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

• Callacná-Custodio, Miguel ^[1] ; Díaz-Huamanchumo, Joan ^[1] ; Vásquez-Villalobos, Victor ^[1]
  1. [1] Universidad Nacional de Trujillo

     Universidad Nacional de Trujillo

     Provincia de Trujillo, Perú

     
• Localización: Agroindustrial Science, ISSN-e 2226-2989, Vol. 8, Nº. 2, 2018 (Ejemplar dedicado a: Agroindustrial Science), págs. 167-175
• Idioma: español
• Títulos paralelos:
  • Prediction by artificial neuronal networks of Capra hircus body weight in semiextensive breeding
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    Objective of the present work was to predict by artificial neural networks (RNA) the body weight of goats in semiextensive breeding. Forty improved Creole goats were used from birth to six weeks of age. 80 % of the data was used to train the network and 20% to validate it. The type of RNA used was feedforward (FF), with Backpropagation (BP) training algorithm and weight adjustment Levenberg-Marquardt (LM), topology that presented the best result: 3 inputs, six linear outputs (purelin), hidden layer with 42 neurons, learning rate of 0,01, moment coefficient of 0,5, error goal of 0,0001 and 100 training stages. The average percentage error of the values predicted by the RNA was 7,51 and by the multiple regression of 7,80 there was no significant difference between both (p > 0,05). Likewise, the percentage of hits of the RNA was 50% and the multiple regression of 50%, showing in both cases a similar performance