融合模糊聚類算法和EWT-KPCA方法的水污染監測模型構建研究

文章編號：1674-6139（2025）08-0136-05

中圖分類號：X832文獻標志碼：B

Construction of Water Pollution Monitoring Model Integrating Fuzzy Clustering Algorithmand EWT-KPCA Method

ZhengFengshou’，Ye Yanlei2，Tao Weixiang （1.Zhengyuan Geographic Information Group Co.，Ltd.，Beijing ，China; 2.Beijing Zhengyuan Mathematics Information Technology Co.，Ltd.，Beijing 10130o，China）

Abstract：Minewastewaterpllutionseriouslyfectsthelocalecologyadresidents’live.Toadresstis，esearchhasoposeda waterpolutionmonitoringodelthatintegatesfuzzyclusteringagoritsandempiicalwavelettransform.Experimentaldatashows thatmonelials，lel.ialyf，d model1lyeeed，，ndoalalsspecielyexpetalataicatetatetefsd water quality anomaly detection model is approximately 0.8% ，which is relatively low and suitable for detecting water quality anomalies. Theproposedmonitoringodelprovidespowerfultechnicalsupprtforal-timemonitoringofinewaterpolution，elpig topromptly identifyandaddresspollution issues，thereby protecting theecological environmentand residents'health.

Key words：fuzzy clustering algorithm；EWT；KPCA；water pollution monitoring

前言

礦山開采作為推動經濟發展的重要一環，其背后卻隱藏著對地表水質的深刻影響。這些影響不僅體現在水量的減少上，更在于水質的嚴重污染和當地生態系統的不可逆破壞，對環境和人類健康構成雙重威脅[1-2]。礦山廢水中含有大量有害物質，對水體生態造成了極為惡劣的影響，因此，建立有效的礦山廢水污染監測模型對于加強礦山水質管理至關重要。礦山污水處理監測技術扮演著至關重要的角色，它實時檢測污水處理過程中的關鍵指標，如污水pH值、濁度、懸浮物含量等。通過實時檢測這些指標，可以及時發現處理過程中的異常情況，并采取相應的措施，保證污水的處理效果[3]。目前，煤礦廢水處理在線監測技術已經相當成熟。常見的監測設備包括濁度傳感器、高錳酸鹽指數傳感器、氨氮傳感器等。這些傳感器能夠實時監測污水的各項指標，并通過數據采集系統將監測數據傳輸給中央控制系統，實現對處理過程的自動控制和調整[4-5]。為了提高礦山廢水污染監測準確率，研究提出融合模糊聚類算法和基于經驗小波變換（EmpiricalWaveletTransform，EWT）分析方法的水污染監測模型。研究的創新性在于采用了多種方法對水質信號進行分析，有助于提升礦山廢水污染監測準確性。

1融合模糊聚類算法和EWT-KPCA方法的水污染監測模型構建

1.1基于長短期記憶神經網絡的水質預測模型

礦山廢水污染源于采礦作業排放的有毒有害物質，沖擊水生生態系統，導致水體功能喪失[6]。采礦作業產生廢水主要污染物包括酸性廢水、重金屬及營養富集[7]。采礦和選礦過程中用水量大，由于技術限制加速廢水形成，包括礦井、選礦及其他廢水。為解決煤礦廢水問題，研究提出基于長短期記憶神經網絡的水質檢測模型。

礦山水污染檢測需獲取水環境監測部門數據，通過實時監測分析和水質殘差序列分析判斷水質是否被污染。檢測步驟包括采樣、水質預處理、化學儀器分析、數據處理和結論得出。鑒于礦山水污染檢測對水質信號時序性的要求，研究引入長短期記憶神經網絡（LongShort－Term Memory，LSTM）。LSTM屬于時間遞歸網絡，具有獨特設計結構，適用于長時間事件處理。相比循環神經網絡，LSTM單元結構更復雜，記憶能力強，因此非常適合處理水質檢測這類需要長時間記憶的問題。LSTM引入三個門控來控制信息的流動和以往，輸入門計

