CN105046082B - 一种评定长白公猪受精能力的数学模型及其建立方法 - Google Patents

Abstract

本发明公开了一种评定长白公猪受精能力的数学模型及其建立方法，其建立方法包括步骤：对长白公猪数据样本的预测变量进行数据描述；再进行系统聚类，并依据公猪精液受精能力相关的样本数据对不同受精力水平的长白公猪进行划分，划分为高受精能力公猪群和低受精能力公猪群；再进行聚类后的判别分析和Logistic回归分析，生成具体的数学函数。本发明所建立的数学模型的系数及预测准确率可靠，能够提供一种适合广东省种猪场评定在役长白公猪受精能力的函数模型，可作为评定长白公猪受精能力的依据；对于缩小公猪间受精能力的梯度变化区间，以及准确预测长白公猪受精能力水平具有重要意义。

Description

一种评定长白公猪受精能力的数学模型及其建立方法

技术领域

本发明属于动物遗传育种与繁殖技术领域，更具体地说，本发明涉及一种评定长白公猪受精能力的数学模型及其建立方法。

背景技术

参配母猪的分娩率、窝产仔数、窝产活仔数以及均胎贡献仔猪数等生产指标是衡量公猪受精能力强弱的最终标准，而长期以来的实际养猪生产中主要以公猪精液品质来评估。在生产上，主要通过肉眼检查和显微镜检查判定公猪精液品质。其中，肉眼检查主要观察射精量、精液颜色、气味和酸碱度等指标，公猪单次射精量为200～300mL，呈灰白色或乳白色，并有特殊腥味，pH值在6.9～7.5；显微镜检查则主要包含精子密度、精子活力、精子运动轨迹和畸形率等方面，要求原精液的密度达1.5～3.5亿个/mL、精子活力达85％以上、畸形率少于10％、精子运动轨迹呈直线运动等。然而，在精液达到以上指标的情况下，公猪间的受精能力还是存在相当大的梯度变化区间(表1)。

表1精液性状合格的公猪在人工授精下的结果比较

注：同一列上标不同大写字母表示差异极显著(P<0.01)，不同小写字母表示差异显著(P<0.05)，含相同字母或没有字母表示差异不显著(P>0.05)，下同。

根据历史繁殖数据将公猪群(1097头)均等分成以下3类(表2)，有约30％的同龄公猪(高受精能力公猪)精液常规评定指标皆正常的情况下，输精母猪后的分娩率为76.80％，窝产仔数为10.42头，窝产活仔数为9.04头；占猪群30％的中等受精能力公猪输精母猪后的分娩率为69.14％，窝产仔数为9.90头，窝产活仔数为8.48头；低受精能力公猪的分娩率仅有56.32％，窝产仔数为8.31头，窝产活仔数为7.07头。其中以上组间分娩率和均胎贡献仔猪数差异极显著(P<0.01)；窝产仔数和窝产活仔数差异显著(P<0.05)。以上数据表明，目前常规的精液品质检测方法存在不足，不能够准确评定公猪的受精能力。

表2不同受精能力公猪的生产性能表现

发明内容

有鉴于此，为了克服上述现有技术中存在的问题，本发明提供了一种评定长白公猪受精能力的数学模型的建立方法，该数学模型主要应用于长白公猪选育、选配和评定在役公猪受精能力等相关养殖生产。

为了实现上述发明目的，本发明采取了以下技术方案：

一种评定长白公猪受精能力的数学模型的建立方法，包括以下步骤：

(1)、对长白公猪数据样本的预测变量进行数据描述；

(2)、数据描述后，对数据样本主成分分析后得到的公因子和预测变量进行系统聚类，并依据公猪精液受精能力相关的样本数据对不同受精力水平的长白公猪进行划分，划分为高受精能力公猪群和低受精能力公猪群；

(3)、聚类分析后，对数据样本主成分分析后得到的公因子和预测变量分别进行聚类后的Bayes判别分析、Fisher判别分析和Logistic回归分析，生成具体的数学函数。

在其中一些实施例中，步骤(1)中所述预测变量为参配母猪分娩率(Farrowingrate,FR)、窝产仔数(Litter size,LS)、窝产活仔数(Number of born alive,NBA)、窝产死仔数(Number of dead piglets,NDP)、窝产健仔数(初生重大于1.00kg仔猪)(Number ofqualified piglets,NQP)、窝产畸形数(Number of abnormal piglets,NAP)、窝产死胎数(Number of stillborn piglets,NSP)、窝产弱仔数(初生重小于1.00kg仔猪)(Number ofweak piglets,NWP)、窝产木乃伊数(Number of mummified piglets,NMP)、仔猪初生重(Average piglet weight,APW)、均胎贡献仔猪数(参配母猪产仔数总和与公猪配种母猪胎数的比值，下同)(Number of total piglets per parity,NTPP)、均胎贡献活仔猪数(Number of alive-born piglets per parity,NABPP)、均胎贡献死仔猪数(Number ofdead piglets per parity,NDPP)、均胎贡献健仔猪 数(Number of qualified pigletsper parity,NQPP)、均胎贡献畸形数(Number of abnormal piglets per parity,NAPP)、均胎贡献死胎数(Number of stillborn piglets per parity,NSPP)、均胎贡献弱仔数(Number of weak piglets per parity,NWPP)和均胎贡献木乃伊数(Number ofmummified piglets per parity,NMPP)。

在其中一些实施例中，步骤(1)中所述数据描述为基础统计学描述和多元统计学描述，所述基础统计学描述为特征统计量极差、标准差、偏度或峰度，所述多元统计学描述为变量间相关性分析、或主成分分析。

在其中一些实施例中，步骤(1)中所述判别分析在SPSS18.0工作界面的“分析(A)”-“分类(F)”-“判别(D)”中实现，在“判别(D)”选择界面上将“Group”(即代表群集数或类别数)选进分组变量框中，同时将分组变量的定义范围最大值为2，最小值为1，即代表样本数据共有2类，也就是高繁殖力类和低繁殖力类。然后再将输入需要分析的样本变量，如FR、LS、NBA、NDP、NQP、NAP等或主成分F_1L、F_2L、F_3L等，选进自变量框中，并选择步进式方法进行判别，在“判别(D)”选择界面上也可适当选择“统计量”、“方法”、“分类”等选择框，并输出预测成员和判别得分等信息。

在其中一个实施例中，在步骤(3)中所述判别分析中，采用wilks’lambda公式进行判别。

在其中一些实施例中，步骤(3)中所述Logistic回归分析在SPSS18.0工作界面的“分析(A)”-“回归(R)”-“二元Logistic”中实现， 在“二元Logistic”选择界面上将“Group”选进自变量框中，然后再将输入需分析的样本变量，如FR、LS、NBA、NDP、NQP、等或主成分F_1L、F_2L、F_3L等，选进协变量框中，方法选择“进入”，在“二元Logistic”选择界面上“选项框”的多种统计量为预测概率、残差标准化、统计量和输出图形。

本发明还提供了上述建立方法建立的长白公猪受精能力的数学模型。

在其中一个实施例中，基于预测变量分析的长白公猪Logistic回归模型对应的模型函数分别为：

Z_La1＝-1.71*X₁+2.48*X₂+16.32*X₃-12.79*X₄-30.90*X₅+38.77*X₆-49.75*X₇+46.40*X₈+10.55*X₉+0.47*X₁₀+46.54*X₁₁-56.25*X₁₂+0.98*X₁₃+18.62*X₁₄-92.06*X₁₅-77.85*X₁₆+32.68*X₁₇-53.93*X₁₈+179.56

上述X₁～X₁₈分别代表为FR、LS、NBA、NDP、NQP、NAP、NSP、NWP、NMP、APW、NTPP、NABPP、NDPP、NQPP、NAPP、NSPP、NWPP、NMPP。

基于预测变量分析高受精能力公猪群和低受精能力公猪群的Bayes判别函数模型分别为：

Y_LA1＝7.76*X₁+49.15X₃+64.26*X₄+9.99*X₅-101.20*X₈-66.59*X₉+104.91*X₁₀-64.59*X₁₂-96.64*X₁₃-10.98*X₁₄+151.27*X₁₅+98.60*X₁₈-382.20

