Redes neurais artificiais e análise discriminante linear como alternativas para seleção entre famílias de cana-de-açúcar

• Main Author: Moreira, édimo Fernando Alves
• Other Authors: Barbosa, Marcio Henrique Pereira
• Format: Others
• Language: Portuguese
• Published: Universidade Federal de Viçosa 2015
• Subjects: Melhoramento de plantas; Saccharum spp.; Inteligência artificial; Plant breeding; Saccharum spp .; Artificial intelligence; CNPQ::CIENCIAS AGRARIAS
• Online Access: http://locus.ufv.br/handle/123456789/4075

Made available in DSpace on 2015-03-26T13:32:21Z (GMT). No. of bitstreams: 1 texto completo.pdf: 661707 bytes, checksum: b50c5898392ff7712425e7681b124427 (MD5) Previous issue date: 2014-02-25 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior === One of the challenges in breeding of cane sugar programs is the efficient selection of genotypes in the early stages. This challenge arises from the large number of genotypes evaluated and the operational difficulty of weighing all the main plots, required in the main selection methods. The objective of this study is to compare the modeling by artificial neural networks, Fisher s linear discriminant analysis and the selection of families above the overall average for the variable ton of cane per hectare estimated (TCHe) as alternatives for selecting promising families in cane sugar based on indirect character number of stalk (NC), stalk diameter (DC) and stalk height (AC). First was done the analysis for modelling for neural networks in 4 different scenarios (with simulation and standardization of variables; with simulation and without standardization of variables; without simulation and with standardization of variables; without simulation and without standardization of variables). The worst results occur in scenario 4, without standardization and without simulation and the best results occurred in scenario 1, where the variables were standardized and were simulated values of DC, NC, AC and TCHr to 1,000 families. Subsequently, the modeling was done through discriminant analysis in the best scenario, ie, that where there was simulation, and standardization of input variables. To evaluate the methods, neural networks, linear discriminant analysis and selection for TCHe, will be used the apparent error rate (TEA) and one error rate (TE1) obtained for matrix confusion. The simulation and standardization improve the performance of neural network models. The modeling via neural networks and discriminant analysis provide best results when compared to commonly used strategy, which is based on the estimation of the variable ton of cane per hectare. Comparing the models of neural networks with discriminant analysis, neural network gives better results. === Esse desafio advém da grande quantidade de genótipos avaliados e da dificuldade operacional da pesagem das parcelas do experimento, necessária nos principais métodos de seleção. O objetivo deste trabalho é comparar a modelagem por redes neurais, a análise discriminante linear de Fisher e a seleção de famílias usando a variável tonelada de cana por hectare estimada (TCHe) como alternativas para seleção de famílias promissoras em cana-de- açúcar com base nos caracteres indiretos número de colmos (NC), diâmetro de colmos (DC) e altura de colmos (AC). Incialmente foi feita a modelagem via redes neurais em 4 diferentes cenários: com simulação e com padronização das variáveis; com simulação e sem padronização das variáveis ; sem simulação e com padronização das variáveis; e sem simulação e sem padronização das variáveis. Os piores resultados ocorreram no cenário 4, sem padronização e sem simulação e os melhores ocorreram no cenário 1, onde as variáveis foram padronizadas e foram simulados valores de DC, NC, AC e TCHR para 1000 famílias. Posteriormente, foi feita a modelagem via análise discriminante no melhor cenário, ou seja, naquele onde houve simulação e padronização das variáveis de entrada. Para avaliação dos métodos redes neurais, análise discriminante e seleção via TCHe - foi utilizada a taxa de erro aparente (TEA) e a taxa de erro 1 (TE1) obtidas a partir da matriz de confusão. A simulação e a padronização melhoram o desempenho das redes neurais. A modelagem via redes neurais artificiais e a análise discriminante linear de Fisher fornecem melhores resultados quando comparadas a estratégia usualmente utilizada, que é baseada na estimação da variável tonelada de cana por hectare. Comparando os modelos de redes neurais com a análise discriminante, a rede neural fornece melhores resultados.