算公式如式（1）：

i_t=σ（W_i[x_t，h_t-1]+b_i）

式（1）中， i 表示輸入門的開關狀態， W 表示權重， x 表示輸入序列的值， h 表示隱藏狀態， b 表示偏置。遺忘門計算公式如式（2）：

f_t=σ（W_f[x_t，h_t-1]+b_f）

式（2）中 ， 表示遺忘門的開關狀態。輸出門計算公式如式（3）：

式（3）中， σ_o 表示輸出門的開關狀態。候選細胞狀態計算公式如式（4）：

式（4）中， c_t^′ 表示候選細胞狀態，tanh表示雙曲正切函數。細胞狀態計算公式如式（5）：

c_t=f_t*c_t-1+i_t*c_t^′

式（5）中， c_t 表示當前時刻細胞狀態。隱藏狀態計算公式如式（6）：

為解決LSTM在提取水質數據時空間特性不足的問題，研究外部卷積神經網絡（ConvolutionalNeu-ralNetworks，CNN）以及注意力機制（ExternalAtten-tion，EA）。CNN是一種前饋網絡，具有卷積計算和深度結構，在計算機視覺領域被廣泛應用，展現出優秀的水質信號分類能力。EA機制在自注意力機制（Self-Attention，SA）基礎上，將key置于網絡外部以學習數據集全局狀況。基于此，提出了基于CNN-EA-LSTM的水質檢測模型。該模型建立水質檢測指標，用CNN篩選特征數據，EA機制學習并分配權值，再將特征向量發送到相鄰輸入向量。最后將LSTM與CNN和EA機制進行連接并對水質數據進行檢測。

1.2融合模糊聚類算法和EWT-KPCA方法的水質檢測模型

煤礦礦山廢水監測需建立水質異常預測和水質檢測模型。前者預測水質劣化，有助于應對廢水污染；后者實時檢測水質，實現全過程管理。為解決水質時序信號誤報問題，提出融合模糊聚類算法和基于EWT的優化水質檢測模型，EWT通過濾波處理傅立葉譜的連續組成部分。此外，引入核主成分分析法（KernelPrincipalComponent Anal-ysis，KPCA）應對非線性數據，從而提高數據可分性。為解決水質數據檢測指標繁雜及樣本參數含噪聲問題，采用KPCA方法降維分析并保留特征，減少模型輸入。將原始水質數據升維做主成分分析處理，對運用函數映射的協方差矩陣進行分解，如式（7）所示：

λV=CV

式（7）中， c 表示協方差矩陣，入表示協方差矩陣的特征值， V 表示協方差矩陣的特征向量。把模糊數學方法引入聚類分析即產生了模糊聚類分析方法。模糊聚類允許樣本以一定的隸屬度屬于多個聚類，從而提供更細致和客觀的分類結果。該算法通過優化目標函數來劃分數據集，隸屬度是優化變量之一。在此基礎上引入核函數。為改進異常檢測性能，研究提出的多尺度特征融合水質異常檢測方法流程圖見圖1。

由圖1可知，EWT分解水質數據后，通過KCPA處理分解部分，通過降維分析信號特征，并篩選異常特征信號。水質異常檢測是多方法、多模型過程，需優化檢測模型并分析時序信號。研究提出的方法需比較預測模型值與實際監測值，再分析殘差序列和時序信號，根據分析結果將正常信號和異常信號進行分類。

2 融合模糊聚類算法和EWT-KPCA方法的水污染監測模型分析

為驗證融合模糊聚類算法和EWT－KPCA方法的水污染監測模型的有效性，實驗評估了基于長短期記憶神經網絡的水質預測模型性能。利用EWT分解不同水質信號的特征，并用KFCM進行分析。實驗采用某礦山2019年6月至2024年1月的5560組水質監測數據，每5小時采樣一次，將數據分為 85% 的訓練集和 15% 的測試集以驗證模型可行性。

實驗為驗證基于長短期記憶神經網絡水質預測模型的有效性，選取化學需氧量、總磷、氨氮和電導率作為相關指標。將研究提出的CNN－EA-LSTM模型與CNN－EA和CNN－LSTM模型做對比實驗可以更直觀地觀察其性能情況，見圖2。

