- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,729 |
| تعداد مقالات | 31,077 |
| تعداد مشاهده مقاله | 28,766,526 |
| تعداد دریافت فایل اصل مقاله | 16,316,741 |
تخمین انرژی قابل سوخت و ساز ظاهری گندم و ذرت در طیور گوشتی با استفاده از روش شبکه عصبی مصنوعی بر اساس ترکیبات مواد مغذی و اسید های آمینه ضروری | ||
| علوم دامی | ||
| مقاله 19، دوره 28، شماره 106، خرداد 1394، صفحه 209-218 اصل مقاله (781.02 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2015.101361 | ||
| نویسندگان | ||
| حمیدرضا میرزایی* 1؛ محمّد صالحی دیندارلو2 | ||
| 1دانشیار ، دانشگاه پیام نور، مشهد، ایران | ||
| 2دانش آموخته کارشناسی ارشد علوم دامی، دانشگاه زابل | ||
| چکیده | ||
| این تحقیق به منظور بررسی عملکرد سه مدل شبکه عصبی رگرسیون عمومی، تابع پایه شعاعی وشبکه عصبی پرسپترون سه لایه دربرآورد اپانرژی قابل سوخت وساز ظاهری 15 واریته گندم و ذرت بااستفاده از ترکیب مواد مغذی موجود در آنان انجام گردید. متغیرهای ورودی شامل میزان انرژی خام، پروتئین خام، چربی خام، فیبر خام، فسفر، خاکستر وهمچنین الگوی اسیدهای آمینه ضروری (متیونین، سیستئین، متیونین+ سیستئین، لوسین، ایزولوسین، فنیل آلانین، تریپتوفان، والین، آرژنین، لایزین، هیستیدین و ترئونین)، و متغیر خروجی شامل انرژی قابل سوخت وساز ظاهری گندم وذرت بود. نتایج نشان داد که برای برآورد انرژی قابل سوخت وساز ظاهری گندم و ذرت، با استفاده ازشبکه عصبی پرسپترون سه لایه ضریب تبیین (R2) به مراتب بالاتر از دو شبکه دیگر بود و ذرت با ورودی انرژی خام (97/0=R2) و گندم با ورودی پروتئین خام (89/0=R2) بهترین برآورد را داشتند. در مورد گندم، درهمه ورودی ها به جز ورودی اسید های آمینه، تابع پایه شعاعی برآورد بهتری از شبکه عصبی رگرسیون عمومی داشت. درمورد ذرت، شبکه عصبی رگرسیون عمومی به جز ورودی انرژی خام، برآورد پایین تری از دو شبکه دیگر داشت و تابع پایه شعاعی تنها با ورودی انرژی خام ضعیف عمل کرد. بطورکلی بر اساس نتایج این تحقیق توصیه می شود که شبکه عصبی مصنوعی رامی توان به عنوان ابزاری باکارایی بیشتر نسبت به رگرسیون خطی برای مدل سازی، پیش بینی وبرآورد انرژی قابل سوخت وساز مواد خوراکی طیور به کار برد | ||
| کلیدواژه‌ها | ||
| شبکه عصبی مصنوعی؛ انرژی قابل سوخت و ساز ظاهری؛ گندم؛ ذرت؛ طیور گوشتی | ||
| عنوان مقاله [English] | ||
| Predicting apparent metabolizable energy of wheat and corn based on the nutrient components and essential amino acids in broilers , using artificial neural network | ||
| نویسندگان [English] | ||
| h. mirzaei1؛ Mohammad Salehi Dindarloo2 | ||
| چکیده [English] | ||
| Three Artificial Neural Networks (ANN) models; General Regression Neural Network (GRNN), Redial Basis Function (RBF) and Three Layer Multiple Perceptron Network were carried out to evaluate the prediction of the apparent metabolizable energy (AME) of wheat and corn from its chemical composition in broiler. Input variables included: gross energy (GE), crude protein (CP), crude fiber (CF), ether extract (EE), ash and phosphorous as well as essential amino acids profiles (Arg, Cys, His, Ile, Leu, Lys, Met, Met+Cys, Phe, Thr and Trp). Output variable was AME of wheat or corn feedstuffs. The results showed that R2 ofThree Layers Perceptron Neural Network is higher than other two models in both wheat and corn. The best estimation for wheat and corn resulted from the CP (R2=0/89) and GE (R2=0/97) inputs, respectively. In wheat, RBF model had better estimation than GRNN model in all inputs except for the amino acids input. The RBF model was poorly estimated only with gross energy input. In corn, GRNN model has lower estimation than two other networks except gross energy input. Thus it was concluded that the artificial neural networks can be a powerful tool for predicating metabolizable energy from its chemical composition than multiple linear regression in broilers | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, Apparent Metabolizable Energy, Wheat, Corn, Broiler | ||
| مراجع | ||
|
Ahmadi, H., Golian, A., Mottaghitalab, M. and Nariman-Zadeh, N. (2008). Prediction model for true metabolizable energy of feather meal and poultry offal meal using group method of data handling- type neural network. Poultry Science, Vol, 87, pp:1909–1912. AOAC. (1990). Official Methods of Analysis. 15th edn. Association of official analytical chemists. Arlington, U. S. A. Dale, N. (1994). Relationship between bushel weight, metabolizable energy and protein content of corn from an adverse growing season. The Journal of Applied Poultry Research, Vol, 3, pp:83–86. Lessire, M., Hallouis, J.M., Barrier-Guillot, B., Champion, M. and Femenias, N. (2003). Prediction of the metabolisable energy value of maize in adult cockerel. British. Poultry Science, Vol, 44, pp:813–814. Lesson, S., Caston, L. and Summers, J.D. (1996). Broiler response to energy or energy and protein dilution in the finisher diet. Poultry Science, Vol, 75, pp: 529-535. Menhaj, M. (2000). Principles of Artificial Neural Networks. Amir-Kabir University press. Mollah, Y. and Annison, E.F. (1981). Prediction of metabolizable energy of wheat, maize and sorghum in poultry diets from chemical compositon. Proc. Nutr. Soc. Aust, Vol, 6, P.137. Roush, W.B. and Cravener, T.L. (1997). Artificial Neural Network Prediction of Amino Acid Levels In Feed Ingredients. Poultry Science, Vol, 76, pp: 721–727. Roush, W.B. and Cravener, T.L. (1999). Metabolism and Nutrition Improving Neural Prediction Of Amino Acid Levels In Feed Ingredients. Poultry Science, Vol, 78, pp: 983-991. Sarani, F. (1390). Prediction of the ammont of essential amino acids in 2 cereal samples using Artificial Neural Network. Master's thesis of Zabol university. Sedghi, M., Ebadi, M.R., Golian, A. and Ahmadi, H. (2011). Estimation and modeling true metabolizable energy of sorghom grain for poultry. Poultry Science, Vol, 90, pp: 1138-1143. Shakibai, A. and Koochekzadeh, S. (2009). Modeling and Predicting Agricultural Energy Consumption in Irn. American- Eurasian J. Agric.&. Environ. Sci., Vol, 5(3), pp: 308-312. Sibbald, I.R. (1989). Metabolizable energy evaluation of poultry diets. In: Recent Development in Poultry Nutrition. Edit. Cole, D. J. A., W. Haresign Butterworths. London. Silva, E.P.D., Rabello, C.B., Albino, L.F.T., Ludke, J.V., Lima, M.B. and Junior, W.M.D. (2010). Prediction of metabolizable energy values in poultry offal meal for broiler Chickens. Sociedade Brasileira de Zootecnia, ISSN, 1806-9290. Soleimani Rodi, P., Golian, A. and Sedghi, M. (1391). Estimates of metabolizable energy and digestible amino acids of wheat by using mathematical models. Iranian Fifth Congress on Animal Science, University of Esfahan. P: 442-446. Zhao, F., Zhang, H.F., Hou, S.S. and Zhang, Z.Y. (2008). Predicting metabolizable energy of normal corn from its chemical composition in adult Pekin ducks. Poultry Science, Vol, 87, pp:1603–1608. | ||
|
آمار تعداد مشاهده مقاله: 1,471 تعداد دریافت فایل اصل مقاله: 634 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب