9、人工神经网络模型预测埃洛石对 Cd2+ 吸收效率的研究

人工神经网络模型预测埃洛石对 Cd2+ 吸收效率的研究

在环境科学和工程领域，准确预测埃洛石对 Cd2+ 的吸收效率具有重要意义。本文将介绍三种不同的人工神经网络（ANN）模型，即差分进化 - 人工神经网络（DE - ANN）、粒子群优化 - 人工神经网络（PSO - ANN）和黏菌算法 - 人工神经网络（SMA - ANN），在预测埃洛石对 Cd2+ 吸收效率方面的应用。

1. 确定模型的最优种群大小

基于图 4 中模型的误差，我们可以为每个模型确定最优种群大小：
- DE - ANN 模型需要 250 个种群。
- PSO - ANN 模型需要 200 个种群。
- SMA - ANN 模型需要 300 个种群。

然而，为了全面评估模型的性能，我们还应考虑测试损失，以确定模型是否过拟合。此外，图 5 比较了训练和测试的收敛情况。

2. 模型预测与性能评估

一旦确定了最佳模型，就可以使用它们在测试数据集上预测埃洛石对 Cd2+ 的吸收效率。需要注意的是，测试数据集在 DE - ANN、PSO - ANN 和 SMA - ANN 模型的训练过程中并未使用，可以将其视为未见数据集。预测结果显示在表 2 和表 3 中。

随后，根据均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）函数计算模型的性能指标，结果如表 4 所示。最后，测试结果如图 6 所示。

模型	训练数据集（MAE）	训练数据集（RMSE）	训练数据集（R2