Y_LA2＝8.02*X₁+46.48X₃+72.99*X₄+13.32*X₅-112.77*X₈-80.31*X₉+102.80*X₁₀-66.81*X₁₂-105.39*X₁₃-13.79*X₁₄+162.28*X₁₅+109.86*X₁₈-3 68.95

上述X₁、X₃、X₄、X₅、X₈、X₉、X₁₀、X₁₂、X₁₃、X₁₄、X₁₅、X₁₈分别代表为FR、NBA、NDP、NQP、NWP、NMP、APW、NABPP、NDPP、NQPP、NAPP、NMPP。

在其中一些实施例中，基于预测变量分析的长白公猪Fisher判别函数模型为：

Y_La＝-0.07*X₁+0.74X₃-2.42*X₄-0.92*X₅+3.21*X₈+3.81*X₉+0.58*X ₁₀+0.62*X₁₂+2.43*X₁₃+0.78*X₁₄-3.05*X₁₅-3.13*X₁₈-3.55

上述X₁、X₃、X₄、X₅、X₈、X₉、X₁₀、X₁₂、X₁₃、X₁₄、X₁₅、X₁₈分别代表为FR、NBA、NDP、NQP、NWP、NMP、APW、NABPP、NDPP、NQPP、NAPP、NMPP。

本发明选择长白公猪数据样本的18个变量作为基于多变量分析模型的解释变量；选择对应样本的公因子作为基于主成分分析模型的解释变量，同时，依据各模型对应的解释变量，采用SPSS18.0分析软件中的系统聚类法对样本数据进行类别的划分，成功得到两类不同受精能力水平的长白公猪群，随后，分别应用判别分析(Bayes法和Fisher法)和二元Logistic回归分析对聚类分析后基于不同解释变量、不同受精力水平的两类公猪群进行模型函数的生成。利用长白公猪数据分别生成了基于多变量分析的Bayes判别模型、Fisher判别模型、Logistic回归模型，以及基于主成分分析的Bayes判别模型、Fisher判别模型、Logistic回归模型。其中，长白公猪基于预测变量分析的Logistic回归模型在验证中的回判准确率达98.52％，预测准确率 94.00％，为所有预测模型中的效果最好。与现有技术相比，本发明具有以下有益效果：

1)本发明所建立的数学模型能提供一种适合广东省种猪场评定在役长白公猪受精能力的函数模型，可作为评定长白公猪受精能力的依据；对于缩小公猪间受精能力的梯度变化区间，以及准确预测公猪受精能力水平具有重要的意义。

2)本发明首次应用聚类分析、判别分析和Logistic回归分析建立在长白公猪配种30胎后能够预测其后续的受精性能的数学模型，以客观指导养猪生产。经检验，该模型的系数及预测准确率可靠，且为筛选出高受精能力的长白公猪提供手段和方法。

附图说明

图1为本发明实施例1中建立长白公猪受精能力数学模型的技术路线图；

图2为本发明实施例1中基于多变量和主成分Fisher判别的组质心图；其中，LL₁和LL₂各代表长白公猪基于多变量分析的1类和2类组质心；LL₃和LL₄各代表长白公猪基于主成分分析的1类和2类组质心；

图3为本发明实施例1中基于多变量的长白公猪回归模型概率直方图，其中1代表1类，2代表2类。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1一种长白公猪受精能力数学模型的建立方法

请参阅图1，为本实施例的建立长白公猪受精能力数学模型的技术路线图，本实施例的长白公猪受精能力数学模型的建立方法，包括以下具体步骤：

1)预测变量的选择

选择能够反映公猪受精能力的18个变量作为分析模型预测变量，包括参配母猪分娩率(Farrowing rate,FR)、窝产仔数(Litter size,LS)、窝产活仔数(Number of bornalive,NBA)、窝产死仔数(Number of dead piglets,NDP)、窝产健仔数(初生重大于1.00kg仔猪)(Number of qualified piglets,NQP)、窝产畸形数(Number of abnormal piglets,NAP)、窝产死胎数(Number of stillborn piglets,NSP)、窝产弱仔数(初生重小于1.00kg仔猪)(Number of weak piglets,NWP)、窝产木乃伊数(Number of mummified piglets,NMP)、仔猪初生重(Average piglet weight,APW)、均胎贡献仔猪数(参配母猪产仔数总和与公猪配种母猪胎数的比值，下同)(Number of total piglets per parity,NTPP)、均胎贡献活仔猪数(Number of alive-born piglets per parity,NABPP)、均胎贡献死仔猪数(Number of dead piglets per parity,NDPP)、均胎贡献健仔猪数(Number of qualifiedpiglets per parity,NQPP)、均胎贡献畸形数(Number of abnormal piglets perparity, NAPP)、均胎贡献死胎数(Number of stillborn piglets per parity,NSPP)、均胎贡献弱仔数(Number of weak piglets per parity,NWPP)和均胎贡献木乃伊数(Numberof mummified piglets per parity,NMPP)。预测变量选择依据以下2点：

(1)判定公猪受精能力水平最主要考虑的两方面问题是参配母猪的妊娠情况和产仔质量，因此选择FR、LS、NBA、NDP、NQP、NAP、NSP、NWP、NMP、APW等10个指标作为分析模型的预测变量。

(2)“均胎贡献仔猪数(NTPP)”等参数是以公猪配种的母猪胎数为基数所得到的产仔性能指标，其不仅是公猪繁殖效率的一个重要的指标，也是体现公猪配种母猪后的分娩情况的一个参数。NTPP在不同受精能力水平的公猪群上存在较显著的差异，可作为区别公猪繁殖性能的变量之一。而NABPP、NDPP、NQPP、NAPP、NSPP、NWPP、NMPP等7个参数与NTPP存在一定的相关性，也可作为预测变量，用于分析模型。

2)样本数据的主成分分析及公因子的获得

对长白公猪数据样本的预测变量进行数据描述，数据描述包括基础统计学描述(如特征统计量极差、标准差、偏度和峰度等)和多元统计学描述(如变量间相关性分析、主成分分析等)，由基础统计描述结果得到本实施例的长白公猪数据的所有变量的峰度和偏度不等于0，所以长白公猪数据样本不服从正态分布，因此需要采用Spearman相关系数对样本变量进行描述。然而，部分的预测变量的 Spearman的|R|值较大，表明部分变量间的相关程度较大，需对数据样本进行主成分分析。进行主成分分析是获得样本数据公因子的必要途径。公因子系数得分(即主成分得分系数)是建立因子得分公式核心部分。本实施例获得的长白公猪样本数据主成分(6个公因子)具体得分为以下：

F_1L＝0.35*X₁-0.08*X₂-0.18*X₄-0.01*X₅-0.08*X₆+0.05*X₇-0.16*X₈-0.07*X₉-0.06*X₁₀+0.26*X₁₁+0.26*X₁₂-0.01*X₁₃+0.27*X₁₄-0.05*X₁₅-0.04*X₁₆+0.15*X₁₇-0.01*X₁₈

F_2L＝0.06*X₁+0.03*X₂-0.06*X₃+0.22*X₄-0.06*X₅+0.32*X₇+0.05*X ₈-0.11*X₉+0.07*X₁₀+0.05*X₁₁+0.01*X₁₂+0.24*X₁₃+0.01*X₁₄+0.05*X₁₅+0.01*X₁₆+0.34*X₁₇-0.11*X₁₈

F_3L＝-0.17*X₁+0.23*X₂+0.15*X₃+0.13*X₄+0.11*X₅+0.03*X₆+0.03*X₇+0.05*X₈-0.12*X₁₀-0.06*X₁₁-0.07*X₁₂+0.03*X₁₃-0.09*X₁₄+0.37*X₁₅+0.01*X₁₆-0.02*X₁₇-0.02*X₁₈

F_4L＝-0.03*X₂-0.08*X₃+0.12*X₄-0.16*X₅+0.48*X₆-0.11*X₇+0.08*X ₈-0.12*X₉+0.09*X₁₁-0.03*X₁₂+0.13*X₁₃-0.07*X₁₄+0.07*X₁₅+0.46*X₁₆-0.13*X₁₇-0.10*X₁₈

F_5L＝-0.07*X₁+0.05*X₂+0.03*X₃+0.04*X₄+0.02*X₅-0.09*X₆-0.12*X₇-0.04*X₈+0.58*X₉-0.06*X₁₀-0.03*X₁₁-0.03*X₁₂-0.01*X₁₃-0.03*X₁₄-0.04*X₁₅-0.09*X₁₆-0.15*X₁₇+0.54*X₁₈

F_6L＝-0.19*X₁+0.35*X₂+0.24*X₃+0.15*X₄+0.39*X₅+0.04*X₆+0.05*X₇-0.19*X₈+0.01*X₉+0.62*X₁₀-0.07*X₁₁-0.07*X₁₂+0.04*X₁₃-0.01*X₁₄-0 .26*X₁₅-0.04*X₁₈

3)样本数据的聚类分析

基于多变量聚类分析后的结果显示，长白公猪样本数据中的1类含352头公猪，2类含393头公猪。由表3的单因素方差分析结果可知，样本数据的1类公猪繁殖力相关变量在总体上远优于2类公猪，其中长白公猪样本的1类公猪在FR、LS、NAP、NQP、NTPP、NABPP、NQPP等变量上均极显著高于2类公猪(P<0.01)，在NDP变量上则极显著低于2类公猪(P<0.01)(表3)，因此可以判定基于多变量聚类的1类公猪为高受精力公猪群，而2类公猪则为低受精力公猪群。

表3基于多变量聚类分析结果的单因素方差分析

注：同一样本数据不同类别的同一变量相比较，上标不同大写字母表示差异极显著(P<0.01)，不同小写字母表示差异显著(P<0.05)，含相同字母或没有字母表示差异不显著(P>0.05)，下同。

同样地，基于样本主成分系统聚类分析后每个样本数据中的个案 按自身设定的要求同样被成功地归为两群集，分别为1类群集和2类群集。其中，长白公猪样本数据中的1类含441头公猪，2类含304头公猪。

根据表4所示，通过对该部分的聚类结果进行单因素方差分析可知，长白公猪样本中的6个主成分(F_1L、F_2L、F_3L、F_4L、F_5L、F_6L)与2类的相比较，全部出现极显著差异(P<0.01)。此外，样本数据的1类公猪变量在总体上同样远优于2类公猪，其中1类公猪在FR、LS、NBA、NQP、NTPP、NABPP、NQPP等变量上也均极显著高于2类公猪(P<0.01)，在NDP变量上极显著低于2类公猪(P<0.01)，因此也可以认为基于主成分聚类的结果得到的1类公猪为高受精能力公猪群，2类公猪则为低受精能力公猪群。

表4基于主成分聚类分析结果的单因素方差分析

4)数学函数模型的建立与验证

4.1)Bayes判别模型的建立

在进行多变量和样本主成分聚类分析的基础上，利用SPSS18.0软件对长白公猪样本数据的FR、LS、NBA、NDP、NQP、NAP、NSP、NWP、NMP、APW、NTPP、NABPP、NDPP、NQPP、NAPP、NSPP、NWPP、NMPP等预测变量(多变量)和样本主成分进行Bayes判别分析，以生成具体的函数模型。其中，基于多变量分析1类和2类的长白公猪Bayes判别函数模型分别为：

Y_LA1＝7.76*X₁+49.15X₃+64.26*X₄+9.99*X₅-101.20*X₈-66.59*X₉+104.91*X₁₀-64.59*X₁₂-96.64*X₁₃-10.98*X₁₄+151.27*X₁₅+98.60*X₁₈-382.20

Y_LA2＝8.02*X₁+46.48X₃+72.99*X₄+13.32*X₅-112.77*X₈-80.31*X₉+102.80*X₁₀-66.81*X₁₂-105.39*X₁₃-13.79*X₁₄+162.28*X₁₅+109.86*X₁₈-368.95

基于主成分分析1类和2类的长白公猪Bayes判别函数模型分别为：

Y_LC1＝4.31*F₁+15.79*F₂+10.99*F₃-15.24*F₄-15.24

Y_LC2＝3.39*F₁+14.59*F₂+9.84*F₃-13.65*F₄-13.65

在求出Bayes判别函数的情况下，可将新的未知公猪数据分别代入以上两类的函数模型中，比较算出的数值，哪个数值大则归入哪一 类群中。假设某头长白公猪数据代入函数Y_LA1和Y_LA2中后得出Y_LA1<Y_LA2，那么就表明该公猪属于2类。

4.2)Fisher判别模型的建立

Bayes判别需要给出两个判别函数以区分不同类别，而Fisher判别仅需要给出1个判别函数就可以区分不同类别公猪，有别于Bayes判别。经wilks’lambda检验，基于多变量分析和样本主成分的Fisher判别函数均具有有效性。据统计软件生成结果，基于多变量分析的长白公猪Fisher判别函数模型为：

Y_La＝-0.07*X₁+0.74X₃-2.42*X₄-0.92*X₅+3.21*X₈+3.81*X₉+0.58*X ₁₀+0.62*X₁₂+2.43*X₁₃+0.78*X₁₄-3.05*X₁₅-3.13*X₁₈-3.55

基于主成分分析的长白公猪Fisher判别函数模型分别为：

Y_Lc＝0.34*F₁+0.44*F₂+0.42*F₃-0.59*F₄-10.29

基于多变量和主成分Fisher判别的组质心图如图2所示，根据图2，长白公猪基于多变量分析的1类和2类均值分别为1.90，-1.70。这表明长白样本的1类质心位于1.90，2类质心位于-1.70；以此类推，基于主成分分析的1类和2类质心为-1.11和-1.64。在知道Fisher判别函数和各组质心的情况下，可将新的未知长白公猪数据分别代入对应函数模型中算出的具体数值，并分别比较该数值与1类和2类的距离。若该数值贴近于1类质心，那么该未知长白公猪则属于1类，否则属于2类。

4.3)二元Logistic回归模型的建立

以18个变量作为预测模型的多变量和样本公因子的主成分，不 同繁殖力水平的公猪群分别取为1和2(SPSS内部赋值则为0和1)进行回归分析。由于是二分类问题，因此可采用二元Logistic回归分析，并以1和2作为因变量，其他的18个变量和主成分各为协变量(即自变量)。二元Logistic回归模型系数综合检验主要针对分析步骤、模块和模型进行检验，主要观察显著性水平(即Sig值)，若Sig小于0.05则分析通过检验；模型拟合度用于检验模型的整体性拟合效果，Cox&Snell R2和Nagelkerke R2越接近1则代表模型拟合效果越好；Hosmer-Lemeshow检验是一个假设性检验，作为模型拟合度检验的补充和参照，若Sig值大于0.5则表示该模型能够很好的拟合数据，结果比较理想，否则模型的整体拟合效果不好，不具有分析的意义。

表5基于多变量和主成分回归模型的检验

由表5可知，基于多变量和主成分分析的长白公猪样本Logistic回归模型均通过检验，建立的模型具有统计学意义。

另外，概率直方图代表不同样本的Logistic回归模型对不同类别的估计概率，反应了1类和2类的概率频数分布情况。图3中的“1”表示为1类，“2”表示为2类。由于是二元回归分析，其临界概率为0.5，因此未知样本若属1类则会落入0.5的左侧，若属2类则应该落入0.5右侧。据图3(a-b)显示，已区分的两类(1类和2类)完全分 布在两端，1类主要靠近概率为0处，2类则靠近概率为1处，该结果说明建立起的长白公猪Logistic回归模型预测效果都很好。综合以上结果，基于多变量和主成分的Logistic回归模型能够预测不同受精能力水平的公猪群。

