Biblioteca Virtual

Estimación del consumo de pasturas a partir de registros sonoros con modelos no lineales

Mostrar el registro sencillo del ítem

dc.contributor.advisor Milone, Diego Humberto
dc.contributor.author Uhrig, Mariela Noelia
dc.contributor.other Chiotti, Omar
dc.contributor.other Giovanini, Leonardo
dc.contributor.other Martínez, César
dc.contributor.other Tapia, Elizabeth
dc.date.accessioned 2019-08-27T13:16:08Z
dc.date.available 2019-08-27T13:16:08Z
dc.date.issued 2019-06-14
dc.identifier.uri http://hdl.handle.net/11185/3935
dc.description Fil: Uhrig, Mariela Noelia. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
dc.description.abstract La producción ganadera de rumiantes en sistemas de pastoreo es una actividad importante en la región. Los niveles de productividad dependen de las dietas adecuadas de los animales, en calidad y cantidad, para satisfacer sus necesidades diarias. En este contexto, el estudio del comportamiento ingestivo y la estimación del consumo de rumiantes de pastoreo es extremadamente útil ya que permite obtener indicadores del estado nutricional, la salud y el bienestar animal. En consecuencia, la medición precisa y rápida del comportamiento de pastoreo y el consumo de forraje permite mejorar la eficiencia de la gestión de los recursos hídricos y alimentarios. En este marco, el uso de algoritmos de procesamiento inteligente de señales que permitan extraer la información relevante de registros sonoros de rumiantes se presenta como una opción válida para predecir el consumo de forraje de rumiantes en condiciones de pastoreo. Más aún, teniendo en cuenta también que debe ser un método sencillo desde el punto de vista tecnológico y que además no perturbe el comportamiento natural del animal. En esta tesis se utilizaron dos tipos de redes neuronales artificiales (ELM: máquinas de aprendizaje extremo y MLP: perceptrón multicapa), ambas actuando como modelos de regresión no lineal multivariada, para estimar el consumo de materia seca en ovejas. En todos los casos se utilizó la metodología de validación de "dejar uno afuera". Los resultados obtenidos con las redes neuronales muestran que las ELM presentan una significativa mejora respecto del modelo lineal y al MLP para iguales condiciones de validación. es_ES
dc.description.abstract Livestock production by ruminants in grazing systems is an important activity in the region. The productivity levels depends on adequate animals diets, in quality and quantity to meet their daily nutritional requirements. In this context, the study of the ingestive behavior and the estimation of the intake of grazing ruminant is extremely useful since it allows to obtain indicators of nutritional status, health and animal welfare. Consequently, the accurate and rapid measurement of grazing behavior and forage intake allows to improve the efficiency of herd and food resources managements. In this framework, the use of intelligent signal processing algorithms that allow the extraction of relevant information from sound records of ruminants is presented as a valid option to predict the forage intake of ruminants in grazing conditions. Bearing in mind also, that it must be a simple method from the technological point of view and that in addition it does not disturb the natural behavior of the animal. In this thesis it is proposed to use two types of artificial neural networks (ELM, extreme learning machines y MLP, multilayer perceptron), both acting as multivariate non-linear regression models, to estimate dry matter intake in sheep. In all cases, the validation methodology of leaving one out was used. The results obtained with the neural networks show that the ELM show a significant improvement with respect to the linear model and the MLP for the same validation conditions. en_EN
dc.description.sponsorship Consejo Nacional de Investigaciones Científicas y Técnicas es_ES
dc.format application/pdf
dc.language.iso spa es_ES
dc.rights info:eu-repo/semantics/openAccess
dc.rights.uri https://bibliotecavirtual.unl.edu.ar/licencia/licencia.html
dc.subject Redes neuronales artificiales es_ES
dc.subject Comportamiento ingestivo en rumiantes es_ES
dc.subject Regresión no lineal es_ES
dc.subject Máquinas de aprendizaje extremo es_ES
dc.subject Artifical neural networks es_ES
dc.subject Ingestive behavior in ruminants es_ES
dc.subject Non-linear regression es_ES
dc.subject Extreme learning machine es_ES
dc.title Estimación del consumo de pasturas a partir de registros sonoros con modelos no lineales es_ES
dc.title.alternative Estimation of pasture intake from sound records with non-linear models es_ES
dc.type info:eu-repo/semantics/masterThesis
dc.type info:ar-repo/semantics/tesis de maestría
dc.type info:eu-repo/semantics/acceptedVersion
dc.type SNRD es_ES
dc.contributor.coadvisor Rufiner, Hugo Leonardo
unl.degree.type maestría
unl.degree.name Maestría en Computación Aplicada a la Ciencia y la Ingeniería
unl.degree.grantor Facultad de Ingeniería y Ciencias Hídricas
unl.formato application/pdf
unl.versionformato 1b
unl.tipoformato PDF/A - 1b


Ficheros en el ítem

Este ítem aparece en

Mostrar el registro sencillo del ítem

Buscar en la biblioteca