Predicción por redes neuronales artificiales del peso corporal de Capra hircus en crianza semiextensiva

Miguel Callacná-Custodio, Joan Díaz-Huamanchumo, Victor Vásquez-Villalobos

Resumen


Objetivo del presente trabajo fue predecir por redes neuronales artificiales (RNA) el peso corporal de caprinos en crianza semiextensiva. Se utilizó 40 caprinos criollos mejorados desde el nacimiento hasta las seis semanas de edad. El 80% de la data fue utilizada para entrenar la red y el 20 % para validarla. El tipo de RNA usada fue del tipo feedforward (FF), con algoritmo de entrenamiento Backpropagation (BP) y ajuste de pesos Levenberg–Marquardt (LM), topología que presento el mejor resultado: 3 entradas, seis salidas lineales (purelin), capa oculta con 42 neuronas, tasa de aprendizaje de 0,01, coeficiente de momento de 0,5, meta del error de 0,0001 y 100 etapas de entrenamiento. Comparativamente el error porcentual promedio de los valores predichos por la RNA fue de 7,51 y por la regresión múltiple de 7,80 no existiendo diferencia significativa entre ambos (p > 0,05). Así mismo, el porcentaje de aciertos de la RNA fue de 50% y de la regresión múltiple de 50%, mostrando en ambos casos un rendimiento similar.


Texto completo:

PDF

Referencias


Ahmad, H.A. 2012. Pronósticos para la producción de huevos. Journal of Applied Poultry Research. Disponible en: www.wattagnet.com/articles/11884-pronosticos-para-una-mejor-produccion-de-huevos-mediante-un-modelo-eficiente.

Chaturvedi, S.; Gupta, A.K.;Yadav, R.L.; Sharma, A.K.. 2013. Life time milk amount prediction in dairy cows using artificial neural networks. International Journal of Recent Research and Review. 5: 1-6.

Díaz-González, L.; Hidalgo–Dávila, C.A.; Santoyo, E.; Hermosillo–Valadez, J. 2013. Evaluación de técnicas de entrenamiento de redes neuronales para estudios geo termométricos de sistemas geotérmicos. Revista Mexicana de Ingeniería Química 12(1): 105-120.

Espino, C.; Martínez, X. 2017. Análisis predictivo: Técnica y modelos utilizados y aplicaciones del mismo-herramientas. Open Source que permiten su uso. Universitat Oberta de Catalunya.

Favaro, L.; Briefer, E.; McElligott, A.G. 2014. Artificial Neural Network approach for revealing individuality, group membership and age information in goat kid contact calls. Acta Acustica united with Acustica 100(4): 782-789.

Felipe, V.P.; Silva, M.A.; Valente, B.D.; Rosa, G.J. 2015. Using multiple regression, bayesian networks and artificial neural networks for prediction of total egg production in european quails based on earlier expressed phenotypes. Poultry Science (4): 772-800.

Ferrero, M. 2014. Generación de un modelo mediante el uso de redes neuronales artificiales para la detección de mastitis en vacas lecheras del INTA, Estación Experimental Agropecuaria Rafaela. Universidad Católica de Santiago del Estero. XLIII Jornadas Argentina de Informática e Investigación Operativa.

Galeano–Vasco, L.; Cerón–Muñoz, M. 2013. Modelación del crecimiento de pollitas Lohmann LSL con redes neuronales y modelos de regresión no lineal. Rev. MVZ Córdoba 18(3): 3861-3867.

Gómez, L.F. 2014. Aplicación de Redes Neuronales Artificiales en la modelación de la deforestación asociada a nuevos proyectos de infraestructura vial en la región del Nordeste y Bajo Cauca del Departamento de Antioquia. Trabajo de grado para optar el título de Magister en Medio Ambiente y Desarrollo. Facultad de Minas, Universidad Nacional de Colombia, sede Medellín.

Gómez-Urviola, J.; Celi-Mariategui, I.; Milan-Cendra, M.; Jordan-Vidal, J. 2016. La cabra criolla peruana, situación actual y perspectiva conservacionista.

Gorgulu, O. 2012. Prediction of 305-day milk yield in Brown Swiss cattle using artificial neural networks. South African Journal of Animal Science 42(3): 280-287.

Hulya, A.; Akilli, Asli. 2015. Investigation of Dairy Cattle Traits by Using Artificial Neural Networks and Cluster Analysis. Proceeding of the 7th International Conference on Information and communication. Greece 17-20 September.

