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

ผลลัพธ์ (ไทย) 1:

การศึกษาได้รับการดำเนินการ โดยไม้ (1967), อาลีและ Schaeffer (1987), Wilmink (1987), และกัว (1995),ที่ทุกคนสามารถพัฒนาพีชคณิตสมการวัตถุประสงค์ของเส้นโค้งให้นมบุตรกับข้อมูลเชิงประจักษ์ โจนส์(1997) เน้นความต้องการเพิ่มความยืดหยุ่น และดัดแปลงจากเทคนิคการปรับเส้นโค้ง และแนะนำวิธีการ Bayes เชิงประจักษ์สำหรับตัวของไม้เส้นโค้งให้นมบุตร (ฟังก์ชันแกมมาไม่สมบูรณ์ ไม้1967) . Macciotta et al. (2002) และ Vasconcelos et al(2004) ส่วนถอยหลังอัตโนมัติรุ่นทำนายlactations แต่ละตัวที่ใช้ทดสอบจำนวนจำกัดรอบวันตลอดการให้นมบุตร ความพยายามอื่น ๆเพื่อคาดการณ์นม อัตราผลตอบแทนมีส่วนเกี่ยวข้องถดถอยขนาดใหญ่รูปแบบเช่นเครือข่ายประสาทเทียม (แอน) และถดถอยเชิงเส้น (MLR) หลายรุ่น (Lacroixet al. 1995 Salehi et al. 1998 Sharma et al. 2006Sharma et al. 2007) รุ่นเหล่านี้ได้พิสูจน์ให้ประสบความสำเร็จ อย่างไรก็ตาม พวกเขาต้องการจำนวนมากข้อมูลรายละเอียดสำหรับแต่ละเฉพาะวัว แอนต้องใช้แบบจำลองที่พัฒนาขึ้นโดย Sharma et al. (2007) 12แต่ละลักษณะของแต่ละวัว (กลุ่มพันธุกรรม ฤดูเกิด เวลาเกิด เกิดน้ำหนัก อายุที่ครบกำหนดน้ำหนักที่ครบกำหนด ฤดูกาลของ calving ระยะ calvingอายุที่ calving น้ำหนักที่ calving ผลผลิตสูงสุด และวันเพื่อให้บรรลุผลสูงสุด); ในทำนองเดียวกันรูปแบบทดสอบ โดย Lacroixet al. (1995) ต้อง 16 เครือข่ายปัจจัยการผลิตรวมทั้งข้อมูลเช่นค่าลอการิทึมของจำนวนมาติกพลังงานที่ถูกป้อนในวันทดสอบ โปรตีนเลี้ยงในวันทดสอบ DMเลี้ยงในวันทดสอบ Brun Lafleur et al. (2010)สร้างแบบจำลองการเปลี่ยนแปลงผลผลิตนมเกี่ยวกับพลังงานและปริมาณโปรตีน แต่ได้รับข้อมูลนี้สำหรับฝูงตามทุ่งหญ้าทั้งไม่ได้ปฏิบัติ Aยอดถูกต้องระหว่างความพร้อมของรายละเอียด

ผลลัพธ์ (ไทย) 2:

การศึกษาได้รับการดำเนินการโดยวู้ด (1967), อาลี
และ Schaeffer (1987), WILMINK (1987) และ Guo (1995)
ที่ทุกคนได้รับการพัฒนาสมการพีชคณิตสำหรับวัตถุประสงค์
ของการปรับการให้นมบุตรโค้งกับข้อมูลเชิงประจักษ์ โจนส์
(1997) เน้นความจำเป็นในการเพิ่มความยืดหยุ่นและ
การปรับตัวในหมู่เทคนิคโค้งกระชับและแนะนำ
วิธีการเชิงประจักษ์เบส์สำหรับกระชับไม้
โค้งให้นมบุตร (ฟังก์ชันแกมมาสมบูรณ์; ไม้,
1967) Macciotta et al, (2002) และ Vasconcelos et al.
(2004) การจ้างงานรูปแบบอัตโนมัติถอยหลังที่จะคาดการณ์
lactations ของแต่ละบุคคลโดยใช้จำนวน จำกัด ของการทดสอบ
วันตลอดวงจรการให้นม ความพยายามในการอื่น ๆ
ที่จะคาดการณ์อัตราผลตอบแทนนมมีความเกี่ยวข้องกับการถดถอยขนาดใหญ่
รุ่นเช่นเครือข่ายประสาทเทียม (ANN) และ
หลายถดถอยเชิงเส้น (MLR) รุ่น (Lacroix
, et al, 1995;. Salehi et al, 1998;. Sharma et al, 2006;.
Sharma et al., 2007) รูปแบบเหล่านี้พิสูจน์แล้วว่าเป็นอย่างมาก
ที่ประสบความสำเร็จ แต่พวกเขาจำเป็นต้องมีจำนวนมากของ
ข้อมูลรายละเอียดสำหรับวัวแต่ละ แอน
รูปแบบการพัฒนาโดย Sharma et al, (2007) ต้องมี 12
ลักษณะของแต่ละบุคคลวัว (กลุ่มพันธุกรรมฤดูของการ
เกิดระยะเวลาของการเกิดน้ำหนักแรกเกิดอายุที่ครบกำหนด
น้ำหนักที่ครบกําหนดฤดูกาลคลอดระยะเวลาของการคลอด
อายุคลอดน้ำหนักที่หลุดสูงสุด อัตราผลตอบแทนและวัน
ที่จะบรรลุผลตอบแทนสูงสุด); ในทำนองเดียวกันรูปแบบการทดสอบโดย Lacroix
, et al (1995) จำเป็นต้องใช้ปัจจัยการผลิตที่ 16 เครือข่ายรวมถึง
ข้อมูลดังกล่าวเป็นลอการิทึมของจำนวนเซลล์ร่างกาย
พลังงานที่เลี้ยงในวันทดสอบโปรตีนเลี้ยงในวันทดสอบ DM
เลี้ยงในวันสอบและอื่น ๆ Brun-et al, ลาเฟลอ (2010)
การเปลี่ยนแปลงรูปแบบในปริมาณน้ำนมที่เกี่ยวกับพลังงาน
และอุปทานโปรตีน แต่การแสวงหาแม้ข้อมูลนี้
สำหรับฝูงทุ่งหญ้าตามทั้งหมดไม่จริง
สมดุลต้องระหว่างความพร้อมของรายละเอียด

