基于机器学习方法预测母猪产仔数性状

为指导养猪生产者更好地预测母猪的产仔数性状,尽早淘汰繁殖力较差的母猪,提升母猪群体的繁殖潜力,对记录了母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数的生产数据进行处理和描述统计,使用R软件中的Boruta包筛选出影响母猪产仔数性状的重要特征如品种、胎次、配种季节等,利用传统回归分析方法(LR)和不同机器学习方法—决策树(decision tree,DT)、K近邻(K-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)对产仔数性状进行回归分析,最后比较机器学习方法与传统回归方法建模的优劣。结果显示,母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数不同回归分析方法的R~2均达到0.71以上(0.71～0.88),体现了特征选择的正确性;在预测母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数中SVM模型均显著优于其他机器学习模型(P0.05)并且要优于传统回归方法,而且在以上模型中预测1 kg以上仔猪数的SVM模型最优。因此,在今后的养猪生产中机器学习方法可能会成为养猪生产者早期选育高繁殖力母猪的一种新途径。     

基于机器学习方法的母猪高低产分类模型研究

为帮助猪场管理者更好地对母猪进行繁殖管理、预测母猪的高低产、及时淘汰低产母猪,收集和整理包含出生场地、分娩栏位、品种和不同胎次、初生窝重信息的3个母猪群体的生产数据集,制定母猪高低产的分类标准,使用R软件中的Boruta包筛选出影响母猪高低产的重要特征,使用4种不同的机器学习方法——逻辑回归(logistic regression, LOG)、决策树(decision tree, DT)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)构建母猪高低产的分类模型,并进行决策树视图分析探究影响母猪最高产的相关因素。结果显示:4种机器学习方法构建母猪高产分类模型的分类准确率均在71%左右,最高可达84%,并且发现SVM作为最佳建模方法在所有数据集和不同分类标准下出现的频率最高,其次是LOG和DT。决策树视图显示出生场地、品种和初生窝重是划分最高产母猪的重要叶节点,利用这些特征预测最高产母猪准确率可达73%～82%。以上结果表明在未来的养猪生产中,利用机器学习方法实现母猪高低产的早期预测将会是一个不错的选择。     

复方中药发酵饲料对猪生长性能、血清指标及屠宰性能的影响

试验旨在探究复方中药发酵饲料对猪生长性能、血清免疫指标、血清抗氧化指标及屠宰性能的影响。选择体质健康、体重在7～8 kg、28日龄的杜长大三元母猪914头,随机均分两组,每组12个重复,每个重复38头猪。对照组猪饲喂基础日粮,试验组猪饲喂基础日粮+1%复方中药发酵料。试验期164 d。结果显示：与对照组相比,试验组猪末重提高了2.63%,平均日增重提高了3.09%,平均日采食量降低了2.68%,料重比降低了5.6%,腹泻率降低了30.95%,差异均不显著（P>0.05）。与对照组相比,试验组猪血清免疫球蛋白G (IgG)、γ干扰素（INF-γ）含量分别提高15.26%和7.28%,α干扰素（INF-α）含量降低0.08%,但差异均不显著（P>0.05）。与对照组相比,试验组猪血清超氧化物歧化酶（SOD）和谷胱甘肽过氧化物酶（GSH-Px）的活性分别提高8.19%和0.95%,丙二醛（MDA）含量降低5.69%,但差异均不显著（P>0.05）。与对照组相比,试验组宰前活重提高了8.5 kg,体高、体长、胸围分别提高了11、2、11 cm,平均背膘厚降低了5.4 mm。与...