Inteligência Computacional para Estimação dos Requerimentos Energéticos em Gado Bovino

Abstract

Resumo. Este trabalho propõe a utilização de técnicas computacionais baseadas em Inteligência Computacional (IC) para a estimação dos requerimentos energéticos em gado bovino. As técnicas abordadas são: Redes Neurais Perceptron Multicamadas (MLP) e Sistemas de Inferência Neuro-Fuzzy Adaptativos (ANFIS). Ambas técnicas foram utilizadas para a estimação da Energia Metabolizável Ingerida (MEI) a partir de um banco de dados de 840 animais. Os parâmetros utilizados para a modelagem foram: gênero, raça, sistema de alimentação, peso corporal vazio médio (AEBW) e ganho de corpo vazio (EBG). Para os modelos MLP foram utilizadas arquiteturas contendo uma ou duas camadas escondidas com um número máximo de neurônios em cada camada de 10. Para a elaboração dos modelos ANFIS, foram utilizadas duas técnicas de clusterização, Fuzzy C-Means (ANFIS-FCM) e Clusterização Subtrativa (ANFIS-SC), que foram responsáveis pela geração do Sistema de Inferência Fuzzy (FIS) inicial, posteriormente reestruturado para a arquitetura ANFIS. Os modelos MLP obtiveram correlação média superior a 80%, enquanto os modelos ANFIS obtiveram resultados da ordem de 74%. A técnica MLP supera a abordagem clássica para a estimação da MEI, baseada em regressão linear múltipla (MLR). As técnicas de IC se mostraram promissoras e boas alternativas aos modelos comumente usados.