使用自适应神经网络对饮用水中的卤酮进行建模：以中国金华市为例

《Journal of Virus Eradication》：Modeling haloketones in drinking water using conformable neural networks: a case study of Jinhua, China

预测饮用水中卤代酮（DCP、TCP及总HKs）采用对比方法研究：传统回归模型与基于RADBAS的ANN，提出符合性激活函数的CANN模型。结果显示CANN的R值达0.94，RMSE为0.398，显著优于基线模型，并通过敏感性分析验证了模型可靠性。研究为小数据集水质监测提供高效计算方案，并明确数据范围与使用限制。

　　

J.I. Johnson | A.I. Mata | A. Parrales | J.E. Solís-Pérez | A. Huicochea | J.A. Hernández

POSGRADO – 应用工程与科学研究中心，莫雷洛斯州自治大学，Av. Universidad 1001，Col. Chamilpa，C.P. 62209，Cuernavaca，莫雷洛斯州，墨西哥

摘要

预测饮用水中的卤代酮对于公共卫生监测和处理控制具有重要意义。本研究使用了来自中国金华的63个样本，这些样本包含了常规监测的物理化学参数，研究目标为三种化合物：1,1-二氯-2-丙酮（DCP）、1,1,1-三氯-2-丙酮（TCP）和总卤代酮（HK）。我们比较了两种简单的基线方法——多元线性回归和随机森林——以及一种使用径向基函数激活函数的人工神经网络。模型训练采用了固定的训练/验证/测试数据分割比例，数据进行了最小-最大缩放（范围[0.1, 0.9]），并通过R值、均方根误差（RMSE）和平均绝对百分比误差（MAPE）进行评估。全局敏感性分析确定了最具影响力的输入变量。这些基线方法得出了实际的性能限制（例如，对于DCP：线性回归的R值约为0.77，RMSE约为0.23；随机森林的R值约为0.77，RMSE约为0.28）。基于径向基函数激活函数的网络在所有目标上的预测一致性得到了提升，平均R值约为0.94，RMSE约为0.398。敏感性分析结果与已知的影响因素一致。所提出的激活函数设计在小数据集上显著优于线性回归和基于树的模型，并且计算成本较低。本文记录了相关假设、数据范围和局限性，以支持其在常规监测中的重新应用。

部分摘录

术语表

| 人工神经网络 | 径向基函数传输函数 | 截距 | 残余氯浓度 | 矩阵偏置 | 均方根误差 | 溴 | 斜率 | 顺应性人工神经网络 | Softplus传输函数 | 顺应性指数线性单元函数 | Swish传输函数 | 顺应性对数Sigmoid传输函数 | 双曲正切Sigmoid传输函数 | 顺应性径向基函数 | 三氯丙酮

ANN	RADBAS
b	残差
b1, b2	RMSE
Br	S
CANN	SOFTPLUS
CELU	SWISH
CLOGSIG	TANSIG
CRADBAS	TCP

方法论

本研究的工作流程如图1所示，涵盖了从数据采集到模型评估的整个过程。该流程分为三个主要阶段：（1）预处理：数据库获取、异常值分析和数据集标准化；（2）处理：模型设计和训练，使用LM作为优化器开发经典和顺应性ANN架构；（3）后处理：通过斜率/截距测试、R值、RMSE和MAPE进行统计验证。

结果与讨论

本节展示并讨论了使用120个人工神经网络（ANN）模型进行实验的结果。这些模型应用了经典（LOGSIG、TANSIG、SOFTPLUS、SWISH、ELU和RADBAS）和顺应性（CLOGSIG、CTANSIG、CSOFTPLUS、CSWISH、CELU和CRADBAS）传输函数来预测自来水中的卤代酮（DCP、TCP和总HKs）含量。训练过程采用了Levenberg-Marquardt算法，其中60%的数据用于训练，20%的数据用于验证。

结论

本研究提出了一种基于顺应性人工神经网络（CANN）的架构，该架构采用了CRADBAS传输函数来预测饮用水中的卤代酮（HKs），即1,1-二氯-2-丙酮（DCP）、1,1,1-三氯-2-丙酮（TCP）和总HKs）。与基线回归方法（多元线性回归和随机森林）以及Deng等人复制的基于RADBAS的经典ANN模型相比，所提出的顺应性模型获得了更高的相关性系数（R值）。

CRediT作者贡献声明

J.I. Johnson：撰写——初稿、软件开发、方法论设计、概念构建。 A.I. Mata：数据可视化、软件开发、方法论设计、数据分析、概念构建。 A. Parrales：撰写——审稿与编辑、资源协调、数据分析、概念构建。 J.E. Solís-Pérez：项目监督、软件开发、方法论设计、概念构建。 A. Huicochea：撰写——审稿与编辑、软件开发、数据分析。 J.A. Hernández：撰写——审稿与编辑、项目监督、资金管理。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

第一作者和第二作者感谢SECIHTI通过学生奖学金提供的财务支持。此外，Arianna Parrales Bahena还感谢SECIHTI通过“Investigadores por México 2017”项目提供的支持。