8954856055505db

مقایسة مدل ریاضی گمپرتز و شبکة عصبی مصنوعی جهت تخمین فراسنجه‌های رشد جوجه‌های گوشتی دریافت‌کنندة عصارة کنگرفرنگی از طریق آب آشامیدنی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموختة کارشناسی ارشد، گروه علوم دامی، دانشکدة کشاورزی، دانشگاه لرستان

2 دانشجوی دکتری تغذیة دام، گروه علوم دامی، دانشکدة کشاورزی، دانشگاه لرستان

3 دانشیار، گروه علوم دامی، دانشکدة کشاورزی، دانشگاه لرستان

4 استادیار، گروه علوم دامی، دانشکدة کشاورزی، دانشگاه لرستان

چکیده

 این آزمایش به منظور تعیین اثر مصرف سطوح مختلف عصارة کنگرفرنگی از طریق آب آشامیدنی بر فراسنجه‌های رشد جوجه‌های گوشتی برآوردشده توسط مدل ریاضی گمپرتز و مقایسة توان پیش‌بینی آن با شبکة عصبی مصنوعی انجام گرفت. به این منظور از 250 قطعه جوجة گوشتی سویة رأس 308 استفاده شد. تیمارهای آزمایشی شامل تیمار شاهد (آب فاقد عصارة کنگرفرنگی) و تیمارهای حاوی 100، 200، 300 و 500 میلی‌گرم عصارة کنگرفرنگی در هر لیتر آب آشامیدنی بود. در روزهای 1، 2، 7، 14، 21، 24، 27، 30، 33، 35 و 42 پرورش، جوجه‌ها بعد از 3 ساعت گرسنگی وزن‌کشی شدند. بیشترین وزن زندة بلوغ به گروه شاهد مربوط بود و کمترین آن در جوجه‌هایی مشاهده شد که آب آشامیدنی آن‌ها حاوی 200 میلی‌گرم عصارة کنگرفرنگی (آرتیشو) در هر لیتر بود. ضریب رشد نسبی در جوجه‌های دریافت‌کنندة 200 میلی‌گرم عصارة آرتیشو به‌طور معناداری بیشتر از جوجه‌های گروه شاهد و جوجه‌های دریافت‌کنندة 300 میلی‌گرم عصارة آرتیشو بود (05/0>P). نتایج مقایسة شاخص‌های توان پیش‌بینی مدل‌ها نشان داد که مدل شبکة عصبی مصنوعی با داشتن ضریب تبیین 9998/0 در مقایسه با ضریب تبیین 9977/0 مدل غیرخطی گمپرتز، برآورد نزدیک‌تری از وزن جوجه‌های گوشتی در پایان دورة پرورش داشت. شبکة عصبی مصنوعی با داشتن میانگین مربعات خطا، میانگین انحراف مطلق، میانگین درصد خطای مطلق و اریبی کمتر در مقایسه با مدل غیرخطی گمپرتز، برآورد بهتری از وزن جوجه‌های گوشتی در 42 روزگی ارائه کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Gompertz and artificial neutral network models of broiler growth received Artichoke extract in their drinking water

نویسندگان [English]

  • Maryam Mirderikvandi 1
  • Abbas Masoudi 2
  • Arash Azarfar 3
  • Ali Kiani 4
1 M. Sc. Student, Department of Animal Science, Faculty of Agriculture, Lorestan University, Khorramabad, Iran
2 Ph.D. Student, Department of Animal Science, Faculty of Agriculture, Lorestan University, Khorramabad, Iran
3 Assistant Professor, Department of Animal Science, Faculty of Agriculture, Lorestan University, Khorramabad, Iran
4 Associate Professor, Department of Animal Science, Faculty of Agriculture, Lorestan University, Khorramabad, Iran
چکیده [English]

An experiment was carried out to estimate growth parameters of broiler chickens received Artichoke extract in their drinking water using Gompertz non-linear model and to compare Gompertz non-linear regression equation and artificial neural network modeling in terms of their ability to predict body weight of broiler chicks at day 42 of age. A total number of 250 one- day- old Ross 308 broiler chicks were used. The chicks received Artichoke extract in their drinking water at the doses of 0, 100, 200, 300 and 500 mg per liter. The birds were weighed at days 1, 2, 7, 14, 21, 24, 27, 30, 33, 35 and 42 of experimental period after 3 hours of fasting. Estimated mature body weight was significantly higher in birds received 200 mg/liter Artichoke extract in drinking water than the other birds (P<0.05). The chicks received 200 mg/liter Artichoke extract in their drinking water had a significantly higher coefficient of relative growth compared to the control group and those received 300 mg/liter Artichoke extract (P<0.05). The goodness of fit in terms of R2 values of the artificial neural network (ANN) model showed a higher accuracy of prediction for body weight of broiler chicks at day 42 of age than the equation established by Gompertz model (0.998 vs. 0.997, respectively). Because mean square error (MSE), mean absolute deviation (MAD), mean absolute percentage error (MAPE) was lower in the ANN than in Gompertz model, it estimated body weight of birds at day 42 of age better than did Gompertz model.

