استفاده از شبکه های عصبی مصنوعی برای پیش بینی عملکرد لاشه در گوسفند نژاد لری بختیاری

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 786

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NFBAS01_310

تاریخ نمایه سازی: 30 دی 1394

چکیده مقاله:

یکی از مهمترین اهداف اصلاح نژادی افزایش بهرهوری در واحدهای پرورش گوسفند است. نژاد لری بختیاری یکی از نژادهای سنگینوزن ایران است. در این مطالعه ژن دو ناحیه از اگزون میواستاتین و اینترون ژن مایواستاتین به کمک مارکر SSCP مورد بررسی قرارگرفت. در هر یک از این نواحی چهار ژنوتیپ مشاهده گردید. همچنین وزن بدن برهها قبل از کشتار، غلظت کلسترول و غلظتتری گلیسریدهای خون آنها ثبت گردید. تمامی موارد مذکرو به عنوان ورودی یک شبکه عصبی چندلایه پرسپترون در نظر گرفته شدندتا درصد لاشه را به عنوان خروجی شبکه پیش بینی کند. شبکه مذکور در 1000 دور انجام شد تا یک شبکه بهینه با 3 نورون در لایهمخفی بدست اید. بر اساس تجزیه و تحلیل حساسیت مهمترین عوامل مؤثر در افزایش عملکرد لاشه در بره های نژاد لری بختیاریناحیه 1، کلسترول و ناحیه 2 می باشند و کم اثرترین عامل در عملکرد لاشه جنس بره میباشد. براساس نتایج تحقیق حاضر، پیشنهادمی شود بره های داری ژنوتیپ های AC و BD در نواحی 1 و 2 مورد مطالعه انتخاب و بره هایی که داری ژنوتیپ AA و BB هستندحذف شوند.

کلیدواژه ها:

نویسندگان

فاطمه امیری

دانش آموخته علوم دامی، دانشکده کشاورزی، دانشگاه تهران

سیدرضا میرایی آشتیانی

استاد گروه علوم دامی، دانشکده کشاورزی، گروه دانشگاه تهران

مصطفی صادقی

استاد گروه علوم دامی، دانشکده کشاورزی، گروه دانشگاه تهران

علی مقصودی

استادیار گروه علوم دامی، دانشکده کشاورزی، دانشگاه زابل

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 :
  • مسعودی ع.، عمرانی ح، عباسی ع.، نجاتی جوارمی الف.، فرهنگ ... [مقاله کنفرانسی]
  • Bassam BJ, C aetano-Anolle G, Gresshoff PM Fast and sensitive ...
  • Bellinge, R. H. S, .iberles, D. A, .Laschis, S. P. ...
  • Casas E, Shackerford S, W Keele J, Stone R T, ...
  • Chio, Jae-ho., Teresa, A., Bahia, M., and Hussain, U. 2004. ...
  • Ferna ndez C, Soria E, Mart n JD, Serrano AJ. ...
  • Hagan. M. T., Demuth. H. B., Bael. M., Neural Networks ...
  • Nasiri H, Forouzandeh M, Rasaee MJ, Rahbarizadeh F. Modified Salting-Out ...
  • Tahmoore spurM, Ahmadi H. 2012. Aneuralnetw orkmodeltodes crib eweightgaino fs ...
  • Talebi MA (2009). Selection Index to Improve Growth Traits and ...
  • Zhou, H., Hickford, J. G. H. and Fang, Q. 2008. ...
  • نمایش کامل مراجع