Use este identificador para citar ou linkar para este item: https://locus.ufv.br//handle/123456789/4079
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorSilva, Gabi Nunes
dc.date.accessioned2015-03-26T13:32:22Z-
dc.date.available2014-09-18
dc.date.available2015-03-26T13:32:22Z-
dc.date.issued2014-02-27
dc.identifier.citationSILVA, Gabi Nunes. Artificial neural networks: a new paradigm for predicting genetic values. 2014. 106 f. Dissertação (Mestrado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa, 2014.por
dc.identifier.urihttp://locus.ufv.br/handle/123456789/4079-
dc.description.abstractAté então, as formas de aumentar o ganho por seleção tem sido apontadas pelas diferentes estratégias preconizadas nos métodos de melhoramento, ou pela utilização dos princípios básicos da experimentação, ou ainda recorrer a modelos biométricos que buscam parametrizar as influências tanto genotípicas quanto ambientais. Assim, no que se refere aos métodos de genética e estatística utilizados para seleção de genótipos superiores, destacam-se os métodos derivados da teoria de seleção direta, seleção indireta e por índice de seleção, o método de seleção combinada e o método REML-BLUP, dentre outros. Apesar das diversas metodologias disponíveis para a seleção de genótipos superiores, ainda é comum e necessário praticar seleção de indivíduos em relação a características com baixa confiabilidade de predição do valor genotípico a partir de um valor fenotípico dado pela média fenotípica corrigida ou ajustada em função da agregação de informações de parentes, de caracteres correlacionados ou de práticas de redução do efeito ambiental. No final, considera-se esta média fenotípica ajustada como a medida mais apropriada para indicar a superioridade genética e predizer o ganho genético. No entanto, tais modelos ou procedimentos não contemplam uma infinidade de outras informações estatísticas de grande relevância, diferentes da média fenotípica que é usualmente adotada, mas que agregam informações importantes acerca do genótipo avaliado e que têm sido deixadas à margem dos estudos envolvendo melhoramento genético e critérios de seleção. Neste contexto, as redes neurais artificiais constituem novo paradigma que tem sido empregado, ainda que de forma tênue, nos programas de melhoramento genético animal e vegetal. Essa abordagem, diferentemente das modelagens estocásticas utilizadas até então, é baseada nos princípios de aprendizado e de inteligência computacional de um conjunto amplo de informação do desempenho do genótipo envolvendo médias, máximos, mínimos, variância e toda ordem de informação possível de ser direta ou indiretamente mensurada. Assim, ao contrário dos métodos estatísticos que resumem as informações ou realizam a simplificação estrutural dos dados, as redes neurais, à semelhança do cérebro humano, captam toda informação disponível para gerar um critério de tomada de decisão. Assim, este trabalho foi realizado com o intuito de utilizar as redes neurais para melhorar a acurácia na predição de valores e ganhos genéticos, através de uma discussão de seus fundamentos teóricos e utilização de dados simulados, com mesma caracterização em termos de média, herdabilidade e coeficiente de variação dos dados reais, fornecendo um método alternativo para identificação de genótipos superiores.pt_BR
dc.description.abstractUntil then, how to increase the gain by selection has been pointed out by different strategies recommended in breeding methods, or by using the basic principles of experimentation, or even use biometric models that seek to parameterize both genotypic and environmental influences. Thus, as regards the methods of genetics and statistics used for selection of superior genotypes, highlight the methods derived from the theory of direct selection, indirect selection and index selection, combined selection method and REML-BLUP method among others. Despite several methodologies available for the selection of superior genotypes is still common and necessary practice selection of individuals in relation to features with low reliability of predicting genotype value from a phenotypic value given by the corrected or adjusted by the aggregate average phenotypic information from relatives of correlated traits or practices to reduce the environmental effect. In the end, we consider this phenotypic average adjusted as the most appropriate measure to indicate genetic superiority and predict genetic gain. However, such models or procedures do not include a multitude of other statistical information of great relevance, different phenotypic average which is usually adopted, but which provide important information about the reported genotype and who have been sidelined studies involving genetic improvement and selection criteria. In this context, artificial neural networks are a new paradigm that has been employed, albeit tenuously, in animal and plant breeding programs. This approach, unlike the stochastic modeling used so far, is based on principles of learning and computational intelligence on a wide range of performance information of genotype involving averages, maximum, minimum, variance and all sorts of information can be directly or indirectly measured. Thus, unlike the statistical methods that summarize the information or perform the structural simplification of data, neural networks, like the human brain, capture all available information to generate a criterion for decision making. This work was carried out with the intention of using neural networks to improve the accuracy of the predicted values and genetic gains, through a discussion of its theoretical foundations and use simulated data with the same characteristics in terms of average heritability and coefficient of variation of actual data by providing an alternative method for identification of superior genotypes.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
dc.formatapplication/pdfpor
dc.languageporpor
dc.publisherUniversidade Federal de Viçosapor
dc.rightsAcesso Abertopor
dc.subjectEngenharia genéticapor
dc.subjectRedes neurais (Computação)por
dc.subjectInteligência artificialpor
dc.subjectSimulação por computadorpor
dc.subjectGenetic engineeringeng
dc.subjectNeural networks (Computer)eng
dc.subjectArtificial intelligenceeng
dc.subjectComputer simulationeng
dc.titleRedes neurais artificiais: novo paradigma para a predição de valores genéticospor
dc.title.alternativeArtificial neural networks: a new paradigm for predicting genetic valueseng
dc.typeDissertaçãopor
dc.contributor.authorLatteshttp://lattes.cnpq.br/6670284847005434por
dc.contributor.advisor-co1Nascimento, Moysés
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/6544887498494945por
dc.contributor.advisor-co2Bhering, Leonardo Lopes
dc.contributor.advisor-co2Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4764363E6por
dc.publisher.countryBRpor
dc.publisher.departmentEstatística Aplicada e Biometriapor
dc.publisher.programMestrado em Estatística Aplicada e Biometriapor
dc.publisher.initialsUFVpor
dc.subject.cnpqCNPQ::CIENCIAS BIOLOGICAS::GENETICApor
dc.contributor.advisor1Cruz, Cosme Damião
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4788274A6por
dc.contributor.referee1Tomaz, Rafael Simões
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7689901086405263por
Aparece nas coleções:Estatística Aplicada e Biometria

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
texto completo.pdf1,41 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.