基于多变量分析的Logistic模型的数学函数形式分别如下：

Z_La1＝-1.71*X₁+2.48*X₂+16.32*X₃-12.79*X₄-30.90*X₅+38.77*X₆-49.75*X₇+46.40*X₈+10.55*X₉+0.47*X₁₀+46.54*X₁₁-56.25*X₁₂+0.98*X₁₃+18.62*X₁₄-92.06*X₁₅-77.85*X₁₆+32.68*X₁₇-53.93*X₁₈+179.56

基于主成分分析的Logistic模型的数学函数形式分别如下：

Z_La3＝-1.53*F_1L-5.98*F_2L+6.15*F_3L+16.15*F_4L+2.00*F_5L-2.93*F_6L+169.76

根据以上的数学函数式，未知样本数据可按照品种将已知的自变量代入以上的方程式中，求出具体的Z值，然后再将Z值代入P(概率)公式中求出概率大小，若P小于0.5判定为1类，否则判定为2类。通过该方法可以区分不同繁殖力水平的长白公猪。

5)数学函数模型的对比和验证

综合考虑模型的成分，以上分别应用判别分析的Bayes和Fisher方法以及Logistic回归分析方法成功建立长白公猪数学模型。但这些模型的数据来源是基于长白公猪终身的繁殖记录(即由使役开始至淘汰阶段的数据)，对于是否能应用于任意使役时期仍需要进一步分析， 因此以上模型需要在长白公猪各使役阶段上进行验证，以判断模型是否能够有效、准确地在任意在役时期里筛选出高受精能力长白公猪。

表6长白公猪判别模型和Logistic模型在回判准确率和预测准确率上的比较

由表6可知，所有的数学模型在原成员类别回判分析和预测新成员上也均表现出极高的准确率。对比发现，基于多变量和主成分Logistic回归模型的回判准确率达98.52％和97.72％，预测准确率为94.00％和92.00％，其中基于多变量Logistic回归模型的显著高于其他的模型准确率。该结果则进一步表明了基于多个变量的Logistic回归模型对准确筛选高受精能力公猪的效果更好，更合适于对高繁殖公猪的筛选。

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种评定长白公猪受精能力的数学模型的建立方法，其特征在于，包括以下步骤：

(1)、对长白公猪数据样本的预测变量进行数据描述；所述预测变量为参配母猪分娩率、窝产仔数、窝产活仔数、窝产死仔数、窝产健仔数、窝产畸形数、窝产死胎数、窝产弱仔数、窝产木乃伊数、仔猪初生重、均胎贡献仔猪数、均胎贡献活仔猪数、均胎贡献死仔猪数、均胎贡献健仔猪数、均胎贡献畸形数、均胎贡献死胎数、均胎贡献弱仔数和均胎贡献木乃伊数；

(2)、数据描述后，对数据样本主成分分析后得到的公因子和预测变量进行系统聚类，并依据公猪精液受精能力相关的样本数据对不同受精能力水平的长白公猪进行划分，聚类划分为高受精能力公猪群和低受精能力公猪群；

(3)、聚类分析后，对数据样本主成分分析后得到的公因子和预测变量分别进行聚类后的Bayes判别分析、Fisher判别分析和Logistic回归分析，生成具体的数学函数。

2.根据权利要求1所述的评定长白公猪受精能力的数学模型的建立方法，其特征在于，步骤(1)中所述数据描述为基础统计学描述和多元统计学描述，所述基础统计学描述为特征统计量极差、标准差、偏度或峰度，所述多元统计学描述为变量间相关性分析、或主成分分析。

3.根据权利要求1所述的评定长白公猪受精能力的数学模型的建立方法，其特征在于，步骤(1)中所述判别分析在SPSS18.0工作界面的“分析(A)”-“分类(F)”-“判别(D)”中实现，在“判别(D)”选择界面上将“Group”选进分组变量框中，同时将分组变量的定义范围最大值为2，最小值为1，然后再将输入需要分析的样本变量或主成分，选进自变量框中，并选择步进式方法进行判别，在“判别(D)”选择界面上选择“统计量”、“方法”、“分类”选择框，并输出预测成员和判别得分信息。

