این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ژنتیک نوین، جلد ۱۲، شماره ۳، صفحات ۳۲۳-۳۳۱
عنوان فارسی استفاده از هوش مصنوعی جهت برآورد ارزش اصلاحی اوزان تولد و ۳ ماهگی گوسفند نژاد کرمانی
چکیده فارسی مقاله هدف از این تحقیق کاربرد هوش مصنوعی برای برآورد ارزش اصلاحی مربوط به صفات رشد گوسفندکرمانی بود. برای این منظور از رکوردهای مربوط به 867 بره که شامل جنس دام، سن مادر، وزن تولد و وزن از شیرگیری (در سن 3 ماهگی) بود، استفاده شد. ابتدا این داده‌ها توسط نرم‌افزار ASReml بررسی شد و سپس برای استفاده در نرم‌افزار MATLAB مورد پیش پردازش قرار گرفت. پس از آزمایش‌های اولیه روی معماری مناسب برای شبکه‌های عصبی، مشخص شد که برای وزن تولد تعداد نرون‌های لایه ورودی 3 نرون و برای وزن 3 ماهگی 6 نرون بود. مدل به کار رفته در این تحقیق پرسپترون چند لایه (MLP) و الگوریتم مورد استفاده پس انتشار خطا بود که به دنبال حداقل‌سازی مربعات خطا است. از کل داده‌های مورد استفاده 70 درصد به‌عنوان آموزش، 15 درصد به عنوان اعتبارسنجی و 15 درصد برای تست در نظر گرفته شد تا آموزش به نحو مطلوب انجام شود. در طی فرآیند آموزش مرتباً میزان فراگیری شبکه توسط توابع هدف سنجیده و در نهایت شبکه‌ای مورد استفاده قرار گرفت که دارای کم‌ترین خطا و بیش‌ترین همبستگی بود. شبکه عصبی مصنوعی پرسپترون چند لایه با 3 متغیر ورودی و تعداد 8 نرون در لایه مخفی با ضریب همبستگی 73/0 توانایی پیش‌بینی ارزش اصلاحی وزن تولد و هم‌‌چنین شبکه عصبی مصنوعی پرسپترون چندلایه با 6 متغییر ورودی و تعداد 3 نرون در لایه با ضریب همبستگی 74/0 توانایی پیش‌بینی ارزش اصلاحی وزن 3 ماهگی گوسفند نژاد کرمانی را دارا است. بنابراین می‌توان نتیجه گرفت که شبکه عصبی مصنوعی توانایی خوبی برای پیش‌بینی صفات رشد در گوسفند کرمانی با سرعت و دقت قابل قبول دارد و می‌تواند برای برآورد ارزش‌های اصلاحی تمام صفات در حیوانات اهلی استفاده شود.
کلیدواژه‌های فارسی مقاله پیش‌بینی،شبکه عصبی مصنوعی،صفات رشد،گوسفند کرمانی
عنوان انگلیسی Application of artificial intelligence for estimating breeding value of body weight in birth and 3 months age in Kermani sheep breed
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حمیدرضا قطب الدینی | حمیدرضا قطب الدینی


محمدرضا محمدآبادی | محمدرضا محمدآبادی


حسین نظام آبادی پور | حسین نظام آبادی پور


نشانی اینترنتی http://mg.genetics.ir/browse.php?a_code=A-10-109-494&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1516/article-1516-1988669.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات