مدل سازی وزن شش ماهگی گوسفند شال با استفاده از شبکه عصبی مصنوعی

هدف از این پژوهش ارزیابی و مقایسه ی سه روش بهینه سازی مختلف در شبکه های عصبی مصنوعی (ANN) برای پیش بینی دقیق وزن شش ماهگی بره های نژاد شال بود. داده ها از ایستگاه تحقیقاتی گوسفند شال در استان قزوین طی سال های ۱۹۹۷ تا ۲۰۲۴ جمع آوری شد و شامل ۳۸۶۴ رکورد از صفات رشد وزن، تولد، وزن سه ماهه، وزن شش ماهه و صفات مادری سن مادر، نوع زایش، جنس و سال تولد بود. پس از پاکسازی داده ها و حذف مقادیر پرت، شبکه ی عصبی با ساختار سه لایه ی پنهان (۴-۶-۴) و توابع فعال ساز tanh در لایه های میانی و GELU در خروجی پیاده سازی شد. برای تنظیم ابر پارامترها، سه رویکرد جست وجوی شبکه ای (Grid Search)، جست وجوی تصادفی (Random Search) و روش ابتکاری (Heuristic) مورد بررسی قرار گرفت. نتایج نشان داد که مدل حاصل از روش Grid Search با شاخص های آماری برتر (= R۲ ۰.۹۶، ۰.۱۹ = RMSE) بهترین عملکرد را در پیش بینی وزن شش ماهگی بره ها داشت. تحلیل های SHAP و نمودارهای ویالون پلات نیز برتری این مدل را از نظر پایداری، دقت و توانایی در بازنمایی روابط چندعاملی میان صفات رشدی و مادری تایید کردند. به طور کلی یافته ها بیانگر آن است که بهینه سازی دقیق ابر پارامترها در شبکه های عصبی می تواند منجر به افزایش چشمگیر دقت و تعمیم پذیری مدل های پیش بینی صفات رشد دام گردد. این رویکرد می تواند در برنامه های اصلاح نژادی و مدیریت گله های گوسفند به ویژه در شرایط پرورش نیمه سنتی و میدانی به عنوان ابزاری کارآمد برای تصمیم گیری دقیق مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه عصبی ، مصنوعی ، یادگیری ماشین ، نژاد شال ، صفات رشد