4.根据权利要求3所述的评定长白公猪受精能力的数学模型的建立方法，其特征在于，在步骤(3)中所述判别分析中，采用wilks’lambda公式进行判别。

5.根据权利要求1所述的评定长白公猪受精能力的数学模型的建立方法，其特征在于，步骤(3)中所述Logistic回归分析在SPSS18.0工作界面的“分析(A)”-“回归(R)”-“二元Logistic”中实现，在“二元Logistic”选择界面上将“Group”选进自变量框中，然后再将输入需分析的样本变量或主成分，选进协变量框中，方法选择“进入”，在“二元Logistic”选择界面上“选项框”的多种统计量为预测概率、残差标准化、统计量和输出图形。

6.根据权利要求1所述的评定长白公猪受精能力的数学模型的建立方法，其特征在于，步骤(3)中基于预测变量分析的长白公猪Logistic回归模型对应的模型函数分别为：

Z_La1＝-1.71*X₁+2.48*X₂+16.32*X₃-12.79*X₄-30.90*X₅+38.77*X₆-49.75*X₇+46.40*X₈+10.55*X₉+0.47*X₁₀+46.54*X₁₁-56.25*X₁₂+0.98*X₁₃+18.62*X₁₄-92.06*X₁₅-77.85*X₁₆+32.68*X₁₇-53.93*X₁₈+179.56

上述X₁～X₁₈分别代表为参配母猪分娩率、窝产仔数、窝产活仔数、窝产死仔数、窝产健仔数、窝产畸形数、窝产死胎数、窝产弱仔数、窝产木乃伊数、仔猪初生重、均胎贡献仔猪数、均胎贡献活仔猪数、均胎贡献死仔猪数、均胎贡献健仔猪数、均胎贡献畸形数、均胎贡献死胎数、均胎贡献弱仔数、均胎贡献木乃伊数。

7.根据权利要求1所述的评定长白公猪受精能力的数学模型的建立方法，其特征在于，步骤(3)中基于预测变量分析高受精能力公猪群和低受精能力长白公猪群的Bayes判别函数模型分别为：

Y_LA1＝7.76*X₁+49.15X₃+64.26*X₄+9.99*X₅-101.20*X₈-66.59*X₉+104.91*X₁₀-64.59*X₁₂-96.64*X₁₃-10.98*X₁₄+151.27*X₁₅+98.60*X₁₈-382.20

Y_LA2＝8.02*X₁+46.48X₃+72.99*X₄+13.32*X₅-112.77*X₈-80.31*X₉+102.80*X₁₀-66.81*X₁₂-105.39*X₁₃-13.79*X₁₄+162.28*X₁₅+109.86*X₁₈-368.95

上述X₁、X₃、X₄、X₅、X₈、X₉、X₁₀、X₁₂、X₁₃、X₁₄、X₁₅、X₁₈分别代表为参配母猪分娩率、窝产活仔数、窝产死仔数、窝产健仔数、窝产弱仔数、窝产木乃伊数、仔猪初生重、均胎贡献活仔猪数、均胎贡献死仔猪数、均胎贡献健仔猪数、均胎贡献畸形数、均胎贡献木乃伊数。

8.根据权利要求1所述的评定长白公猪受精能力的数学模型的建立方法，其特征在于，步骤(3)中基于预测变量分析的长白公猪Fisher判别函数模型为：

Y_La＝-0.07*X₁+0.74X₃-2.42*X₄-0.92*X₅+3.21*X₈+3.81*X₉+0.58*X₁₀+0.62*X₁₂+2.43*X₁₃+0.78*X₁₄-3.05*X₁₅-3.13*X₁₈-3.55

上述X₁、X₃、X₄、X₅、X₈、X₉、X₁₀、X₁₂、X₁₃、X₁₄、X₁₅、X₁₈分别代表为参配母猪分娩率、窝产活仔数、窝产死仔数、窝产健仔数、窝产弱仔数、窝产木乃伊数、仔猪初生重、均胎贡献活仔猪数、均胎贡献死仔猪数、均胎贡献健仔猪数、均胎贡献畸形数、均胎贡献木乃伊数。