ผลลัพธ์ (ไทย) 3:

การศึกษาได้ดำเนินการโดยไม้ ( 1967 ) , อาลีและ เชเฟอร์ ( 1987 ) , wilmink ( 1987 ) และกั๋ว ( 1995 )ซึ่งทั้งหมดพัฒนาสมการพีชคณิตสำหรับวัตถุประสงค์ของการปรับระดับเส้นโค้งกับข้อมูลเชิงประจักษ์ โจนส์( 1997 ) เน้นความต้องการความยืดหยุ่นมากขึ้นและการปรับตัวของเส้นโค้งที่เหมาะสมและแนะนำเทคนิคเป็นวิธีการที่เหมาะสมของไม้เชิงเบส์การให้นม ( ฟังก์ชันแกมมาเส้นโค้ง ; ไม้ไม่สมบูรณ์1967 ) macciotta et al . ( 2002 ) และบริการ et al .( 2004 ) ที่ใช้รถยนต์ถอยหลังแบบทำนายlactations บุคคลโดยใช้ตัวเลขทดสอบจำกัดวันตลอดวงจรการให้น้ำนม ความพยายามอื่น ๆการคาดการณ์ผลผลิตนม มีการเกี่ยวข้องกับการถดถอยมากโมเดล เช่น โครงข่ายประสาทเทียม ( ANN ) และการถดถอยพหุคูณเชิงเส้นตรง ( MLR ) แบบจำลอง ( ลาครัวซ์et al . , 1995 ; ซาเลฮิ et al . , 1998 ; Sharma et al . , 2006 ;Sharma et al . , 2007 ) โมเดลเหล่านี้พิสูจน์แล้วว่าเป็นที่ประสบความสำเร็จ อย่างไรก็ตาม พวกเขาต้องการปริมาณมากของข้อมูลวัวแต่ละที่เฉพาะเจาะจง ส่วน แอนแบบจำลองโดย Sharma et al . ( 2007 ) ต้องใช้ 12แต่ละลักษณะของวัวแต่ละฤดูกาล ( พันธุกรรม กลุ่มเกิด เวลาเกิด น้ำหนักแรกเกิด อายุเก็บเกี่ยวน้ำหนักที่ครบกําหนดของฤดูกาลมีระยะเวลาคลอด , ,อายุเมื่อคลอด น้ำหนัก ที่ มี ผลผลิตสูงสุด และวันเพื่อให้บรรลุผลสูงสุด ) ; เช่นเดียวกัน แบบทดสอบ โดย ลาครัวซ์et al . ( 1995 ) ต้อง 16 เครือข่ายปัจจัยการผลิต ได้แก่ข้อมูลเช่นลอการิทึมของจำนวนเซลล์โซมาติก ,พลังงานที่ได้รับในวันสอบ โปรตีนที่ได้รับในวันสอบ DMอาหารในวันสอบ และอื่น ๆ เบริงลาเฟลอร์ et al . ( 2010 )แบบจำลองการเปลี่ยนแปลงในน้ำนมที่เกี่ยวกับพลังงานและจัดหาโปรตีน แต่การรับข้อมูลนี้เป็นทุ่งหญ้าทั้งหมดตามฝูงไม่ได้ปฏิบัติ เป็นความสมดุลเป็นสิ่งจำเป็นระหว่างความพร้อมของรายละเอียด