Estimación del consumo en rumiantes en pastoreo utilizando redes neuronales artificiales Mariela N. Uhrig Julio R. Galli Hugo L. Rufiner Diego H. Milone Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional 9º Congreso Argentino de Agroinformática 46º Jornadas Argentinas de Informática

Organización Introducción: Motivación Estado del arte Materiales y métodos Redes neuronales artificiales Datos Experimentos y resultados Conclusiones y trabajos futuros M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 2/16

Motivación Proyecto Chewbiters M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 3/16

Objetivo Estado del arte Estimar el consumo mediante un modelo de regresión no lineal utilizando redes neuronales artificiales. Estado del arte El sonido: caracterizar y cuantificar actividades, tipo de pasturas y cantidad total ingerida. Análisis acústico de la masticación: cuantificar comportamiento ingestivo. Disponer de una metodología precisa y económica es importante. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 4/16

Redes Neuronales Artificiales Se aplicaron dos técnicas propias del aprendizaje maquinal: Perceptrón multicapa (MLP) Máquinas de aprendizaje extremo (ELM) Ambos actuando como modelos de regresión no lineales multivariada Entradas Salida M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 5/16

Perceptrón Multicapa M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 6/16

Máquinas de aprendizaje extremo M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 7/16

Datos Registradas en el Departamento de Ciencia Animal de la Universidad de California en Davis. Señales registradas y procesadas por Galli et. al (2011) que dieron origen a las 10 variables utilizadas en este trabajo. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 8/16

Variables utilizadas SPECIE especie forrajera (alfalfa y pasto ovillo). HEIGHT alto y corto. VC intensidad de masticación. EC energía total de densidad de flujo de masticación. ECc energía de densidad de flujo de masticación por masticación. Et energía de densidad de flujo de masticación por unidad de tiempo de comida. VB Intensidad de arranque. EBb energía de densidad de flujo de arranque por arranque. ECb energía total de densidad de flujo de masticación por arranque. DMI materia seca consumida. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 9/16

Se crearon particiones 70/30 en dos etapas. Experimentos Se crearon particiones 70/30 en dos etapas. Remuestreo Remuestreo M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 10/16

Para cada partición de entrenamiento: Experimentos Para cada partición de entrenamiento: MLP: se exploró la cantidad de neuronas (1, 3, 5, 10 y 11), la velocidad de aprendizaje (0.15, 0.30 y 0.60), el momento (0.15, 0.30 y 0.60) y el número de épocas (200 y 500). ELM: se exploró la cantidad de neuronas en 100, 500, 1000, 1500 y 2000. Evaluación del desempeño de cada prueba: La correlación (R2) El error cuadrático medio (RMSE). M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 11/16

MLP ELM RNA R2 RMSE MLP (izquierda) 0,91 4,22 ELM (derecha) 0,92 3,65 Resultados MLP ELM RNA R2 RMSE MLP (izquierda) 0,91 4,22 ELM (derecha) 0,92 3,65 M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 12/16

MLP ELM RNA R2 RMSE MLP (izquierda) 0,98 6,05 ELM (derecha) 0,92 3,65 Resultados MLP ELM RNA R2 RMSE MLP (izquierda) 0,98 6,05 ELM (derecha) 0,92 3,65 M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 13/16

MLP ELM Galli et al. (2011) MLP ELM R2 0,96 1 RMSE 3,76 1,33 R2 RMSE Datos originales MLP ELM MLP ELM R2 0,96 1 RMSE 3,76 1,33 Galli et al. (2011) R2 RMSE 0,92 4,1 M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 14/16

Mejor desempeño Conclusiones MLP: 5 neuronas, 0,15 velocidad de aprendizaje, 0,15 momento, y 200 épocas. ELM: 2000 neuronas. Conclusiones Es posible estimar el consumo con RNA. En general se observa que el MLP obtuvo mejores valores de desempeño que el ELM. Se proyectan trabajos futuros con vacas. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre 2017 15/16

¡Muchas gracias por su atención! Estimación del consumo en rumiantes en pastoreo utilizando redes neuronales artificiales ¡Muchas gracias por su atención! Mariela N. Uhrig muhrig@sinc.unl.edu.ar Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional