dr in¿.Aleksander JÊDRUŒ, prof. dr hab. in¿. Piotr BONIECKI
Uniwersytet Przyrodniczy w Poznaniu, Instytut In¿ynierii Biosystemów e-mail: aljed@up.poznan.pl
Streszczenie
Celem pracy by³o wykorzystanie SNN jako narzêdzia predykcyjnego w procesie oceny wp³ywu wybranych czynników, w tym okreœlonych cech zootechnicznych krów, na masê mleka æwiartkowego krów wysokowydajnych. Optymaln¹ SSN okaza³a siê sieæ typu GRNN (Generalized Regression Neural Network).Przeprowadzona analiza wra¿liwoœci wygenerowanego modelu neuronowego na poszczególne zmienne wejœciowe wykaza³a istotny wp³yw wybranych cech zootechnicznych oraz rodzaju æwiartki wymienia krowy na masê wydajnego mleka æwiartkowego.
: model neuronowy, krowy, mleko æwiartkowe S³owa kluczowe
ANALIZA NEURONOWA WYBRANYCH
PARAMETRÓW ZDOLNOŒCI WYDOJOWEJ KRÓW
WYSOKOWYDAJNYCH
Wprowadzenie
Cel pracy
Procesy biologiczne charakteryzuj¹ siê du¿¹ z³o¿onoœci¹, matematyczn¹ nieliniowoœci¹ oraz trudnymi do okreœlenia wspó³zale¿noœciami pomiêdzy czynnikami wp³ywaj¹cymi na ich przebieg. Fakt ten ma istotne znaczenie podczas identyfikacji parametrów reprezentatywnych zachodz¹cych procesów, których znajomoœæ jest istotna w podczas analizy struktury oraz dynamiki badanych zjawisk biologicznych. Jednym z efektywnych narzêdzi, pomocnych w rozwi¹zaniu omawianych problemów, s¹ SSN (Sztuczne Sieci Neuronowe) [9]. S¹ one u¿yteczne w badaniach z³o¿onych systemów empirycznych i coraz czêœciej wykorzystywane s¹ do modelo-wania procesów zachodz¹cych w szeroko pojêtej in¿ynierii rolniczej [2, 3, 12], w tym w in¿ynierii produkcji zwierzêcej [4, 7, 8]. Wraz z rozwojem nowoczesnych technologii informa-tycznych obszar ich potencjalnych zastosowañ wyraŸnie siê poszerza. Wa¿n¹ zalet¹ SSN jest równie¿ zdolnoœæ do przetwa-rzania informacji w sposób równoleg³y oraz rozproszony. Fakt ten implikuje odpornoœæ tworzonych modeli neuronowych na uszkodzone i zaszumiane dane, które czêsto wystêpuj¹ w po-staci danych empirycznych pojawiaj¹cych siê podczas badañ z³o¿onych procesów biologicznych [13].
Równomiernoœæ rozdzia³u mleka w æwiartkach krów jest jednym z parametrów oceny zdolnoœci wydojowej krów. Zbli-¿ona iloœæ mleka w æwiartkach oraz zbli¿ony czas oddawania mleka z poszczególnych æwiartek pozwalaj¹ unikn¹æ wystêpowaniu pustodoju, zjawiska bardzo szkodliwego dla wymienia [5, 10]. Jednym z istotnym problemów badawczych jest okreœlenie czynników wp³ywaj¹cych na równomiernoœæ rozdzia³u mleka w wymionach krów [10]. Jest to problem s³abo rozpoznany w literaturze, i jak dotychczas nie by³ rozpatry-wany z u¿yciem sztucznych sieci neuronowych (SSN).
Celem pracy by³o dokonanie oceny wp³ywu wybranych czynników, w tym okreœlonych cech zootechnicznych krów, na masê mleka æwiartkowego pozyskiwanego od krów wysoko-wydajnych. W tym celu wykorzystano znane w³aœciwoœci predykcyjne wygenerowanych topologii SNN. Analizy neuronowe przeprowadzono na podstawie wyników badañ oborowych przeprowadzonych w gospodarstwie w woje-wództwie Wielkopolskim, z wykorzystaniem czteroæwiartko-wej dojarki z elektroniczn¹ rejestracj¹ przebiegów dojów [6].
Materia³ i metody
Wyniki badañ
W celu przeprowadzenia symulacyjnego eksperymentu komputerowego, maj¹cego na wzglêdzie ocenê wp³ywu branych cech fizjologicznych i zootechnicznych krów na wy-brane parametry zdolnoœci wydojowej krów, wykorzystano symulator jednokierunkowych sieci neuronowych zaimple-mentowany w pakiecie Statistica v.9.0 firmy StatSoft [14].
Zbiór danych empirycznych sk³ada³ siê 596 przypadków (niezale¿nych pomiarów) podzielonych standardowo na 289 przypadków ucz¹cych, 149 przypadków walidacyjnych oraz 149 przypadków testowych, które nie bior¹ udzia³u w procesie optymalizacji wag SSN (Sztucznej Sieci Neuronowej) w trak-cie jej uczenia. W analizach przyjêto 5 cech reprezentatywnych (informacje o wybranych cechach krów uzyskano z kart zoo-technicznych krów udostêpnionych w gospodarstwie):
• rodzaj æwiartki (dyskretna zmienna liczbowa), • pora doju (2-stanowa zmienna nominalna), • wiek krowy (ci¹g³a zmienna liczbowa), • liczba laktacji (dyskretna zmienna liczbowa), • dzieñ laktacji (ci¹g³a zmienna liczbowa).
Zmienn¹ wejœciow¹ SSN stanowi³a 1 zmienna (poszuki-wana cecha): masa mleka wydojonego z poszczególnych æwiartek wymion grupy badawczej krów. Fragment zbioru ucz¹cego przedstawiono na rys. 1.
Wygenerowano zbiór 30 SSN, z których system wskaza³ sieæ optymaln¹. Optymaln¹ SSN okaza³a siê sieæ typu GRNN
( ) o strukturze
przedstawionej na rys. 2.
Rys. 1. Fragment zbioru ucz¹cego. ród³o: badania w³asne Fig. 1. Part of training data set. Source: own research
Generalized Regression Neural Network
TECHNIKA ROLNICZA OGRODNICZA LEŒNA 1/2014 24
TECHNIKA ROLNICZA OGRODNICZA LEŒNA 1/2014 Rys. 2. Struktura wygenerowane sztucznej sieci neuronowej typu GRNN. ród³o: badania w³asne
Fig. 2. Structure of neural network GRNN type. Source: own research
Rys. 3. Wartoœci b³êdów ilorazów okreœlaj¹cych wra¿liwoœæ sieci neuronowej. ród³o: badania w³asne
Fig. 3. The values of error ratio determining neural network sensitivity. Source: own research
GRNN to sieci realizuj¹ce regresjê uogólnion¹. W celu zrealizowania regresji ten rodzaj sieci neuronowych korzysta z metody aproksymacji j¹drowej. Jest to jeden z typów sieci bayesowskiej [1, 11]. Jakoœæ wygenerowanej sieci mo¿na oce-niæ pozytywnie. Przeprowadzona standardowa procedura sza-cowania poziomu istotnoœci poszczególnych zmiennych wej-œciowych na jakoœæ dzia³ania SSN zaimplementowana w pakie-cie Statistica nosi nazwê analizy wra¿liwoœci wygenerowanej SSN na zmienne wejœciowe. Wyniki pokazano na rys. 3.
Poziom istotnoœci cech reprezentatywnych przyjêtych jako zmienne wejœciowe dla wygenerowanej SSN typu GRNN jest nastêpuj¹cy (ranga od 1 do 5): 1 - dzieñ laktacji, 2 - rodzaj æwiartki, 3 - wiek krowy, 4 - liczba laktacji, 5 - pora doju. Jak podaje Kula [10] wp³yw na równomiernoœæ rozdzia³u mleka w wymionach krów ma rodzaj æwiartki (p³aty tylne produkuj¹ wiêcej mleka ni¿ przednie), prawdopodobnie rasa krów, z kolei wp³yw dnia laktacji i kolejnych wycieleñ nie jest jednoznaczny. Uzyskane w pracy wyniki badañ mog¹ byæ wstêpem do nowej interpretacji wp³ywu wybranych czynników fizjologicznych i zootechnicznych na wybrane parametry zdolnoœci wydojowej
krów, w tym na równomiernoœæ rozdzia³u mleka w gruczo³ach mlekowych krów. W Instytucie In¿ynierii Biosystemów Uni-wersytetu Przyrodniczego w Poznaniu opracowano nowo-czesn¹ dojarkê czteroæwiartkow¹ z elektroniczn¹ rejestracj¹ przebiegów doju krów [6].
1. Optymalnym modelem neuronowym do predykcji masy mleka pozyskiwanego z poszczególnych æwiartek wymion krów jest sieæ typu GRNN.
2. Przeprowadzona analiza wra¿liwoœci wytworzonego modelu neuronowego wykaza³a istotny wp³yw wybranych cech fizjologicznych i zootechnicznych krów na pozyskiwan¹ w czasie dojów masê mleka æwiartkowego. Cechami dominu-j¹cymi okaza³y siê: „dzieñ laktacji” oraz „rodzaj æwiartki”.
Wnioski
Bibliografia
[1] Bishop C.: Neural Networks for Pattern Recognition. Oxford University Press, New York, NY, USA. 1995. ISBN: 0198538642.
[2] Boniecki P., Dach J., Pilarski K., Piekarska-Boniecka H.: Artificial neural networks in modeling process of emission of ammonia during composting sewage.Atmospheric Environment (AE), 2012, 57: 49-54.
[3] Boniecki P., Dach J., Mueller W., Koszela K., Przyby³ J., Pilarski K., Olszewski T.: Neural prediction of heat loss in the pig manure composting process.Applied Thermal Engineering, 2013, 58: 650-655.
[4] Boniecki P., Jêdruœ A., Ni¿ewski P.: Neuronowy system informatyczny wspomagaj¹cy proces prognozowania masy mleka uzyskanego podczas doju. Technika Rolnicza Ogrodnicza Leœna, 2007, 5: 15-18.
[5] Jêdruœ A.: Zapobieganie pustodojom w czasie doju mechanicznego krów. Materia³y XVIII Szko³y Zimowej Hodowców Byd³a „Znaczenie hodowli i produkcji bydlêcej dla gospodarki narodowej”, Zakopane, 8-12 marca 2010 r.: 45-53.
[6] Jêdruœ A.: Ocena zastosowania nowej konstrukcji dojarki czteroæwiartkowej do okreœlania wybranych parametrów zdolnoœci wydojowej krów. In¿ynieria Rolnicza, 2011, nr 9 (134): 81-86.
[7] Jêdruœ A., Boniecki P.: The neural analysis of quarters healthiness of high yield cows in selected cowshed. Journal of Research and Applications in Agricultural Engineering, 2013, vol. 58 (2): 55-57.
[8] Jêdruœ A., Ni¿ewski P., Lipiñski M., Boniecki P.: Neuronowa analiza wp³ywu sposobu doju i wybranych cech zootechnicznych krów na liczbê komórek somatycznych w mleku. Technika Rolnicza Ogrodnicza Leœna, 2008, 4: 22-24.
[9] Kosiñski R.: Sztuczne sieci neuronowe. Dynamika nieliniowa i chaos. Wydawnictwo Naukowo-Techniczne, Warszawa, 2002.
ISBN: 978-83-204-3487-3.
[10] Kula A.: Zdolnoœæ wydojowa w selekcji byd³a w œwietle literatury. Biuletyn Informacyjny Instytutu Zootechniki, 1970, 8: 31-62.
[11] Speckt D.F.: A Generalized Regression Neural Network. IEEE Transactions on Neural Networks, 1991, 2 (6): 568-576.
[12] Œlósarz P., Stanisz M., Boniecki P., PrzybylakA., Lisiak D., LudwiczakA.: Artificial neural network analysis of ultrasound image for the estimation of intramuscular fat content in lamb muscle. African Journal of Biotechnology, 2011, vol. 10(55): 11792-11796.
[13] Tadeusiewicz R.: Elementarne wprowadzenie do technik sieci neuro-nowych z przyk³adowymi programami. Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1998. ISBN: 87-7101-400-7.
[14] Wójtowicz P.: Polska wersja StatisticaNeural Networks. StatSoft Polska, Kraków.
THE NEURAL ANALYSIS OF SELECTED PARAMETERS OF MILKING CAPACITY FOR
HIGH-YIELD COWS
Summary
The aim of the study was ANN application as a predictive tool in the estimation process of the influence of selected factors, including particular zootechnical characteristics of cows, on the mass of quarter milk for high yield cows. The Generalized Regression Neural Network (GRNN) proved optimal type of ANN. The performed analysis of the generated neural model's sensitivity to the individual input variables showed the impact of some of the zootechnical characteristics and type of udder quarter on the mass of the obtained quarter milk.
: neural model, cows, quarter milk Key words
Pracê zrealizowano w ramach projektu badawczego MNiSW nr N N313 444937 „Wp³yw pulsacji æwiartkowej sterowanej automatycznie na przebiegi koñcowych faz dojów krów”.
