Modelación del crecimiento de pollitas Lohmann LSL con redes neuronales y modelos de regresión no lineal

Modelación del crecimiento de pollitas Lohmann LSL con redes neuronales y modelos de regresión no lineal

RESUMEN

Objetivo. Modelar la curva del crecimiento de aves de la línea Lohmann LSL utilizando modelos no lineales (MNL), no lineales mixtos (MNLM) y redes neuronales artificiales (RNA). Materiales y métodos. Periódicamente se pesaron 33 aves en promedio, desde el día 21 al 196 de vida para un total de 558 registros individuales de peso. En el ajuste de la curva de crecimiento se utilizaron los modelos: no lineal de Von Bertalanffy (MNL), no lineal Mixto de Von Bertalanffy (MNLM) y redes neuronales artificiales (RNA). Los modelos se compararon con coeficiente de correlación y medidas de presicion cuadrado medio del error (CME), desviación media absoluta (MAD) y porcentaje de la media absoluta del error (MAPE). Resultados. Los valores de correlación entre los datos reales y estimados, fueron 0.999, 0.990 y 0.986 para MNLM, RNA y MNL respectivamente. El modelo más preciso con base en los criterios MAPE, MAD y CME fue el MNLM, seguido por la RNA. La grafica de predicción generada la RNA es similar a la del MNLM. La RNA presentó un desempeño superior al MLN. Conclusiones. El mejor modelo para la predicción de curvas de crecimiento de aves comerciales de la línea Lohmman LSL hasta los 196 días de edad, con múltiples mediciones por animal en el tiempo, fue el MNLM. La RNA presento un desempeño superior al MNL.

1. Reddish JM, Nestor KE, Lilburn MS. Effect of selection for growth on onset of sexual maturity in randombred and growth-selected lines of japanese quail. Poult Sci 2003; 82:187–191. http://dx.doi.org/10.1093/ps/82.2.187
3. Amira E El-Dlebshany. The relationship between age at sexual maturity and some productive traits in local chickens strain. Egypt Poult Sci 2008; 28(4):1253-1263.
5. Dunnington EA, Siegel PB. Age and body weight at sexual maturity in female White Leghorn. Poult Sci 1984; 63:828-830. http://dx.doi.org/10.3382/ps.0630828
7. Vo KV, Boone MA, Hughes BL, Knechtges JF. Effects of ambient temperature on sexual maturity. Poult Sci 1980; 59(11):2532-2537. http://dx.doi.org/10.3382/ps.0592532
9. Aggrey SE. Comparison of three nonlinear and spline regression models for describing chicken growth curves. Poult Sci 2002; 81:1782–1788. http://dx.doi.org/10.1093/ps/81.12.1782
11. Aguilar C, Cortés H, Allende R. Los modelos de simulación. Una herramienta de apoyo a la gestión pecuaria. Arch Latinoam Prod Anim 2002; 10(3): 226-231.
13. Heywang BW. Effect of cooling houses for growing chickens during hot weather. Poult Sci 1947; 26(1):20-24. http://dx.doi.org/10.3382/ps.0260020
15. Brody S. Bioenergetics and growth. New York: Reinhold Publishing Corporation; 1945.
17. Laird AK, Tyler SA, Barton AD. Dynamics of normal growth. Growth 1965; 29:233-248.
19. Aggrey SE. Logistic nonlinear mixed effects model for estimating growth parameters. Poult Sci 2009; 88:276-280. http://dx.doi.org/10.3382/ps.2008-00317
21. Richards FJ. A flexible growth function for empirical use. J Exp Bot 1959; 10:290-300. http://dx.doi.org/10.1093/jxb/10.2.290
23. Von Bertalanffy L. A quantitative theory of organic growth. Hum Biol 1938; 10:181-213.
25. Roush WB, Branton SL. A Comparison of fitting growth models with a genetic algorithm and nonlinear regression. Poult Sci 2005; 84(3):494-502. http://dx.doi.org/10.1093/ps/84.3.494
27. Roush WB, Dozier III WA, y Branton SL. Comparison of gompertz and neural network models of broiler growth. Poult Sci 2006; 85:794–797. http://dx.doi.org/10.1093/ps/85.4.794
29. Wang Z, Zuidhof MJ. Estimation of growth parameters using a nonlinear mixed gompertz model. Poult Sci 2004; 83:847–852. http://dx.doi.org/10.1093/ps/83.6.847
31. Ahmadi H, Golian A. Neural network model for egg production curve. J Anim Vet Adv 2008; 7(9):1168-1170.
33. Yee D, Prior MG, Florence LZ. Development of predictive models of laboratory animal growth using artificial neural networks. Comput Appl Biosci 1993; 9(5):517-22. http://dx.doi.org/10.1093/bioinformatics/9.5.517
35. Pitarque A, Roy JF, Ruiz JC. Redes neurales vs modelos estadísticos: Simulaciones sobre tareas de predicción y clasificación. Psicothema 1998; 19:387-400.
37. Savegnago RP, Nunes BN, Caetano SL, Ferraudo AS, Schmidt GS, Ledur MS, Munari DP. Comparison of logistic and neural network models to fit to the egg production curve of White Leghorn hens. Poult Sci 2011; 2011 90:705-711. http://dx.doi.org/10.3382/ps.2010-00723
39. Pitarque A, Ruiz JC, Roy JF. 2000. Las redes neuronales como herramientas estadísticas no paramétricas de clasificación. Psicothema 2000; 12(Supl 2):459-463.
41. R Development Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2008. ISBN 3-900051-07-0; (fecha de acceso 1 de enero de 2013). URL http://www.R-project.org.
43. Oberstone J. Management Science: Concepts, Insights, and Applications. New York: West Publ. Co; 1990.