由圖2（a）可知，CNN-EA-LSTM對化學需氧量的預測值與實際值最為相似，實際值最大為7mg/L ，預測模型中CNN－EA－LSTM最大為6.9mg/L 。由圖2（b）可知，CNN-EA-LSTM對總磷的預測值與實際值最為相似，實際值最大為0.174mg/L ，預測模型中CNN－EA-LSTM最大為0.172mg/L 。由圖2（c）可知，CNN-EA-LSTM對氨氮的預測值與實際值最為相似，實際值最大為3.5mg/L ，預測模型中CNN－EA－LSTM最大為3.5mg/L 。由圖2（d）可知，CNN-EA-LSTM對電導率的預測值與實際值最為相似，實際值最大為468ms/cm ，預測模型中CNN－EA－LSTM最大為466ms/cm 。數據表明，CNN－EA-LSTM水質預測模型測量結果最準確，性能最好。將水質信號特征利用KFCM聚類后的效果圖見圖3。

圖2不同模型對水質指標預測對比圖

圖3KFCM聚類對比圖

由圖3（a）可知，研究選取的4個指標融合在一起，不能有效進行水質判斷。由圖3（b）可知，通過KFCM聚類后，4個指標被聚類為不同的簇，水質指標此時能夠滿足檢測需求。運用優化水質異常檢測模型對水質信號進行檢測，結果見圖4。

圖4優化水質異常檢測模型檢測結果輸入圖

由圖4（a）可知，在1000 種水質信號中分別有50 種異常信號，950種正常信號。由圖4（b）可知，在異常強度為1的水質檢測中，共有8種異常信號檢測出現錯誤。由圖4（c）可知，在異常強度為1.5的水質檢測中，共有9種異常信號檢測出現錯誤。由圖4（d）可知，在異常強度為2的水質檢測中，共有7種異常信號檢測出現錯誤。由圖4（e）可知，在異常強度為2.5的水質檢測中，共有8種異常信號檢測出現錯誤。實驗數據說明，研究提出的優化水質異常檢測模型檢測結果的錯誤率在 0.8% 左右，錯誤率較小，可以被用于水質異常檢測之中。

3結論

礦山廢水水質監測對礦山水質管理至關重要。研究首先提出了基于LSTM的水質預測模型，隨后針對不同水質情況利用EWT進行分解，得到固有模態分量的特征，并利用KFCM進行檢測分析。最后，提出了融合模糊聚類算法和EWT－KPCA方法的水污染監測模型。實驗結果顯示，CNN－EA-LSTM模型在預測化學需氧量、總磷、氨氮及電導率方面表現最優，預測值與實際值高度接近，如化學需氧量實際最大值為 7mg/L ，CNN－EA-LSTM預測最大值為 6.9mg/L 。在融合模糊聚類與EWT-KPCA的水污染檢測模型中，錯誤率僅為 0.8% 左右。數據表明，CNN-EA-LSTM水質預測模型精度最高，而水污染檢測模型同樣具備高準確性。實驗充分驗證了所提礦山水質污染監測模型的有效性和實用性，為礦山水質管理提供了有力支持。

參考文獻：

[1]高云龍，李建鵬，鄭興莘，等.基于自適應近鄰信息的模糊C均值聚類算法[J].光學精密工程，2024，32（7）：1045-1058.

[2]李萍，劉金金.基于改進模糊聚類算法的大數據隨機挖掘仿真[J].計算機仿真，2024，41（2）：496-499；521.

[3]郭怡寧，劉鐵新，董自巖，等.基于改進模糊算法的節理分組軟件開發[J].金屬礦山，2024（2）：219-224.

[4]傅瑩穎，葛泉波，李春喜，等.基于GA-IPSO-KPCA和變權組合模型的電動汽車充電方法[J].控制工程，2024，31（4）：712-721.

[5]陸水，李振鵬，李軍，等.基于ICEEMDAN多尺度熵與NGO-HKELM的轉子故障診斷[J].組合機床與自動化加工技術，2024（4）：175-180.

[6]LakshmikanthaV，HiriyannagowdaA，ManjunathA，et al.IoT based smart water quality monitoring system[J].Global TransitionsProceedings，2021，2（2）：181-186.

[7]姜泉良，趙成如，王媛媛，等.河套灌區地表水污染溯源分析[J].環境科學研究，2024，37（1）：92-101.