پیش بینی انرژی قابل سوخت و ساز دانه های سورگوم و تریتیکاله با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی

تعیین انرژی قابل سوخت و ساز فرایندی زمان بر است و با مشکلات زیادی همراه است. از اینرو ارائه مدلی که بتواند بهترین پیش بینی را از این انرژی داشته باشد، از نقطه نظر مدیریت تغذیه طیور حائز اهمیت است. بنابراین، در این تحقیق به بررسی کارآیی سه نوع شبکه عصبی rbf, mlp و grnnبا ساختار متفاوت در پیش بینی انرژی قابل سوخت و ساز سورگوم و تریتیکاله پرداخته شد. در ادامه نیز کارایی این روش ها با مدل رگرسیونی به دو روش توام و گام به گام مقایسه گردید. نتایج بیانگر آن است که در میان همه روش های استفاده شده شبکه عصبی mlp دارای دقت بیشتری در برآورد انرژی قابل سوخت و ساز سورگوم و تریتیکاله می باشد. به گونه ای که شبکه عصبی پرسپترون چند لایه با آرایش 1-12-6 و1-10-6 به ترتیب توانست 99 درصد از تغییرات انرژی قابل سوخت و ساز سورگوم و تریتیکاله را با استفاده از ویژگی های شیمیایی آن (انرژی خام، پروتئین خام، چربی خام، فیبر خام، فسفر و خاکستر ) پیش بینی کند. همچنین، مقدارrmse در مدل mlp به ترتیب برابر 76/3 و 86/9 برای سورگوم و تریتیکاله بدست آمد. در بهترین روش رگرسیونی برای تخمین انرژی قابل سوخت و ساز سورگوم مقدار91/0 r2=و 61/12 rmse= بدست آمد که این آماره ها در تریتیکاله به ترتیب برابر با 76/0 و81/30 می باشد. همچنین، نتایج تجزیه حساسیت نشان داد از میان شش ویژگی شیمیایی سورگوم و تریتیکاله، انرژی خام مهمترین فراسنجه تاثیرگذار بر انرژی قابل سوخت و ساز آن است.