رشید صفری - هییت علمی دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز
عاطفه شیخعلی پور - دانش آموخته کارشناسی ارشد علوم دامی، دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز
محمدرضا شیخلو - هییت علمی دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز
عزیزالله ایزدی - پژوهشگر مرکز تحقیقات آب، دانشگاه سلطان قابوس، مسقط، عمان

در این تحقیق از شبکه های عصبی مصنوعی جهت پیش بینی کل تولید شیر در یک دوره شیرواری 305 روزه استفاده شد. مخزن اولیه داده ها شامل 274025رکورد تولید شیر حاصل از 7201گاو شیری هلشتاین از دو گله پرورشی در سال های 1395 - 1378 های بود. پس از ویرایش داده های تولیدی درنهایت 87980 رکورد تولید شیر ماهانه در قالب 8798 ردیف داده که هر ردیف شامل گله، سن، شکم، رکورد تولید شیر اول تا دهم دام و تولید کل دام در یک دوره شیرواری 305 روزه برای هر دام بود بعنوان مخزن نهایی دادهها مورد استفاده قرار گرفت. جهت پیش های بینی تولید شیر از ساختارهای گوناگون شبکهعصبی مصنوعی با روش آموزش تحت نظارت با ساختار پرسپترون چندلایه باالگوریتم پس انتشار خطا استفاده شد. جهت تعیین شبکه بهینه از سه توابع فعالیت (تانژانت هیپربولیک آکسون، سیگمویید آکسون، تانژانت هیپربولیک خطی آکسون) و سه الگوریتم آموزشی پس انتشار مومنتوم، گرادیان نزولی و لونبرگ مارکوات در هر دو لایه پنهان و خروجی استفاده شد. ،ضریب تبیین مجذور میانگین مربعات خطا و میانگین خطای مطلق به عنوان معیارهای عملکرد شبکه در نظر گرفته شدند. شبکه عصبی مصنوعی با ساختارهای طراحی شده در پیش بینی کل تولید دام در یک دوره شیرواری 305 روزه موفق عملکرد کرد. بهطوری که در اثر استفاده از الگوریتم بینی لونبرگ مارکوات با تابع فعالیت تانژانت هیپربولیک آکسون در پیش کل تولید بر اساس سه رکورد اول تولید شیر؛ ضریب تبیین، مجذور میانگین مربعات خطا و میانگین خطای مطلق به عنوان معیارهای عملکرد به ترتیب 0/779 ، 12/ 1036 و 55/813 بودند. با توجه به نتایج به دست آمده توان دریافت که شبکه عصبی مصنوعی میتواند با دقت بالایی کل تولید حیوان در یک دوره شیرواری 305 روزه را جهت مدیریت بهترگله پیش بینی کند.

شبکه عصبی مصنوعی، پیش بینی تولید شیر، گاو هلشتاین