استفاده از هوش مصنوعي جهت برآورد ارزش هاي اصلاحي اوزان تولد و 3 ماهگي گوسفند نژاد كرماني

Application of artificial intelligence for estimating breeding value of body weight in birth and 3 months age in Kermani sheep breed

هدف از اين تحقيق كاربرد هوش مصنوعي براي برآورد ارزش اصلاحي مربوط به صفات رشد گوسفندكرماني بود. براي اين منظور از ركوردهاي مربوط به 867 بره كه شامل جنس دام، سن مادر، وزن تولد و وزن از شيرگيري (در سن 3 ماهگي) بود، استفاده شد. ابتدا اين داده‌ها توسط نرم‌افزار ASReml بررسي شد و سپس براي استفاده در نرم‌افزار MATLAB مورد پيش پردازش قرار گرفت. پس از آزمايش‌هاي اوليه روي معماري مناسب براي شبكه‌هاي عصبي، مشخص شد كه براي وزن تولد تعداد نرون‌هاي لايه ورودي 3 نرون و براي وزن 3 ماهگي 6 نرون بود. مدل به كار رفته در اين تحقيق پرسپترون چند لايه (MLP) و الگوريتم مورد استفاده پس انتشار خطا بود كه به دنبال حداقل‌سازي مربعات خطا است. از كل داده‌هاي مورد استفاده 70 درصد به‌عنوان آموزش، 15 درصد به عنوان اعتبارسنجي و 15 درصد براي تست در نظر گرفته شد تا آموزش به نحو مطلوب انجام شود. در طي فرآيند آموزش مرتباً ميزان فراگيري شبكه توسط توابع هدف سنجيده و در نهايت شبكه‌اي مورد استفاده قرار گرفت كه داراي كم‌ترين خطا و بيش‌ترين همبستگي بود. شبكه عصبي مصنوعي پرسپترون چند لايه با 3 متغير ورودي و تعداد 8 نرون در لايه مخفي با ضريب همبستگي 0/73 توانايي پيش‌بيني ارزش اصلاحي وزن تولد و هم‌‌چنين شبكه عصبي مصنوعي پرسپترون چندلايه با 6 متغيير ورودي و تعداد 3 نرون در لايه با ضريب همبستگي 0/74 توانايي پيش‌بيني ارزش اصلاحي وزن 3 ماهگي گوسفند نژاد كرماني را دارا است. بنابراين مي‌توان نتيجه گرفت كه شبكه عصبي مصنوعي توانايي خوبي براي پيش‌بيني صفات رشد در گوسفند كرماني با سرعت و دقت قابل قبول دارد و مي‌تواند براي برآورد ارزش‌هاي اصلاحي تمام صفات در حيوانات اهلي استفاده شود.

The purpose of this study was applying artificial intelligence for estimating breeding values of growth traits in Kermani sheep. The records of 867 lambs including animal sex, maternal age, birth weight and weaning weight (3 months old) were used for this purpose. These data were firstly analyzed using ASReml software and then was pre-processed for applying by the MATLAB software. After initial experiments on appropriate architecture for neural networks, it was found that numbers of neurons for input layer were 3 neurons for birth weight and 6 neurons for 3 months weight. The used model in this study was multilayer perceptron (MLP) and applied algorithm was back-propagation to minimize the mean square error. From total data, 70% used as training, 15% for testing and 15% were considered as validation. During the training process, network learning rate was measured regularly by the objective functions and was used network having the minimum error and maximum accuracy. The MLP neural network with 3 input variables, 8 neurons in hidden layer and with correlation coefficient 0.73 has ability to predict breeding values of birth weight and also the MLP neural network with 6 input variables, 3 neurons in hidden layer and with correlation coefficient 0.74 has ability to predict breeding values of 3 months weight. It can be concluded that artificial neural network has a good ability to predict breeding values of growth traits in Kermani sheep with acceptable speed and accuracy and can be used to estimate breeding values for all traits in livestock.