1.在北京工业大学的《Prediction of effluent Ammonia Nitrogen using FNN-based CBR》这篇文章中，它将温度、pH、ORP、NO3-N、溶解氧、TSS作为6个输入特征，将氨氮浓度作为预测变量，建立FNN网络来预测。
2.在河海大学的《Estimation of Ammonia-Nitrogen (NH3-N) Using an Artificial Neural Networks Under Bacterial Technology》这文章中，它先将溶解氧（DO）、COD、总氮（TN）、总磷（TP）、悬浮沉积物（SS）、温度、透明度8个特征用神经网络预测氨氮浓度，得到的最小均方根误差（RMSE）是0.91.后来发现只输入DO、TN、TP、透明度预测得到的RMSE只有1.2081.它是怎么发现只有这四个变量对于氨氮浓度更敏感呢？是通过每次去除一个特征再构建网络，然后计算RMSE和相关系数。如果RMSE增大，则说明去掉的这个特征对氨氮浓度影响较大。依次类推。。
3.在德州南方大学的《Modeling Total Ammonia Nitrogen Concentration》这篇文章中，它指出对氨氮浓度的检测通常是对整个湖泊或河流的几个地点或随机地点进行检测，这是耗时的工作，无法预测水质的季节性变化，通过建模可以补充人为测量方法的缺陷。它在加尔斯顿湾的六个地点搜集了从1978年到2010年数据.它提出多元回归建模（输入温度、pH、溶解氧这些去预测氨氮浓度）和时间序列建模（根据某一地区过去N年的氨氮浓度来预测未来的氨氮浓度）。在多元回归模型中，它输入的是pH、温度、总悬浮物（TSS）、有机总量（TO）、叶绿素a、盐度、溶解氧（DO）、含磷量（OP）、（有机需氧量）BOD、比电导率（SC）、大肠杆菌这些变量，然后通过不断求相关系数去除一部分对氨氮浓度不敏感的变量。
4.