پیش بینی نتیجه لقاح در گاوهای شیری هلشتاین با استفاده از یادگیری عمیق

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 128

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JASR-16-4_006

تاریخ نمایه سازی: 14 بهمن 1403

چکیده مقاله:

توسعه مدل های پیش بینی با کمک یادگیری ماشین می تواند به دامپروران در افزایش درک آن ها از پتانسیل عملکرد دام های خود و کمک به فرآیندهای تصمیم گیری مربوط به مدیریت دام، حذف و انتخاب جایگزین، تغذیه، تولیدمثل و سایر امور مرتبط با حوزه مدیریت دامپروری کمک کند و بینش های ارزشمندی را برای بهبود عملکرد تولیدمثلی، فرآیندهای اصلاح نژاد، تولید شیر و کارآیی کلی دامداری ارائه دهد. ادغام این مدل ها در سامانه های موجود در دامداری، کاربرد عملی آن را به عنوان یک ابزار پشتیبان تصمیم، برای دامداران افزایش می دهد. با توسعه ابزاری که بتواند موفقیت باروری دام را تعیین کند، دامداران می توانند استراتژی های تولید و اصلاح نژاد خود را بهینه کنند و شیوه های کلی مدیریت دامداری را برای افزایش کارآیی تولیدمثل و سودآوری بهبود بخشند. در این پژوهش، به ارائه و ارزیابی مدل های مختلف برای پیش بینی نتیجه لقاح مصنوعی دام پرداخته می شود که این مدل های هوش مصنوعی مبتنی بر یادگیری ماشین و یادگیری عمیق می باشند. طبق نتایج به دست آمده در آزمایش های انجام شده روی اطلاعات دام های دامداری مجموعه کشت و صنعت هلال، مدل پیشنهادی مبتنی بر شبکه های عمیق بازگشتی LSTM از نظر صحت و دقت پیش بینی نتیجه لقاح مصنوعی، عملکرد بهتری را نشان می دهد.

نویسندگان

محمد علیشاهی

گروه مهندسی کامپیوتر، مرکز تحقیقات هوشمندسازی شبکه توزیع برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

مهدی رواخواه

گروه مهندسی کامپیوتر، مرکز تحقیقات هوشمندسازی شبکه توزیع برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Chen, T., & Guestrin, C. (۲۰۱۶). Xgboost: A scalable tree ...
  • Ehret, A., Hochstuhl, D., Krattenmacher, N., Tetens, J., Klein, M. ...
  • Fenlon, C., O’Grady, L., Dunnion, J., Shalloo, L., Butler, S., ...
  • González-Recio, O., Jiménez-Montero, J. A., & Alenda, R. (۲۰۱۳). The ...
  • Hempstalk, K., McParland, S., & Berry, D. P. (۲۰۱۵). Machine ...
  • Hidalgo, A., Zouari, F., Knijn, H., & Van Der Beek, ...
  • Hochreiter, S., & Schmidhuber, J. (۱۹۹۷). Long short-term memory. Neural Computation, ۹(۸), ...
  • Ho, P. N., & Pryce, J. E. (۲۰۲۰). Predicting the ...
  • Jiang, C., Chen, Y., Chen, S., Bo, Y., Li, W., ...
  • Li, B., Zhang, N., Wang, Y. G., George, A. W., ...
  • Li, Y., Raidan, F. S. S., Vitezica, Z., & Reverter, ...
  • Long, N., Gianola, D., Rosa, G. J., Weigel, K. A., ...
  • Mammadova, N., & Keskin, İ. (۲۰۱۳). Application of the support ...
  • Mikshowsky, A. A., Gianola, D., & Weigel, K. A. (۲۰۱۷). ...
  • Oluoch, L., Stachó, L., Viharos, L., Viharos, A., & Mikó, ...
  • Pascanu, R., Mikolov, T., & Bengio, Y. (۲۰۱۳, May). On ...
  • Romadhonny, R. A., Gumelar, A. B., Fahrudin, T. M., Setiawan, ...
  • Rumelhart, D. E., Hinton, G. E., & Williams, R. J. ...
  • Rutten, C. J., Steeneveld, W., Vernooij, J. C. M., Huijps, ...
  • Shahinfar, S., Page, D., Guenther, J., Cabrera, V., Fricke, P., ...
  • Shrestha, A., & Mahmood, A. (۲۰۱۹). Review of deep learning ...
  • Tyrrell, H. F., & Reid, J. T. (۱۹۶۵). Prediction of ...
  • Yao, C., Zhu, X., & Weigel, K. A. (۲۰۱۶). Semi-supervised ...
  • Zaheer, R., & Shaziya, H. (۲۰۱۹). A study of the ...
  • نمایش کامل مراجع