鱼类饥饿处理量化及处理因子贡献率的神经网络随机化测试

• 作者: 关文静 吴仲宁 朱艺峰 薛良义 陈芝丹
• 来源期刊: 应用生态学报
• 学科: 农学
• 关键词: 花鲈 饥饿量化 贡献率 神经网络 随机化测试
• 年，卷（期）: 2008,（3）
• 页码范围: 667-673
• 页数: 7页
• 分类号: S968.1
• 字数: 6761字
• 语种: 中文

摘要

设一直投喂(SR00)、周期性饥饿2 d再投喂2 d (SR22)、饥饿7 d再投喂2 d (SR72)和饥饿7 d再投喂7 d (SR77) 4种投喂方式,将投喂方式量化为饥饿压力(SS)和循环率(CF)因子,并结合8周实验的干物质摄食量(FI)、鱼体重(BW)、温度(TE)、盐度(SA)、pH (PH)和生长时间(GT)因子,分别对花鲈增重(WG)、特定生长率(SGR)和干物质饲料转换率(FCR)构建神经网络并对其进行预测.结果表明,不同处理对WG、SGR和FCR的影响均存在显著差异(P<0.05).饥饿处理组的WG和SGR均不能达到一直投喂组水平,除SR72处理组FCR显著高于对照处理外(P<0.05),SR22和SR77组与SR00组均无显著差异(P>0.05).人工神经网络对SGR和WG具有极佳的预测效果,但对FCR无效.8个分析因子中,FI、SS、CF和GT对WG、SGR有显著贡献,且WG的大小主要取决于FI,而SGR主要取决于SS.随机化测试显示,实验处理因子(包括相关的FI因子)对WG和SGR的贡献率分别为64.9%和79.7%.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	薛良义	宁波大学教育部应用海洋生物技术重点实验室	82	601	14.0	21.0
2	朱艺峰	宁波大学教育部应用海洋生物技术重点实验室	38	397	13.0	19.0
3	关文静	宁波大学教育部应用海洋生物技术重点实验室	3	49	2.0	3.0
4	陈芝丹	宁波大学教育部应用海洋生物技术重点实验室	5	58	4.0	5.0
5	吴仲宁	宁波大学教育部应用海洋生物技术重点实验室	1	2	1.0	1.0