基于机器学习的模型,模拟成长中的猪的能量分区模式,养不同净能量水平的食,基于机器学习
Yuansen Yang1, Qile Hu1, Li Wang2
1State Key Laboratory of Animal Nutrition and Feeding, Ministry of Agriculture and Rural Affairs Feed Indstry Centre, College of Animal Science and Technology, China Agricultural University, Beijing 100193, P.R. China.
Journal of animal science
|August 9, 2024
概括
机器学习模型准确地预测生长猪的净能量 (NE) 需求. 含有不同NE水平的饮食不会影响蛋白质保留,但会影响脂质保留,人工神经网络 (ANN) 显示出最好的预测性能.
科学领域:
- 动物营养和新陈代谢
- 机器学习在农业中的应用
- 猪生理学 猪生理学
背景情况:
- 精确估计净能量 (NE) 需求对于优化猪生长性能和料效率至关重要.
- 了解能量分离模式 (蛋白质与脂质沉积) 是完善营养策略的关键.
- 机器学习提供了新的方法来模拟复杂的生物过程,如能源利用.
研究的目的:
- 为了评估在养猪中能量分配模式,养猪的净能量 (NE) 水平各不相同.
- 开发和比较机器学习模型,用于预测生长猪的NE要求.
主要方法:
- 24只杂交被分配给低,中或高NE饮食.
- 收集了便和尿液的能量输出,以计算能量分配.
- 开发和测试了多重线性回归 (MR),人工神经网络 (ANN),k-最近邻居 (KNN) 和随机森林 (RF) 模型.
主要成果:
- 较低的NE饮食导致平均每日益和料摄入量减少,但料转化率增加.
- 在所有生长阶段,饮食中的NE水平并没有显著影响作为蛋白质保留的净能量 (NEp).
- 较高的NE饮食导致25至55公斤的生长猪中以脂质 (NEl) 形式保留的净能量增加.
- 人工神经网络 (ANN) 模型显示,与其他算法相比,NE摄入量,NEp和NEl的预测准确度更高 (最低RMSE,最高R2).
结论:
- 在测试范围内的饮食净能量度不会显著改变生长猪中的蛋白质沉积.
- 人工神经网络模型提供了一种强大而准确的方法来预测生长猪的净能源需求.
