Application of adaptive neuro-fuzzy inference systems to estimate digestible critical amino acid requirements in young broiler chicks
Notice bibliographique
Résumé
This study aimed to find the digestible lysine (d.Lys), digestible sulfur amino acids (d.SAA), and digestible threonine (d.Thr) requirements to optimize body weight gain (BWG) and feed conversion ratio (FCR) via adaptive neuro-fuzzy inference systems (ANFIS) using either the Genetic algorithm (ANFIS-GA) or Particle Swarm Optimization algorithm (ANFIS-PSO) in Cobb-500 chicks from 1 to 10 d of age. The range of amino acids was 90 to 115% of the recommendations for male Cobb-500 chicks. The estimated dietary d.Lys, d.SAA, and d.Thr requirements by ANFIS-GA and ANFIS-PSO to optimize BWG were the same and were 12.10, 8.98, and 7.89 g/kg, respectively. The optimum BWG predicted by ANFIS-GA and ANFIS-PSO were 270 and 266 g, respectively for the 1 to 10 d period. The estimated dietary requirements of d.Lys, d.SAA, and d.Thr to minimize FCR at 0.995 by ANFIS-GA were 12.10, 8.98, and 7.89 g/kg, respectively. Although the estimated d.Lys and d.SAA requirements by ANFIS-PSO and ANFIS-GA were identical, the predicted d.Thr requirement by ANFIS-PSO was 0.01 g/kg higher than by ANFIS-GA to minimize FCR at 0.963. Comparison of goodness of fit in term of root mean square error revealed that the ANFIS-GA prediction was more accurate than ANFIS-PSO. This study demonstrates that the hybrid methodology of ANFIS-GA is as an effective and accurate approach to modeling and optimizing nutrient requirements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».