基于人工神经网络和非线性回归的洛里羊生长建模

《Tropical Animal Health and Production》：Growth modeling of Lori sheep using artificial neural networks and nonlinear regression

　　

摘要

本研究采用两种建模方法评估Lori羊的生长性能：传统非线性回归和人工神经网络（ANNs）。研究按月收集了210只羔羊从出生到六个月龄期间的体重数据。六种非线性生长模型（包括Brody、von Bertalanffy、Gompertz、Logistic、Verhulst和负指数模型）与两种神经网络架构（多层感知机MLP和径向基函数RBF）进行了比较。模型性能通过决定系数（R2）、均方根误差（RMSE）、赤池信息准则（AIC）以及观测值与预测值之间的相关性进行评估。在非线线性模型中，Brody函数拟合效果最佳，准确捕捉了S型生长行为，并提供了具有生物学意义的可解释参数，如有限重（A）和成熟率（k）。公羊表现出比母羊更高的生长速率和渐近体重，表明存在性别二态性。生长速度早期达到峰值后随年龄增长而下降，与生理发育规律一致。人工神经网络实现了高预测精度，相关系数超过0.996。尽管这些模型能有效捕捉非线性生长动态，但由于其可解释性和易用性，传统模型在农场环境中仍然更受青睐。Brody模型也证明了利用早期体重数据预测后期活体重的可靠性，为营养规划、健康监测和育种选择提供了改进的决策支持。对于专注于生长曲线监测的应用，神经网络提供了一种实用的替代方案，能够自动化评估并提供准确见解，无需统计学专业知识。将有生物学基础的模型与机器学习技术相结合，可提高预测准确性和牲畜管理水平。未来研究应探索混合建模框架，并纳入环境和营养变量，以进一步优化生长预测。