Objetivou-se com este trabalho avaliar a precisão das redes neurais artificiais (RNA) na estimativa das redes neurais artificiais (RNA) na predição de índices zootécnicos, com base em variáveis térmicas e fisiológicas de porcas gestantes. A pesquisa foi realizada entre janeiro e abril de 2005 em uma propriedade de produção industrial de suínos, no setor de gestação, com 27 matrizes primíparas, alojadas em baias individuais e posteriormente na maternidade em baias de parição, onde foram quantificados os índices de produção dos leitões provenientes do estudo. Para tanto, foi implementada uma RNA backpropagation, com uma camada de entrada, uma oculta e uma camada de saída com funções de transferência tangente sigmoidal. A temperatura do ar e a frequência respiratória foram consideradas variáveis de entrada e o peso ao nascimento dos leitões e número de leitões mumificados, como variáveis de saída. A rede treinada apresentou ótimo poder de generalização, o que possibilitou a predição das variáveis-respostas. A caracterização do ambiente da gestação e maternidade foi adequada se comparada aos dados reais, com poucas tendências de sub ou superestimação de alguns valores. A utilização desse sistema especialista para a previsão dos índices zootécnicos é viável, pois o sistema tem bom desempenho para esta aplicação.
The objective of this work was to evaluate the precision of Artificial Neural Networks (ANNs) to estimate zootechnical indexes, based on thermal and physiological variables of pregnant sows. This study was carried out from January to April 2005, in a swine industrial production farm in the gestation section with 27 primiparous gilts, allocated in individual pens and after on farrowing pens where it was quantified animal production indexes of piglets from the study. Therefore, an ANN backpropagation was implemented, with one input layer, one hidden layer, and one output layer with tangent sigmoidal transference functions. Air temperature and respiratory frequency were considered as input variables and weight of piglet at birth and the number of mummified piglets as output variables. The trained ANN presented a great generalization power, which enabled the prediction of the answer-variables. Characterization of the environment of gestation and maternity was appropriated if compared to the real data, with few under or overestimated tendencies of some values. The use of this specialist system to predict zootechnical indexes is viable because the system shows a good performance for this use.