Instituto Nacional de Estadistica e Informática (INEI) - Ministerio de Agricultura y Riego - Dirección General de Evaluación y Seguimiento de Políticas - SIEA. 2014. población de ganado caprino, según unidad agraria.

Ivanović, S.; Pavlović, I.; Pisinov, B. 2016. The quality of goat meat and its impact on human health. Biotechnology in Animal Husbandry 32(2): 111-122.

Mehri, M. 2013. A comparison of neural network models, fuzzy logic, and multiple linear regression for prediction of hatchability. Poultry science 92(4): 1138–1142.

Mehri, M. 2014. Optimization of response surface and neural network models in conjugation with desirability function for estimation of nutritional needs of methionine, lysine, and threonine in broiler chickens. Poultry Science 93(7): 1862–1867.

Mercado, D.; Pedraza, L.; Martinez, E. 2015. Comparison of Neural Network applied to prediction of times Series 13(2): 88-95.

Morales-Tamayo, Y.; Zamora-Hernández, Y.; Vásquez-Carrera, P.; Porras-Vasconez, M.; Barzaga-Quesada, J.; López-Bustamante, R. 2018. Comparación entre Redes Neuronales Artificiales y Regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco. Revista Ciencia y Tecnología. Nº 19. Universidad Politécnica Salesiana, Ecuador.

Pascual, I.; Ortiz, A.; Ramírez de la Rivera, J.; Figueredo, A. 2017. Predicción del rendimiento y la calidad de tres gramíneas en el valle del Cauto. Revista Cubana de Ciencias Informáticas 11(3): 144-158.

Pascual, I.; Ramírez, J.; Ortiz, A. 2016. Métodos de Inteligencia Artificial para la predicción del rendimiento y calidad de gramíneas. REDVET 17(12): 1-9.

Quintin, M.; De Paz, Y. 2007. Aplicación de las redes neuronales artificiales a la regresión. Edit. La Muralla, S.A.

Salawu, E.; Abdulraheem, M.; Shoyombo, A.; Adepeju, A.; Davies, S.; Akinsola, O.; Nwagu, B. 2014. Using artificial neural network to predict body weights of rabbits. Open Journal of Animal Sciences 4: 182-186.

Sánchez, R.; Fernández, M.; Nolasco, S. 2015. Aplicación de redes neuronales artificiales en la predicción y modelado de la cinética de extracción de aceite de canola. Universidad Nacional del Centro de Buenos Aires - Asociación Argentina de Ingenieros Químicos.

Sarria, J.A.; Ruiz, F.A.; Mena, Y.; Castel, J.M. 2014. Caracterización y propuestas de mejora de los sistemas de producción caprina de la costa central de Perú. Rev. Mex. de Ciencias Pecuarias 5(4): 409.

Sheta, A.F.; Elsir S.M.; Ahmed, S.E.M.; Faris, H. 2015. Redes neuronales y máquinas de vectores de soporte para índice de mercado de valores de predicción. International Journal of Advanced Research in Artificial Intelligence. IJARAI 4(7).

Vargas, J.E.; Zaragoza, L.; Delgado, J.V.; Rodríguez, G. 2017. Biodiversidad Caprina Iberoamericana. Ediciones Universidad Cooperativa de Colombia.

Vásquez, V.; Arteaga, P.; Chaname, K.; Esquivel, A. 2013. Modelamiento matemático y por redes neuronales artificiales del crecimiento de Spirulina sp. en fotobioreactor con fuente de luz fluorescente e iluminación en estado sólido. Scientia Agropecuaria 4(3): 199-209.

Vega, C.A.; Altamirano, M.; García, R.; Hernández, M.; Vite, C. 2017. Clasificador de carne de res usando redes neuronales. Revista Digital RIISDS 1(3): 49–59.




DOI: http://dx.doi.org/10.17268/agroind.sci.2018.02.13

Enlaces refback

  • No hay ningún enlace refback.


Indizada o resumida en:

  

 

      
  

 

 

 

 

 

   

 

Licencia de Creative Commons

Agroindustrial Science by Universidad Nacional de Trujillo is licensed under a Creative Commons Reconocimiento-NoComercial 3.0 Unported License.

ISSN: 2226-2989 (electrónico)

Dirección: Av Juan Pablo II s/n. Ciudad Universitaria. Facultad de Ciencias Agropecuarias. Universidad Nacional de Trujillo. Trujillo, Perú.
Contacto: agroind.science@unitru.edu.pe