基于机器学习的地方鸡产蛋曲线拟合探索

来源：中国畜牧兽医杂志2024年第8期北京时间：

作者：郭军, 曲亮, 邵丹, 窦套存, 王强, 李永峰, 王星果, 胡玉萍, 童海兵

单位：江苏省家禽科学研究所, 扬州 225125

摘要：【目的】本研究探索以机器学习方法对2个地方鸡品系周产蛋率建模,并将其与非线性回归方法比较,旨在提高养鸡生产中产蛋曲线的拟合精度。【方法】产蛋数据采集自地方鸡杂交组合试验群,自22周龄开始统计产蛋数,至50周龄截止。试验鸡于全封闭鸡舍单笼饲养,产蛋期人工补光16 h。试验鸡分为两组,每组150只鸡。第Ⅰ组是黄羽肉鸡合成系,第Ⅱ组是兼用型地方鸡种。以IBM SPSS Statistics 21.0软件中的非线性回归方法拟合产蛋曲线,所用模型包括Logistic模型、McNally模型、杨宁模型以及Grossman模型。以MATLAB R2014a构建机器学习模型,神经网络选用多层感知器,用300次迭代的拟牛顿法训练数据。以贝叶斯最小二乘支持向量机构建产蛋模型,针对正则项系数和核函数参数进行优化。【结果】依据MSE、R2、AIC评判标准,Grossman模型在4种非线性回归模型中拟合度最好,McNally模型表现最差。McNally模型预测的高峰产蛋率偏离真实值;Logistic模型、杨宁模型以及Grossman模型高峰产蛋率统计值与真实值基本相符。两组试验鸡的模型参数不同,Ⅱ组持续产蛋能力优于Ⅰ组。基于MSE、R2以及图形评估结果,神经网络优于传统的非线性方程拟合,而支持向量机略好于神经网络。优化后神经网络参数为2个隐藏层,每个隐藏层包含5个神经元。第Ⅰ组支持向量机的正则项系数为30.97,核参数为0.0701;第Ⅱ组支持向量机的正则项系数为566.53,核参数为0.1754.【结论】机器学习方法可用于产蛋模型构建,相比于传统单变量回归方法,机器学习方法可加入更多变量,提供更准确的预测。

关键词：人工神经网络;支持向量机;非线性回归;产蛋曲线;鸡

基金资助：科技创新2030—重大项目(2023ZD04052);江苏现代农业产业技术体系建设专项资金项目(JATS[2023]361);江苏省种业振兴揭榜挂帅项目(JBGS[2021]104);国家现代农业产业技术体系建设专项资金(CARS-40-K01)