Tese
Título	Análise de estabilidade de híbridos de milho utilizando o mapa auto-organizável de Kohonen e estimativa de herdabilidade em milho pipoca por meio de meta-análise
Autor	Clovis, Luiz Rafael
Unidade	Pós-Graduação em Genética e Melhoramento
Área de Concentração	Genética e Melhoramento
Orientador	Carlos Alberto Scapim,
Co-Orientador(es)	Ronald José Barth Pinto
Banca Examinadora	Ronald José Barth Pinto, Pedro Soares Vidigal Filho Sebastião Gazola, Edmar Soares Vasconcelos
Data de Defesa	25/02/2016
Resumo	A obtenção de híbridos de milho, com alta produtividade, estabilidade de produção e ampla adaptabilidade aos mais variados ambientes da região para a qual são recomendados, é de grande importância para o melhoramento. As redes neurais artificiais (RNAs) representam uma das técnicas mais recentes de análise de dados. Estas redes têm a capacidade de aprender e guardar o conhecimento adquirido, podendo reconhecer padrões baseados na experiência, tanto para realizar classificações como para fazer previsões. Por meio de processos iterativos, as redes neurais leem os exemplos fornecidos sobre o problema e criam um modelo para sua resolução. O mapa auto-organizável de Kohonen permite a classificação destes exemplos em grupos, por meio de processos de competição e cooperação entre os neurônios da rede. Neste contexto, o objetivo do presente trabalho foi classificar 33 híbridos comerciais de milho, quanto à estabilidade para rendimento de grãos. Estes híbridos foram semeados e conduzidos em três locais representativos do estado de Mato Grosso (Sorriso, Lucas do Rio Verde e Primavera do Leste) e dois locais de Goiás (Rio Verde e Santa Helena de Goiás), em duas safrinhas consecutivas (2012 e 2013). Cada repetição (R1 e R2) da variável resposta rendimento de grãos foi utilizada como sinais de entrada para a rede, para desencadear o processo de aprendizagem da mesma. O modelo de rede adotado apresenta uma topologia constituída de 2 neurônios na camada de entrada e 10 neurônios dispostos em grade bidimensional. O processo competitivo deu-se com a apresentação aleatória de um vetor de entrada 𝑥 = [𝑥1, 𝑥2, … , 𝑥𝑛]𝑇 do conjunto treinamento à rede, sem a especificação de uma saída desejada. Um neurônio 𝑦 da grade respondeu melhor a este estimulo. Desta maneira, o neurônio que apresentou a menor distância euclidiana entre o vetor de entrada e o seu respectivo vetor de pesos 𝑤𝑖 = [𝑤𝑖1, 𝑤𝑖2, … , 𝑤𝑖𝑛]𝑇, no instante 𝑡, foi eleito o vencedor. O neurônio vencedor indica o centro de uma vizinhança topológica de neurônios cooperativos. O processo adaptativo ocorreu com o ajuste Δ𝑤𝑖𝑗 aos pesos sinápticos 𝑤𝑖𝑗, durante o aprendizado, até a convergência da rede. A análise dos resultados permitiu inferir que os híbridos com um mesmo padrão de comportamento, ao longo dos ambientes, permaneceram com suas classes inalteradas pela rede, demonstrando grande estabilidade e desempenho satisfatório, associado a maiores médias de rendimento de grãos (acima de 6 t.ha-1). O híbrido triplo 11 (CD-384) e o híbrido simples 33 (30A37) destacaram-se por serem produtivos e por apresentarem um comportamento estável durante os dois anos, mantendo-se na mesma classificação de dados da rede.
Palavras-chave	Redes neurais artificiais; safrinha; milho híbrido.
Title
Abstract	Obtaining high yielding maize hybrids with production stability and wide adaptability to the most environments for which they are recommended, is of great importance for plant breeding. Artificial neural networks (ANN) represent one of the latest techniques of data analysis. These networks have the ability to learn and retain the knowledge gained and can recognize patterns based on experience, both to conduct classifications like to make predictions. Through iterative processes, neural networks read the examples provided about the problem and create a model for its resolution. The self-organizing map of Kohonen allows the classification of these examples in groups, through competition and cooperation processes between neurons network. In this context, the aim of this study was to classify 33 commercial corn hybrids, the stability for grain yield. The hybrids were sowed and growed in three sites representing the state of Mato Grosso (Smile, Lucas do Rio Verde and Primavera do Leste) and two locations of Goiás (Rio Verde and Santa Helena de Goiás), in two consecutive double cropping (2012 and 2013). Each repetition (R1 and R2) of the response variable grain yield was used as input signals to the network, to trigger the learning process of it. The adopted model provides a network topology consists of two neurons in the input layer neurons 10 and arranged in two-dimensional grid. The competitive process took place with the presentation of a random 𝑥 input vector = [𝑥1, 𝑥2, ..., 𝑥𝑛] 𝑇 training set to the network without specifying a desired output. A grid 𝑦 neuron responded better to this stimulus. Thus, the neuron that had the lowest Euclidean distance between the input vector and its respective vector 𝑤𝑖 weights = [𝑤𝑖1, 𝑤𝑖2, ..., 𝑤𝑖𝑛] 𝑇 in 𝑡 moment, he was elected the winner. The winner neuron indicates the center of a topological neighborhood cooperative neurons. The adaptive process occurred with the setting Δ𝑤𝑖𝑗 to 𝑤𝑖𝑗 synaptic weights during learning, to network convergence. The results obtained showed that hybrids with the same pattern of behavior over the environments, remained unchanged over the network with their classes, showing great stability and desirable performance associated with higher average grain yield (up 6 t.ha -1). The hybrid triple 11 (CD-384) and the simple hybrid 33 (30A37) stood out for being productive and for presenting a stable behavior during the two years remaining on the same network data classification.
Key-words	Artificial neural networks; off-season; hybrid corn.
Arquivos	Nome Tamanho d-lrclovis.pdf 1.464,32 KB

TESES E DISSERTAÇÕES - Universidade Estadual de Maringá
Desenvolvimento: VIASITE INTERNET