عنوان پایان‌نامه
برازش منحنی رشد با استفاده از معادلات مختلط غیر خطی در بلدرچین ژاپنی
- رشته تحصیلی
- مهندسی کشاورزی - علوم دامی - اصلاح نژاد دام
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73751;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6820;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73751;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6820
- تاریخ دفاع
- ۲۶ بهمن ۱۳۹۴
- دانشجو
- میثم بشیری
- استاد راهنما
- سیدرضا میرائی آشتیانی
- چکیده
- این مطالعه به منظور بررسی قابلیت ها و مزیت های مدل های غیرخطی و غیرخطی مختلط در توصیف و بررسی الگوی رشد بلدرچین ژاپنی انجام شده است. در این تحقیق اطلاعات رشد لاین های مختلف بلدرچین اعم از لاین سنگین وزن(HW)، سبک وزن(LW) و شاهد استفاده شد. به منظور بررسی و توصیف الگوی رشد بلدرچین های سه گروه، از سه مدل رشد لجستیک، گمپرتز و ریچارد هم به صورت غیرخطی و هم به صورت غیرخطی مختلط استفاده شد و این مدل¬ها با سه معیار ضریب تعیین(R2)، میانگین مربعات خطا(MSE) و معیار اطلاعات آکایک(AIC) با یکدیگر مقایسه شدند. معیار ضریب تعیین(R2)، برای سه مدل لجستیک، گمپرتز و ریچارد غیر خطی به ترتیب 954/0، 957/0 و 951/0 بدست آمد، همچنین میانگین مربعات خطا(MSE) برای هر سه مدل به ترتیب 034/74، 56/72 و 73/72 بدست آمد و معیار اطلاعات آکایک(AIC) به ترتیب برای هر سه مدل 65829، 65307 و 65349 بدست آمد. همچنین معیار ضریب تعیین(R2)، برای سه مدل لجستیک گمپرتز و ریچارد غیر خطی مختلط به ترتیب 976/0، 978/0 و 978/0 بدست آمد، همچنین میانگین مربعات خطا(MSE) برای هر سه مدل به ترتیب 4/33، 658/31 و 849/31 بدست آمد و معیار اطلاعات آکایک(AIC) برای هر سه مدل 61449، 60641 و 60591 بدست آمد که مدل های غیرخطی مختلط به دلیل بالاتر بودن دقت و کمتر بودن خطا نسبت به مدل های غیرخطی برتری اندکی داشتند. نتایج حاصل نشان می دهد که مدل رشد ریچارد غیر خطی مختلط با داشتن بالاترین دقت و کمترین خطا بهتر از سایر مدل ها می تواند رشد را در بلدرچین ژاپنی پیش بینی کند. همچنین در میان مدل های غیرخطی مدل گمپرتز برازش بهتری داشت. در بین توابع مدل لجستیک به دلیل کمتر بودن دقت و بیشتر بودن خطا توصیف ضعیف تری از منحنی رشد دارد. بطور کلی می توان گفت که پارامترهای برآورد شده توسط توابع مورد بررسی در این تحقیق تفاوت زیادی با هم ندارند.
- Abstract
- This study aimed to evaluate the capabilities and advantages of non-linear and non-linear mixed models to describe and evaluate the of growth pattern of Japanese quail. In this study we the growth data of used high weight (HW), low weight (LW) and the control lines of Japanese quail. In order to assess and describe the growth pattern of quail three groups of three growth models including logistic, Gompertz and Richard's both non-linear and nonlinear mixed models in with were fitted to the data for evalution of models three criteria including coefficient of determination (R2), mean square error (MSE) and Akaike's information criterion (AIC) were employed compared the models each other. values the coefficient of determination (R2), for the three models logistic, Gompertz and Richard's nonlinear, 0/954, 0/957 and 0/951 respectively, the mean square error (MSE) for all three models 74/034, 72/56 and 72/73 respectively, and Akaike's information criterion (AIC) in order for all three models 65829, 65307 and 65349 respectively was obtained. Also values the coefficient of determination (R2), for the three models logistic, Gompertz and Richards non-linear mixed models, 0/976, 0/978 and 0/978 respectively, the mean square error (MSE) for all three models 33/4, 31/658 and 31/849 respectively and Akaike's information criterion (AIC) for all three models 61449, 60641 and 60591 were nonlinear mixed models higher accuracy and fewer errors lead to nonlinear models had little . These results show that the non-linear mixed models growth with the highest accuracy and lowest error Richard better than other models could predict growth in the Japanese quail. Also among non-linear models Gompertz model was a better fit. Among the functions logistic model because of the lower accuracy and higher error of weaker growth curve is described. In general it can be said that the parameters determined by the functions examined in this study are not much different to each other. Keywords: non-linear mixed models, logistic model, Richard model, Gompertz model, growth curve
