AVALIAÇÃO DO MODELO DE REGRESSÃO LINEAR MÚLTIPLA E REDES NEURAIS ARTIFICIAIS NA PREVISÃO DO GANHO DE MASSA EM ANIMAIS

M. L. M. Lopes; F. R. Chavarette; A. M. Cossi

doi:10.18011/bioeng2017v11n1p01-17

Autores

M. L. M. Lopes
F. R. Chavarette
A. M. Cossi

DOI:

https://doi.org/10.18011/bioeng2017v11n1p01-17

Palavras-chave:

Estimação do Ganho de Peso, Modelo Estatístico, Perceptron Multicamadas, Algoritmo Backpropagation

Resumo

A massa de um animal torna-se uma variável importante a ser estudada, visto que a partir dela, pode-se avaliar o crescimento e o estado nutricional do animal, administrar adequadamente remédios e parasiticidas e estabelecer o valor de venda do animal no mercado. O artigo aborda o desenvolvimento de uma proposta para previsão do ganho de massa em animais através do método de regressão linear múltipla e de uma técnica baseada na inteligência artificial, mais especificamente, as redes neurais artificiais. O objetivo é desenvolver os dois métodos e aplicá-los na análise de ganho de massa, para isto, levou-se em consideração dados de massa adquiridos pelo animal e o valor de escore de condição corporal obtidos em um determinado período. A análise foi feita utilizando dados de 12 animais avaliados em três períodos distintos e considerando três tipos de alimentação: 1 - alimentação convencional (controle), 2 - caroço de algodão e 3 - farelo de algodão e milho-triturado. Através dos resultados obtidos das análises do erro percentual médio absoluto e do coeficiente de determinação pode-se observar que ambos os métodos demonstram eficiência na previsão de ganho de massa em animais.

Downloads

Não há dados estatísticos.

Referências

ASSIS, J. P. Regressão e Correlação Linear Simples e Múltipla, Editora UFERSA, Mossoró - RN, 2013.

FERNANDES, A. F. A., NEVES, H. H. R.; GUARINI, A. R., OLIVEIRA, J. A., CARVALHEIRO, R., QUEIROZ, S. A. Associação de escores de condição corporal de vacas com características reprodutivas e de desempenho de seus bezerros, In: IX SIMPÓSIO BRASILEIRO DE MELHORAMENTO ANIMAL, João Pessoa - PB, p. 1-6, 2012.

FESTING, M. Statistics and Animals in Biomedical Research, Significance, v. 7, n. 4, p. 176-177, 2010.

HAYKIN, S. Neural Networks and Learning Machines, Prentice Hall, Third Edition, 2008.

MACHADO, R., CORRÊA, R. F., BARBOSA, R. T., BERGAMASCHI, M. A. C. M. Escore Da Condição Corporal e sua Aplicação no Manejo Reprodutivo de Ruminantes, São Carlos: Embrapa Pecuária Sudeste, 2008. 16p. (Circular técnica, 57).

MARINI, F. 3.14 - Neural Networks, Reference Module in Chemistry, Molecular Sciences and Chemical Engineering, from Comprehensive Chemometrics, 2009, v. 3, p. 477-505, Current as of 20 April 2013.

NGO, T. H. D., Warner Bros. Entertainment Group. The Box-Jenkins Methodology for Time Series Models, Proceedings of the SAS Global Forum 2013 Conference, Cary, NC: SAS Institute Inc., p. 1-11, 2013.

SILVA, I. N., SPATTI, D. H., FLAUZINO, R. A. Redes Neurais Artificiais para Engenharia e Ciências Aplicadas - Curso Prático, Editora Artliber, 2010.

SANGUN, L., CANKAYA, S., KAYAALP, G.T., AKAR, M., Use of Factor Analysis Scores in Multiple Regression Model for Estimation of Body Weight from some Body Measurements in Lizardfish, Journal of Animal and Veterinary Advances, v.8, n.1, p.47-50, 2009.

SPITZER, J. C. Influences of Nutrition on Reproduction in Beef Cattle, In: MORROW, D. A. (Ed.). Current Therapy in Theriogenology. 2. ed. Philadelphia: W. B. Saunders, pp. 320-341, 1986.

WIDROW, B. and LEHR, M. A. 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation, Proceedings of the IEEE, v. 78, n. 9, p. 1415-1442, 1990.