252 (Dic) pp 475-629
251 (Sep) pp 289-473
250 (Jun) pp 107-288
249 (Mar) pp 1-106
Revisiones (Dic)
248 (Dic) pp 311-455
247 (Sep) pp 199-310
246 (Jun) pp 93-198
245 (Mar) pp 1-92
Revisiones (Dic)
244 (Dic) pp 563-700
243 (Sep) pp 397-562
242 (Jun)
241 (Mar)
Revisiones-Reviews
240 (Dic) pp 477-636
239 (Sep) pp 319-476
238 (Jun) pp 159-318
237 (Mar) pp 1-158
Revisiones
236 (Dic)
235 (Sep)
234 (Jun) pp 161-320
233 (Mar)
Revisiones-Reviews
232 (Dic) pp 839-1354
231 (Sep) pp 319-836
230 (Jun) pp 161-318
229 (Mar) pp 1-160
Revisiones-Reviews
228 (Dic) pp 477-636
227 (Sep) pp 319-476
226 (Jun) pp 159-318
225 (Mar) pp 1-158
Revisiones (Mar)
224 (Dic) pp 635-792
223 (Sep) pp 321-478
Suplemento 1 (Dic) pp 479-632
222 (Jun) pp 161-320
221 (Mar) pp 1-160
Revisiones-Reviews
220 (Dic) pp 389-578
219 (Sep) pp 291-388
218 (Jun) pp 99-290
217 (Mar) pp 3-98
Revisiones-Reviews
Suplemento 1 (Dic) pp 377-794
216 (Dic) pp 805-1006
215 (Sep) pp 275-366
214 (Jun) pp 101-272
213 (Mar) pp 1-100
Revisiones-Reviews
212 (Dic) pp 325-424
211 (Sep) pp 225-236
210 (Jun) pp 125-224
209 (Mar) pp 1-124
Revisiones-Reviews
208 (Dic) pp 585-708
206 (Sep) pp 123-574
205 (Mar) pp 1-121
204 (Dic) pp 357-474
203 (Sep) pp 237-356
202 (Jun) pp 117-236
201 (Mar) pp 1-116
200 (Dic) pp 417-494
199 (Sep) pp 291-416
198 (Jun) pp 125-289
197 (Mar) pp 1-124
196 (Dic) pp 411-484
195 (Sep) pp 291-410
193 (Jun) pp 1-290
192 (Dic) pp 435-628
191 (Sep) pp 311-434
189 (Jun) pp 1-310
188 (Dic) pp 434-512
187 (Sep) pp 311-433
185-186 (Jun) pp 1-308
184 (Dic) pp 371-448
183 (Sep) pp 249-370
182 (Jun) pp 123-248
181 (Mar) pp 1-122
180 (Dic) pp 597-679
178-179 (Sep) pp 129-596
177 (Mar) pp 1-128
176 (Dic) pp 293-424
175 (Sep) pp 197-292
174 (Jun) pp 105-196
173 (Mar) pp 1-102
172 (Dic) pp 377-488
170-171 (Sep) pp 97-376
169 (Dic) pp 3-95
168 (Dic) pp 369-470
166-167 (Sep) pp 97-368
165 (Mar) pp 1-96
164 (Dic) pp 305-403
163 (Sep) pp 201-302
162 (Jun) pp 105-195
161 (Mar) pp 3-102
160 (Dic) pp 401-508
159 (Dic) pp 301-396
158 (Sep) pp 203-300
157 (Jun) pp 105-200
156 (Mar) pp 3-100
155 (Dic) pp 605-710
154 (Sep) pp 303-603
153 (Sep) pp 195-302
152 (Jun) pp 101-194
151 (Mar) pp 1-100
149 (Dic) pp 315-412
148 (Sep) pp 207-314
147 (Jun) pp 101-209
146 (Mar) pp 1-100
145 (Sep) pp 219-330
144 (Jun) pp 107-218
143 (Mar) pp 1-106
142 (Sep) pp 209-332
141 (Jun) pp 105-210
140 (Mar) pp 1-106
139 (Sep) pp 203-326
138 (Jun) pp 103-204
137 (Mar) pp 1-106
136 (Sep) pp 203-370
135 (Jun) pp 107-204
134 (Mar) pp 1-108
133 (Sep) pp 209-332
132 (Jun) pp 103-209
131 (Mar) pp 1-102
130 (Sep) pp 209-333
129 (Jun) pp 107-208
128 (Mar) pp 1-106
127 (Sep) pp 203-331
126 (Jun) pp 109-201
125 (Mar) pp 1-106
124 (Sep) pp 205-329
123 (Jun) pp 109-202
122 (Mar) pp 1-108
121 (Sep) pp 217-330
120 (Jun) pp 113-216
119 (Mar) pp 1-108
118 (Sep) pp 215-330
117 (Jun) pp 107-211
116 (Mar) pp 1-105
115 (Sep) pp 213-330
114 (Jun) pp 105-212
113 (Mar) pp 1-104
112 (Dic) pp 299-400
111 (Sep) pp 199-298
110 (Jun) pp 103-197
109 (Mar) pp 1-101
108 (Dic) pp 301-399
107 (Sep) pp 205-299
106 (Jun) pp 103-204
105 (Mar) pp 1-102
104 (Dic) pp 309-407
103 (Sep) pp 119-308
102 (Jun) pp 113-217
101 (Mar) pp 1-110
100 (Dic) pp 307-403
99 (Sep) pp 201-306
98 (Jun) pp 109-200
97 (Mar) pp 1-108
95-96 (Sep) pp 209-301
94 (Jun) pp 109-207
93 (Mar) pp 1-108
41 (Mar) pp 1-100
Arch. Zootec. 60:  1271-1279. 2011.    Descargas 1650
 
PREDIçãO DOS FRACIONAMENTOS DE PROTEíNAS DE BRACHIARIA BRIZANTHA CV MARANDU UTILIZANDO RNA
PREDICTION OF PROTEIN FRACTIONING OF BRACHIARIA BRIZANTHA CV MARANDU THROUGH ARTIFICIAL NEURAL NETWORKS

Brennecke, K.1, Tech, A.R.B.2*, Arce, A.I.C.2A, Luz, P.H.C.2B, Herling, V.R.2C e Costa, E.J.X.2D

1Mestrado Stricto-Senso em Produção Animal. UNICASTELO Campus Descalvado. São Paulo. Brasil. katheryb@usp.br
2ZAB-FZEA. University of São Paulo. Pirassununga, SP. Brazil. *adriano.tech@usp.br, Aacaid@usp.br, Bphcerluz@usp.br, Cvrherlin@usp.br, Dernane@usp.br

Palavras chave adicionais
Forragicultura.
 
Additional keywords
Forage.
 
Resumo
Este artigo tem como objetivo relacionar variáveis morfogenéticas da forragem e dados climáticos com as frações de proteínas (A, B1, B2, B3 e C), através da rede neural aritifical conhecida como Multi-Layer Perceptron, com três camadas e algoritmo de treinamento baseado na retro-propagação do gradiente do erro, a fim de criar um modelo capaz de predizer as frações protéicas de forragens a partir de suas características morfogenéticas e climáticas. Os dados utilizados para o treinamento e teste da rede foram coletados em um experimento que foi realizado em uma área experimental de 25,2 ha, com coordenadas 47º 26" W, 21º 59" S, formada com capim braquiarão, em um delineamento em blocos completos e casualizados, com 4 repetições e uma oferta de forragem de 5% (5 kg de massa seca por 100 kg de peso animal.dia-1). Cada bloco foi dividido em quatro unidades experimentais de 1,575 ha, com cinco piquetes de 0,315 ha cada. As amostras foram colhidas dois dias antes da entrada dos animais, sendo a análise das frações de proteínas realizadas em laboratório para posteriormente serem comparadas com os valores estimados pela rede. Assim, através da comparação entre os dados de saída da rede e os obtidos pela análise laboratorial foi possível calcular o erro médio para as frações A, B1, B2, B3 e C de proteínas e com isso, pode-se concluir que o modelo MLP é capaz de predizer com eficiência as frações de proteínas de Brachiaria brizantha.
 
Summary
This paper aims to connect morphogenetic variables of forage and climatic data, with protein fractions (A, B1, B2, B3 and C) through the artificial neural networks known as Multi-Layer Perceptron, with three layers and algorithm training based on back-propagation of error gradient, in order to create a model to predict the protein fractions of fodder from their morphogenetic characteristics and climate. The data used for training and the test were collected in an experiment that was conducted on a 25.2 ha experimental area, located at 47º26"W, 21º59"S, and with pasture composed of Brachiaria brizantha cv Marandu, in a completely randomized block, with four replicates and a forage allowance of 5% (5 kg of dry matter per 100 kg animal.day-1). Each block was divided into four experimental units of 1.575 ha, with five paddocks of 0.315 ha each. Samples were taken two days before the entry of animals, protein was analysed at laboratory to subsequently be compared with the values estimated by the network. Thus, by comparing the output of the network and those obtained by laboratory analysis, it was possible to calculate the average error for fractions A, B1, B2, B3 and C proteins and, thus, can be concluded that the model MLP is able to efficiently predict protein fractions of Brachiaria brizantha.
 
Arch. Zootec. 60:  1271-1279. 2011.    Descargas 1650
     
         
Patrocinador: e-revistas   Patrocinador: DOAJ
         
Patrocinador: Fundación Unicaja   Patrocinador: Asociación Iberoamericana de Zootecnia
         
Visitante Nº   6427841
   ©  A r c h i v o s  d e  Z o o t e c n i a