In practice, ANNs have been success

In practice, ANNs have been successfully applied in many disciplines, such as engineering, and economic predictions, and in medical diagnoses. There has been relatively little research into the application of ANNs in the field of animal breeding. This is quite paradoxical, as data analyses are usually carried out in this field, and ANNs have shown to be more powerful than classical statistical methods to carry out these kinds of analyses (Fernandez et al., 2006). The reported research has focused on disease detection and dairy cattle breeding, which is concerned with predicting individual milk, fat and protein production. Yang et al. (1999; 2000) applied ANNs to analyses related to predicting clinical mastitis in cattle and found that the technology was able to determine major factors related to the presence or absence of mastitis and to detect influential variables in predicting the incidence of clinical mastitis in dairy cows. Lacroix et al. (1995) and Salehi et al. (1998b) used the networks in milk yield predictions, and demonstrated that adequate pre-processing, a well-designed network model, and a proper set of variables may considerably influence the accuracy of milk production predictions. Salehi et al. (1998a; b) found a neural network model based on back-propagation learning useful in predicting 305-d milk yield, fat and protein. Milk production estimates were successfully obtained in a study by using feed forward ANNs by Sanzogni & Kerr (2001). Artificial neural networks have been applied to predict milk yield in dairy sheep (Salehi et al., 1988). Kominakis et al. (2002) tested the usefulness of ANNs in predicting lactation, as well as daily test milk yield(s) in Chios dairy sheep based on a few (2 - 4) test-day records in the beginning of a lactation period. Grzesiak et al. (2003) compared the neural network and multiple regression predictions for 305-d lactation yield using partial lactation records. Sharma et al. (2007) used an ANN model to predict the first lactation 305-day milk yield using partial lactation records pertaining to Karan Fries crossbred dairy cattle. Hosseinia et al. (2007) estimated second parity milk yield and fat percentage of dairy cows based on first parity information using the neural network system. Njubi et al. (2010) applied ANNs to predict first lactation 305-d milk yield using test-day records in Kenyan Holstein Friesian dairy cows. These studies have shown that total lactation yield and short-term milk yield are positively correlated (Rayalu et al., 1984; Shrivastava et al., 1988; Brutta et al., 1989; Jain et al., 1991; Jadhav et al., 1998).

ผลลัพธ์ (ไทย) 1:

ในทางปฏิบัติ ANNs ได้ถูกนำไปใช้ ในหลาย สาขา เช่นคาดคะเนวิศวกรรม และเศรษฐกิจ และการวิเคราะห์ทางการแพทย์ มีค่อนข้างน้อยวิจัยลงในโปรแกรมประยุกต์ของ ANNs ในด้านการเพาะพันธุ์สัตว์ นี้เป็นมากว่า เป็นข้อมูล วิเคราะห์มักดำเนินการในฟิลด์นี้ และ ANNs ได้แสดงให้เห็นจะมีประสิทธิภาพมากกว่าวิธีดำเนินการต่าง ๆ เหล่านี้ (เฟอร์นานเดซ et al. 2006) การวิเคราะห์ทางสถิติคลาสสิก วิจัยรายงานได้เน้นในการตรวจสอบโรคและโคนมพันธุ์ ซึ่งเกี่ยวข้องกับการคาดคะเนการผลิตนม ไขมัน และโปรตีนแต่ละ ยาง et al. (1999; 2000) ใช้ ANNs กับการวิเคราะห์ที่เกี่ยวข้องกับการคาดคะเนทางคลินิกโรคเต้านมอักเสบในวัว และพบว่า เทคโนโลยีสามารถระบุปัจจัยสำคัญที่เกี่ยวข้องกับการมีหรือไม่มีของโรคเต้านมอักเสบ และตรวจพบตัวแปรที่มีอิทธิพลในการทำนายโรคของคลินิกโรคเต้านมอักเสบในโคนม Lacroix et al. (1995) และ Salehi et al. (1998b) ใช้เครือข่ายในการคาดคะเนผลผลิตนม และแสดงให้เห็นว่าเพียงพอก่อนการประมวลผล แบบออกแบบเครือข่าย และชุดที่เหมาะสมของตัวแปรอย่างมากอาจมีผลต่อความแม่นยำของการคาดคะเนการผลิตนม Salehi ร้อยเอ็ด (1998a; b) พบแบบจำลองโครงข่ายประสาทบนหลังเผยแพร่การเรียนรู้ที่เป็นประโยชน์ในการทำนายผลผลิตนม 305-d ไขมัน และโปรตีน ปริมาณน้ำนมที่ประเมินเรียบร้อยแล้วได้รับมาในการศึกษา โดยใช้ฟีด ANNs ไปข้างหน้า โดย Sanzogni และเคอร์ (2001) มีการใช้เครือข่ายประสาทเทียมในการทำนายผลผลิตน้ำนมในโคนมแกะ (Salehi et al. 1988) Kominakis et al. (2002) ทดสอบประโยชน์ของ ANNs ในการทำนายการให้นมบุตร เป็นวันทดสอบนม yield(s) ในชิโอนมแกะตามระเบียนวันทดสอบ (2-4) ไม่ในการเริ่มต้นของรอบระยะเวลาให้นมบุตร Grzesiak et al. (2003) เมื่อเทียบกับโครงข่ายประสาท และคาดคะเนถดถอยหลายสำหรับให้นมบุตร 305-d ให้ใช้ระเบียนบางส่วนให้นมบุตร Sharma et al. (2007) ใช้แบบแอนจะทำนายผลแรกของนม 305 วันให้นมบุตรใช้ระเบียนบางส่วนให้นมบุตรที่เกี่ยวข้องกับการันฟรายส์แก่โคนม Hosseinia et al. (2007) ประมาณสองพาริตี้นมผลและไขมันเปอร์เซ็นต์ของโคนมตามข้อมูลพาริตี้ครั้งแรกที่ใช้ระบบเครือข่ายประสาท Njubi et al. (2010) ใช้ ANNs ทำนายผลผลิต 305-d นมให้นมบุตรแรกที่ใช้ระเบียนวันทดสอบ Friesian โฮลชไตน์เคนยาโคนม การศึกษาเหล่านี้ได้แสดงให้เห็นว่า การให้นมบุตรรวมผลผลิตและผลผลิตนมระยะสั้นจะมีความสัมพันธ์เชิงบวก (Rayalu et al. 1984 Shrivastava et al. 1988 Brutta et al. 1989 Jain et al. 1991 Jadhav et al. 1998)

ผลลัพธ์ (ไทย) 2:

ในทางปฏิบัติ ANNs ได้รับการใช้ประสบความสำเร็จในหลายสาขาวิชาเช่นวิศวกรรมและการคาดการณ์ทางเศรษฐกิจและในการวินิจฉัยทางการแพทย์ มีการวิจัยค่อนข้างน้อยลงในใบสมัครของ ANNs ในด้านการปรับปรุงพันธุ์สัตว์ นี่คือความขัดแย้งมากเป็นการวิเคราะห์ข้อมูลที่มักจะมีการดำเนินการในด้านนี้และ ANNs ได้แสดงให้เห็นว่ามีประสิทธิภาพมากขึ้นกว่าวิธีการทางสถิติคลาสสิกที่จะดำเนินการเหล่านี้ชนิดของการวิเคราะห์ (เฟอร์นันเด et al., 2006) รายงานการวิจัยได้มุ่งเน้นในการตรวจสอบโรคและการปรับปรุงพันธุ์โคนมซึ่งเป็นเรื่องที่เกี่ยวข้องกับการทำนายนมแต่ละไขมันและโปรตีนการผลิต ยาง, et al (1999; 2000) นำไปใช้ ANNs การวิเคราะห์ที่เกี่ยวข้องกับการทำนายโรคเต้านมอักเสบทางคลินิกในวัวและพบว่าเทคโนโลยีก็สามารถที่จะตรวจสอบปัจจัยสำคัญที่เกี่ยวข้องกับการมีหรือไม่มีโรคเต้านมอักเสบและในการตรวจสอบตัวแปรที่มีอิทธิพลในการทำนายอุบัติการณ์ของโรคเต้านมอักเสบทางคลินิกในโคนม . Lacroix, et al (1995) และ Salehi et al, (1998b) ที่ใช้เครือข่ายในการคาดการณ์ผลผลิตน้ำนมและแสดงให้เห็นว่าเพียงพอก่อนการประมวลผลเป็นรูปแบบเครือข่ายการออกแบบที่ดีและชุดที่เหมาะสมของตัวแปรมากอาจมีผลต่อความถูกต้องของการคาดการณ์การผลิตนม Salehi et al, (1998 ข) พบว่ารูปแบบเครือข่ายประสาทขึ้นอยู่กับการกลับมาขยายพันธุ์การเรียนรู้ที่มีประโยชน์ในการทำนาย 305-D ผลผลิตน้ำนมไขมันและโปรตีน ประมาณการการผลิตนมที่ได้รับการประสบความสำเร็จในการศึกษาโดยใช้ฟีด ANNs ไปข้างหน้าโดย Sanzogni และเคอร์ (2001) เครือข่ายประสาทเทียมได้ถูกนำมาใช้ในการคาดการณ์ผลผลิตน้ำนมในนมแกะ (Salehi et al., 1988) Kominakis et al, (2002) การทดสอบประโยชน์ของ ANNs ในการทำนายการให้นมเช่นเดียวกับผลผลิตน้ำนมทดสอบในชีวิตประจำวัน (s) ใน Chios แกะนมขึ้นอยู่กับไม่กี่ (2-4) บันทึกการทดสอบวันในจุดเริ่มต้นของระยะเวลาการให้นมบุตรได้ Grzesiak et al, (2003) เมื่อเทียบกับเครือข่ายประสาทและการคาดการณ์การถดถอยหลายอัตราผลตอบแทนที่ให้นมบุตร 305-D โดยใช้บันทึกการให้นมบางส่วน Sharma et al, (2007) ที่ใช้รูปแบบการ ANN ในการทำนายการให้นมปริมาณน้ำนม 305 วันแรกที่ใช้บันทึกการให้นมบางส่วนที่เกี่ยวข้องกับการทอดคาราโคนมลูกผสม Hosseinia et al, (2007) ประมาณผลผลิตน้ำนมเท่าเทียมกันสองและเปอร์เซ็นต์ไขมันของโคนมตามข้อมูลที่เท่าเทียมกันครั้งแรกที่ใช้ระบบเครือข่ายประสาท Njubi et al, (2010) นำไปใช้ในการทำนาย ANNs ให้นมบุตร 305-D ผลผลิตน้ำนมครั้งแรกที่ใช้บันทึกการทดสอบวันในโคนมเคนยา Holstein Friesian การศึกษาเหล่านี้แสดงให้เห็นว่าอัตราผลตอบแทนที่ให้นมบุตรรวมและผลผลิตน้ำนมในระยะสั้นมีความสัมพันธ์ในเชิงบวก (Rayalu et al, 1984;. Shrivastava et al, 1988;. Brutta et al, 1989;. เชน et al, 1991;. Jadhav et al, , 1998)

ผลลัพธ์ (ไทย) 3:

ในทางปฏิบัติ , แอนน์ ได้รับสมัครเรียบร้อยแล้วในหลายสาขา เช่น วิศวกรรม และการคาดการณ์เศรษฐกิจ และในการวินิจฉัยทางการแพทย์ มีงานวิจัยค่อนข้างน้อยในการประยุกต์ใช้ทางด้านการปรับปรุงพันธุ์สัตว์ นี้จะค่อนข้างขัดแย้ง เช่น การวิเคราะห์ข้อมูลจะดำเนินการในด้านนี้ และแอนน์ ได้แสดงให้เห็นประสิทธิภาพมากขึ้นกว่าสถิติที่คลาสสิกที่จะดําเนินการเหล่านี้ชนิดของการวิเคราะห์ ( Fernandez et al . , 2006 ) รายงานวิจัยได้เน้นในการตรวจหาโรค และโคนมพันธุ์ซึ่งเกี่ยวข้องกับการทำนายแต่ละ นม ไขมัน และโปรตีนในการผลิต หยาง et al . ( 1999 ; 2000 ) ใช้เพื่อวิเคราะห์ทางคลินิกที่เกี่ยวข้องกับการพยากรณ์โรคเต้านมอักเสบในโค และพบว่า เทคโนโลยี คือ สามารถกำหนดปัจจัยหลักที่เกี่ยวข้องกับการแสดงตนหรือขาดของโรคเต้านมอักเสบและพบตัวแปรที่มีอิทธิพลในการทำนายอุบัติการณ์ของคลินิกโรคเต้านมอักเสบในโคนม ลาครัวซ์ et al . ( 1995 ) และ ซาเลฮิ et al . ( 1998b ) ใช้เครือข่าย การคาดการณ์ผลผลิตน้ำนม และแสดงให้เห็นว่าการประมวลผลเพียงพอดี แบบเครือข่าย และตั้งค่าที่เหมาะสมของตัวแปรที่อาจมีผลต่อความถูกต้องของการพยากรณ์ราคาผลผลิตน้ำนม ซาเลฮิ et al . ( 1998a ; B ) พบว่าโครงข่ายประสาทเทียมแบบตาม back-propagation การเรียนรู้ที่มีประโยชน์ในการพยากรณ์ผลผลิตน้ำนม 305-d ไขมัน และโปรตีน ประมาณการการผลิตน้ำนมได้สําเร็จได้ในการศึกษาโดยการใช้ป้อนไปข้างหน้าโดย sanzogni & แอนน์เคอร์ ( 2001 ) โครงข่ายประสาทเทียมมาใช้เพื่อทำนายผลผลิตน้ำนมในโคนมแกะ ( ซาเลฮิ et al . , 1988 ) kominakis et al . ( 2002 ) ทดสอบประโยชน์ของแอนน์ในการทำนายปริมาณเช่นเดียวกับทุกวัน การทดสอบผลผลิตน้ำนม ( s ) ใน คีโอส นมแกะจากไม่กี่วัน ( 2 - 4 ) แบบบันทึกในการเริ่มต้นของการให้เวลา grzesiak et al . ( 2546 ) เมื่อเปรียบเทียบกับโครงข่ายประสาทเทียมและการคาดการณ์ผลผลิตน้ำนม 305-d ถดถอยพหุคูณโดยใช้บันทึกการให้นมบางส่วน Sharma et al . ( 2007 ) ใช้แบบจำลอง ANN ทำนายปริมาณน้ำนมที่ 305 วันแรกการบันทึกบางส่วนเกี่ยวกับ Karan ทอดนมโคนมลูกผสม . hosseinia et al . ( 2007 ) ประมาณ 2 ผลผลิตน้ำนมและเปอร์เซ็นต์ไขมันของความเท่าเทียมกันของโคนม จากข้อมูลลำดับแรกโดยใช้ระบบโครงข่ายประสาท . njubi et al . ( 2010 ) ใช้ทางร่วมกันก่อนการให้ผลผลิตน้ำนมในวันทดสอบ 305-d ใช้บันทึกในเคนยาโฮลสไตน์ฟรีเซี่ยนโคนม การศึกษาเหล่านี้แสดงให้เห็นว่าผลผลิตน้ำนมรวมและผลผลิตน้ำนมระยะสั้นเป็นเชิงบวก ( rayalu et al . , 1984 ; shrivastava et al . , 1988 ; brutta et al . , 1989 ; เชน et al . , 1991 ; Jadhav et al . , 1998 )