خطا و باياس ارزيابي شد. نتايج نشان داد كه مدل شبكه عصبي نسبت به روش‌هاي كلاسيك رگرسيوني با بيشترين ضريب تبيين (95/0) و كمترين پراكنش خطا (871/0=MSE؛ 772/0=MAD؛ 44/1=MAPE) بهترين برآورد را از قابليت هضم ماده خشك ارايه مي‌كند.