کلیدواژه‌ها [English]

  • Broiler Chickens
  • Growth curve
  • Gompertz model
  • Artificial Neural Network
  • Artichoke extract
  1. Abdo, Z. M. A., Radwan, N.L. & NessrinSelim, A. )2007(. The Effect of Artichoke leaves meal on the utilization of dietary energy for broiler chicks. Journal of Poultry Science, 6 (12), 973-982.
  2. Amiri, S., Montazer Torbati, M. B., Khasheai Siuky, A. & Arshi, E. (2014). Comparison of multivariable regression and artificial neural network in predicting weight trout using morphometric data. In: 6th Iranian National Iranian Congress on Animal Science, 27-28 Aug. Tabriz University, Tabriz, Iran, pp.476.
  3. Darmani, K.H., Kebreab, E., Lopez, S. & France, J. (2003). An evaluation of different growth functions for describing the profile of live weight with time (age) in meat and egg strains of chicken. Journal of Poultry Science, 82(10), 1536-1543.
  4. Ebrahimpour, R., Nikoo, H., Masoudnia, S., Yousefi, M.R. & Ghaemi, M.S. (2011). Mixture of MLP-experts for trend forecasting of time series: A case study of the Tehran stock exchange. International Journal of Forecasting, 27(3), 804-816.
  5. Fritsche, J. & Beindorff, C.M. (2002). Isolation, characterization and determination of minor Artichoke (Cynara scolymus L.) leaf extract compounds. European Journal ofFood Research and Technology, 215, 149-157.
  6. Goliomytis, M., Panopoulou, E. & Rogdakis, E. (2003). Growth Curves for Body Weight and Major Component Parts, Feed Consumption, and Mortality of Male Broiler Chickens Raised to Maturity. Journal of Poultry Science,81, 932-938.
  7. Lopez, S. (2008). Non-linear functions in animal nutrition. In France J, Kebreab E (eds) Mathematical modelling in animal nutrition, CABI, USA. pp. 47-88.
  8. Nikkhah, M., Motaghitalab, M. & Zavare, M. (2008). Comparison of Hyperbolastic Models with classic models for describing broiler chicken growth curves. Iranian Animal Science Journal, 40(4), 71-78. (In Farsi).
  9. Rahimi, S., Teymorizadeh, Z., Torshizi, K., Omidbaigi, R. & Rokni, H. (2011). Effetct os three herbal extract on growth, performance, immune system, blood factors and intestinal selected bacterial population in broiler chickens. Journal of Agricultural Science and Thechnology, 13, 537-539.
  10. Rezvanejad, A. & Amozegar, M. (2014). Comparison non-linear regression models with artificial neural networks to determine the growth curve in Japanese quail. In: 6th Iranian National Iranian Congress on Animal Science, 27-28 Aug. Tabriz University, Tabriz, Iran, pp.463.
  11. Roush, W.B. & Branton, S.L. (2005). A Comparison of fitting growth models with a genetic algorithm and nonlinear regression. Journal of Poultry Science, 84, 494-502.
  12. Roush, W.B., Dozier, W.A. & Branton, S.L. (2006). Comparison of Gompertz and neutral network models of broiler growth. Journal of Poultry Science, 85, 794-797.
  13. SAS Institute Inc. (2003). SAS/STAT User’s Guide Version 9. SAS Institute Inc., Cary, NC.
  14. Tzeng, R.Y. & Becker, W.A. (1981). Growth patterns of body and abdominal fat weights in male broiler chickens. Poultry Science, 60, 1101-1106.
  15. Wilson, B.J. (1977). Growth curves: Their analysis and use. Pages 89–115 in Growth and Poultry Meat Production. K. N. Boorman and B. J. Wilson, ed. British Poultry Science Ltd. Edinburgh.
  16. Windisch, W., Schedle, K., Plitzner, C. & Kroismayr, A. (2008). Use of photogenic products as feed additives for swine and poultry. Journal of Animal Science, 86, 140-146.
  17. Yee, D., Prior, M.G. & Florence, L.Z. (1993). Development of predictive models of laboratory animal growth using artificial neural networks. Computer Applications in the Biosciences, 9, 517-522.
  18. Ziai, S.A., Dastpak, A., NaghdiBadi, H., Poorhoseini, L., Hemati, A.R. & GharaviNaene, M. (2003). Review on Cynara scolymus L. Journal of Medicinal Plants, 4 (13), 1-13. (In Farsi).