Studies have been undertaken by Woo

Studies have been undertaken by Wood (1967), Ali and Schaeffer (1987), Wilmink (1987), and Guo (1995), who all developed algebraic equations for the purpose of fitting a lactation curve to empirical data. Jones (1997) stressed the need for increased flexibility and adaptation among curve-fitting techniques and introduced an empirical Bayes method for fitting Wood's lactation curve (incomplete gamma function; Wood, 1967). Macciotta et al. (2002) and Vasconcelos et al. (2004) employed auto-regressive models to predict individual lactations using limited numbers of test days throughout the lactation cycle. Other attempts to forecast milk yields have involved large regression models such as artificial neural networks (ANN) and multiple linear regression (MLR) models (Lacroix et al., 1995; Salehi et al., 1998; Sharma et al., 2006; Sharma et al., 2007). These models proved to be very successful; however, they require large amounts of detailed information for each specific cow. The ANN model developed by Sharma et al. (2007) requires 12 individual traits of each cow (genetic group, season of birth, period of birth, birth weight, age at maturity, weight at maturity, season of calving, period of calving, age at calving, weight at calving, peak yield, and days to attain peak yield); likewise the model tested by Lacroix et al. (1995) required 16 network inputs including information such as logarithm of somatic cell count, energy fed on test day, protein fed on test day, DM fed on test day, and so on. Brun-Lafleur et al. (2010) modeled variation in milk yield with respect to energy and protein supply, but acquiring even this information for an entire pasture-based herd is not practical. A balance is required between the availability of detailed information at farm level and the prediction accuracy of the milk-supply model. The high levels of detailed data required to construct these milk-yield predictors inhibit their practical implementation on commercial dairy farms.

ผลลัพธ์ (ไทย) 1:

การศึกษาได้รับการดำเนินการ โดยไม้ (1967), อาลี และ Schaeffer (1987), Wilmink (1987), และกัว (1995), ที่ทั้งหมดพัฒนาสมการทางพีชคณิตเพื่อติดตั้งอุปกรณ์ให้นมบุตรการ โค้งกับข้อมูลเชิงประจักษ์ โจนส์ (1997) เน้นความต้องเพิ่มความยืดหยุ่นและปรับตัวในโค้งยึดเทคนิค และแนะนำวิธีการ Bayes เชิงประจักษ์สำหรับตัวของไม้โค้งให้นมบุตร (ฟังก์ชันแกมมาไม่สมบูรณ์ ไม้ 1967) Macciotta et al. (2002) และ Vasconcelos et al. (2004) ใช้ถอยหลังอัตโนมัติรุ่นทำนายแต่ละ lactations ใช้ทดสอบวันตลอดวงจรการให้นมบุตรจำนวนจำกัด อื่น ๆ พยายามที่คาดการณ์ผลผลิตนมมีส่วนเกี่ยวข้องกับรุ่นรุ่นถดถอยขนาดใหญ่เช่นเครือข่ายประสาทเทียม (แอน) และหลายการถดถอยเชิงเส้น (MLR) (Lacroix และ al. 1995 Salehi et al. 1998 Sharma et al. 2006 Sharma et al. 2007) รุ่นนี้พิสูจน์แล้วว่าประสบความสำเร็จ อย่างไรก็ตาม พวกเขาต้องการจำนวนมากของรายละเอียดสำหรับวัวแต่ละเฉพาะ รุ่นแอนที่พัฒนาโดย Sharma et al. (2007) ต้อง 12 แต่ละลักษณะของวัวแต่ละ (กลุ่มพันธุกรรม ฤดูกาลที่เกิด เวลาเกิด เกิดน้ำหนัก น้ำหนัก อายุเมื่อครบกำหนดระยะ calving อายุ กาลของ calving อายุที่ calving น้ำหนักที่ผลผลิต calving ฤดูท่องเที่ยว และผลผลิตวันบรรลุจุดสูงสุด); เช่น แบบทดสอบโดย Lacroix et al. (1995) ต้องนับ 16 เครือข่ายปัจจัยการผลิตรวมถึงข้อมูลเช่นของมาติกเซลล์ พลังงานที่ป้อนในวันทดสอบ โปรตีนเลี้ยงในวันทดสอบ DM เลี้ยงในวันทดสอบ และ Brun Lafleur et al. (2010) จำลองการเปลี่ยนแปลงในผลผลิตนมเกี่ยวกับพลังงาน และแหล่งโปรตีน แต่รับได้ข้อมูลนี้สำหรับฝูงตามทุ่งหญ้าทั้งไม่ได้ใช้ สมดุลจำเป็นพร้อมรายละเอียดในระดับฟาร์มและความถูกต้องของการคาดเดาของแบบจำลองปริมาณน้ำนมได้ ระดับสูงสุดของข้อมูลรายละเอียดที่จำเป็นสำหรับการสร้างเหล่านี้ทำนายผลผลิตนมยับยั้งการดำเนินการจริงในฟาร์มโคนมเชิงพาณิชย์

ผลลัพธ์ (ไทย) 2:

การศึกษาได้รับการดำเนินการโดยวู้ด (1967), อาลีและ Schaeffer (1987), WILMINK (1987) และ Guo (1995) ที่ทุกคนได้รับการพัฒนาสมการพีชคณิตสำหรับวัตถุประสงค์ของการให้นมบุตรการปรับเส้นโค้งกับข้อมูลเชิงประจักษ์ โจนส์ (1997) เน้นความจำเป็นในการเพิ่มความยืดหยุ่นและการปรับตัวในหมู่เทคนิคโค้งกระชับและแนะนำวิธีการเชิงประจักษ์เบส์สำหรับให้นมบุตรโค้งกระชับไม้ (ฟังก์ชันแกมมาสมบูรณ์; ไม้, 1967) Macciotta et al, (2002) และ Vasconcelos et al, (2004) การจ้างงานรูปแบบอัตโนมัติถอยหลังที่จะคาดการณ์ lactations ของแต่ละบุคคลโดยใช้จำนวน จำกัด วันทดสอบตลอดวงจรการให้นม ความพยายามในการอื่น ๆ ที่จะคาดการณ์อัตราผลตอบแทนนมมีความเกี่ยวข้องกับรูปแบบการถดถอยที่มีขนาดใหญ่เช่นเครือข่ายประสาทเทียม (ANN) และหลายถดถอยเชิงเส้น (MLR) รุ่น (Lacroix, et al, 1995;. Salehi et al, 1998;. Sharma et al, 2006;. Sharma et al., 2007) รูปแบบเหล่านี้จะประสบความสำเร็จมาก แต่พวกเขาจำเป็นต้องมีจำนวนมากของข้อมูลรายละเอียดสำหรับวัวแต่ละ รูปแบบการพัฒนาโดย ANN Sharma et al, (2007) ต้องมี 12 ลักษณะของแต่ละบุคคลวัว (กลุ่มพันธุกรรมฤดูกาลของการเกิดระยะเวลาของการเกิดน้ำหนักแรกเกิดอายุเมื่อครบกำหนดน้ำหนักที่ครบกําหนดฤดูกาลคลอดระยะเวลาของการคลอดอายุเมื่อคลอดน้ำหนักที่หลุดสูงสุด อัตราผลตอบแทนและวันที่จะบรรลุผลตอบแทนสูงสุด); ในทำนองเดียวกันรูปแบบการทดสอบโดย Lacroix, et al (1995) จำเป็นต้องใช้ปัจจัยการผลิตที่ 16 เครือข่ายรวมถึงข้อมูลดังกล่าวเป็นลอการิทึมของจำนวนเซลล์ร่างกายของพลังงานที่เลี้ยงในวันทดสอบโปรตีนเลี้ยงในวันทดสอบ DM เลี้ยงในวันสอบและอื่น ๆ Brun-et al, ลาเฟลอ (2010) การเปลี่ยนแปลงรูปแบบในปริมาณน้ำนมที่เกี่ยวกับพลังงานและอุปทานโปรตีน แต่การแสวงหาแม้ข้อมูลนี้สำหรับฝูงทุ่งหญ้าตามทั้งหมดไม่จริง สมดุลที่ต้องระหว่างความพร้อมของข้อมูลรายละเอียดในระดับฟาร์มและความถูกต้องของรูปแบบการทำนายนมอุปทาน ระดับสูงของข้อมูลรายละเอียดที่จำเป็นในการสร้างการพยากรณ์ผลผลิตนมเหล่านี้ยับยั้งการปฏิบัติจริงของพวกเขาในฟาร์มโคนมในเชิงพาณิชย์

ผลลัพธ์ (ไทย) 3:

การศึกษาได้ดำเนินการโดยไม้ ( 1967 ) , อาลี และ เชเฟอร์ ( 1987 ) , wilmink ( 1987 ) และกั๋ว ( 1995 ) ซึ่งทั้งหมดพัฒนาสมการพีชคณิต สำหรับวัตถุประสงค์ของการปรับระดับเส้นโค้งกับข้อมูลเชิงประจักษ์ โจนส์ ( 1997 ) เน้นความต้องการเพิ่มความยืดหยุ่นและการปรับตัวของเส้นโค้งที่เหมาะสมและแนะนำเทคนิควิธีการปรับระดับเส้นโค้งเชิงเบส์ไม้ ( ฟังก์ชัน ; ไม้ , 1967 ( ไม่สมบูรณ์ ) macciotta et al . ( 2002 ) และบริการ et al . ( 2004 ) ที่ใช้รถยนต์ถอยหลังแบบทำนาย lactations บุคคลใช้จำกัดจำนวนวันสอบทั้งวงจรของการให้น้ำนม ความพยายามอื่น ๆที่จะคาดการณ์ผลผลิตนมมีขนาดใหญ่ เช่น การเกี่ยวข้องกับแบบจำลองโครงข่ายประสาทเทียม ( ANN ) และการถดถอยพหุคูณเชิงเส้นตรง ( MLR ) แบบจำลอง ( ลาครัวซ์ et al . , 1995 ; ซาเลฮิ et al . , 1998 ; Sharma et al . , 2006 ; Sharma et al . , 2007 ) โมเดลเหล่านี้พิสูจน์แล้วว่าประสบความสำเร็จมาก อย่างไรก็ตาม พวกเขามีจำนวนมากของข้อมูลวัวแต่ละที่เฉพาะเจาะจง ส่วนแอนแบบจำลองโดย Sharma et al . ( 2007 ) มี 12 ลักษณะของวัวแต่ละตัว ( พันธุกรรม ) การเกิดฤดูกาล , ระยะเวลาของการเกิด , น้ำหนัก , กำเนิดอายุอายุ น้ำหนัก อายุ ฤดูกาล ของ มี ระยะเวลาของโคโค อายุ น้ำหนัก ที่คลอด สูงสุด ผลผลิต และผลผลิตวันบรรลุยอด ) ; เช่นเดียวกัน แบบทดสอบ โดย ลาครัวซ์ et al . ( 1995 ) ต้อง 16 เครือข่ายรวมถึงข้อมูลเช่นค่าลอการิทึมของจำนวนเซลล์โซมาติก พลังงานที่ได้รับในวันสอบ โปรตีนที่ได้รับในวันสอบ , DM ที่ได้รับในวันสอบ และอื่น ๆ เบริงลาเฟลอร์ et al . ( 2010 ) ในการสร้างน้ำนมด้วยการจัดหาพลังงานและโปรตีน แต่การรับข้อมูลนี้เป็นฝูงตามทุ่งหญ้าทั้งหมดไม่ได้ปฏิบัติ ความสมดุลเป็นสิ่งจำเป็นระหว่างความพร้อมของข้อมูลในระดับฟาร์ม และค่าความถูกต้องของนมจัดหานางแบบ ระดับของรายละเอียดข้อมูลเหล่านี้ต้องสร้างน้ำนมที่ใช้พยากรณ์ยับยั้งปฏิบัติในฟาร์มนมเชิงพาณิชย์