Celem niniejszej pracy była detekcja jałówek z trudnymi porodami przy użyciu sztucznych sieci neuronowych (SSN). Wykorzystano w tym celu dane o 531 wycieleniach jałówek rasy polskiej holsztyńsko-fryzyjskiej odmiany czarno-białej oraz 8 zmiennych diagnostycznych. Zmienną wyjściową była klasa trudności porodu: trudny lub łatwy. Analizowano perceptrony z jedną (MLP1) i dwoma (MLP2) warstwami ukrytymi oraz sieci o radialnych funkcjach bazowych (RBF). Pierwiastek błędu średniokwadratowego oraz struktura wybranych SSN (liczba neuronów w warstwach wejściowej, ukrytej i wyjściowej) były następujące: 0,22, 10-4-1; 0,25, 10-17-17-1 i 0,19, 10-25-1 odpowiednio dla MLP1, MLP2 i RBF. Odsetek prawidłowo rozpoznanych jałówek z trudnymi i łatwymi porodami oraz odsetek prawidłowo zdiagnozowanych jałówek z obu kategorii dla zbioru uczącego i walidacyjnego wynosiły ok. 90%. Wartości te dla zbioru testowego wynosiły odpowiednio: 75–83%, 82–88% i 82–86%. W obu przypadkach nie stwierdzono istotnych statystycznie różnic między tymi proporcjami. Następujące zmienne miały największy wkład w detekcję jałówek z trudnymi porodami: długość ciąży, indeks BCS, genotypy CYP19-PvuII i ERα-BglI oraz procentowy udział genów hf w genotypie jałówki.

105-116