摘" 要：近年来，随着人工智能应用范围的逐渐扩大，各行各业都与人工智能存在或多或少的联系。传统的水质监测方法包括人工采样与实验室分析、现场检测和遥感技术等，这些方法存在时效性差、覆盖范围有限、数据不连续且成本高昂等问题。神经网络的出现大幅提升了传统技术在预测和数据处理方面的效果。在此基础上，通过粒子群算法对BP神经网络进行优化（PSO-BP），结果显示优化后的模型具有更高的准确度和更小的误差。这不仅进一步提高了水质监测的准确性和时效性，还显著降低了监测成本，节省了人力、物力和财力，为水质监测提供了一种新的技术手段。
关键词：人工智能；水质监测；粒子群算法；BP神经网络
中图分类号：TP183；TP39 文献标识码：A 文章编号：2096-4706（2025）03-0153-05
Research on Water Quality Monitoring Method Based on Particle Swarm Optimization BP Neural Network
YAN Jia， LIU Qiannan， LIU Cheng
（School of Computer Science， Xian Shiyou University， Xian" 710065， China）
Abstract： In recent years， with the gradual expansion of the scope of AI applications， various industries are connected with Artificial Intelligence more or less. Traditional water quality monitoring methods include manual sampling and laboratory analysis， on-site testing， and remote sensing technology， which exist poor timeliness， limited coverage， discontinuous data， and high costs and other problems. The advent of neural networks has significantly enhanced the effect of traditional technologies in prediction and data processing. Based on this， the BP neural network is optimized using Particle Swarm Optimization. The results show that the optimized model achieves higher accuracy and smaller error. This not only further improves the accuracy and timeliness of water quality monitoring but also significantly reduces monitoring costs， saving manpower， material resources， and financial resources. It provides a new technical means for water quality monitoring.
Keywords： Artificial Intelligence; water quality monitoring; Particle Swarm Optimization; BP neural network
0" 引" 言
水质监测可以监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势，从而评价水质状况。通过水质监测，可以及时发现水质问题，采取措施防止水质进一步恶化，保护水资源，维护生态平衡[1]。
传统的水质监测方法包括以下几种：
1）人工采样与实验室分析法。监测人员通过专用采样设备采集水样，然后在实验室中利用专业技术和设备检测水体中的各类污染物，从而评估水质状况。这种方法的弊端在于数据时效性差，从采样到获取结果的时间过长，且受人力因素影响较大。
2）现场检测法。利用便携式仪器在水域现场进行部分水质参数的实时检测。然而，现场检测易受多种环境因素的干扰，导致结果的准确性和稳定性下降。
3）遥感技术法。通过卫星、飞机或无人机搭载的传感器，捕捉水体表面的温度、颜色、反射率等信息，从而对水体进行宏观监测。该方法受气象条件影响较大，且无法直接测量某些关键水质参数[2]。
BP神经网络算法的出现，通过自动学习数据中的特征，免去了人工特征提取的烦琐过程，大大提高了数据处理的效率和准确性[3]。然而，传统的BP神经网络存在局限性，其收敛速度慢，需要大量迭代才能收敛，且处理缺失数据和异常值的能力有限，导致预测结果存在较大偏差，容易陷入局部最优解，从而影响预测的准确性[4]。因此，通过粒子群算法（PSO）对BP神经网络进行优化成为一种有效途径。在优化BP神经网络的权重和偏差时，粒子群算法能够避免陷入局部最优解，从而找到更接近全局最优解。此外，优化后的模型在水质监测中具有自动学习数据特征、在线实时监测、提高预测和检测的准确性、降低监测成本以及实现区域性、全局性监测等优势。
1" 基本原理和结构
1.1" BP神经网络的基本原理
BP神经网络（Back Propagation Neural Network）是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。其核心思想是通过前向传播计算误差，然后通过反向传播调整网络参数，以最小化误差[5]。
BP神经网络的基本原理主要包括两个过程：信号的前向传播和误差的反向传播。在前向传播过程中，输入信号通过输入层进入网络，经过隐藏层中各个神经元的处理，最终产生输出信号[6]。如果输出层的实际输出与期望输出不符，则进入误差的反向传播过程。首先，计算输出层的误差，然后将误差通过隐藏层逐层反传至输入层，并将误差分摊给各层的所有单元[7]。
1.2" BP神经网络的结构
BP神经网络的结构如图1所示。
其中，x为输入特征，y为输出值。输入层到隐含层的权值为ωij，阈值为θj，隐含层到输出层的权值为ωjk，阈值为θk，输入层有n个神经元，输出层有m个神经元。
1.3" 粒子群算法的基本原理
粒子群算法（Particle Swarm Optimization， PSO）是一种启发式优化算法，其基本原理是模拟鸟群觅食行为[8]。该算法通过一组随机生成的粒子在解空间中搜索最优解。每个粒子代表一个潜在的解决方案，粒子通过跟踪自己的最佳位置（个体极值）和群体的最佳位置（全局极值）来更新自己的速度和位置[9]。
其优势在于：一是简单易实现，算法流程简单；二是并行性强：由于每个粒子独立进行搜索，适合并行运算[10]；三是适应性广：可应用于多种优化问题，特别是非线性、非凸、多模态的复杂优化问题[11]。
1.4" 粒子群算法的步骤
1）初始化。机生成粒子群，设定每个粒子的初始位置和速度。通常，粒子的初始位置在问题的定义域内随机分布，初始速度可以设为0或随机值。
2）适应度计算。根据目标函数，计算每个粒子当前的位置的适应度值。
3）更新个体极值和全局极值。对每个粒子，如果其当前适应度值优于其个体极值，则更新个体极值为当前值；对所有粒子，如果其中一个粒子的适应度值优于全局极值，则更新全局极值为该粒子的当前位置。
4）更新速度和位置。根据以下公式更新每个粒子的速度和位置：
速度更新计算式为：
（1）
其中，ω为惯性权重，c1和c2为学习因子，r1和r2为[0，1]之间的随机数。
位置更新计算式为：
（2）
5）终止条件。如果满足终止条件（如达到最大迭代次数或适应度值达到预定阈值），则结束算法；否则，返回步骤2）继续迭代。
通过不断地迭代，粒子群算法可以逐步逼近全局最优解。其流程图如图2所示。
2" 构建粒子群算法优化BP神经网络模型
2.1" 数据收集与处理
收集相关水质监测数据，包括pH酸碱度、溶解氧、COD（Mn）、氨氮等指标。通过这些指标可以对水体的酸碱度、富营养化状况、有机物污染程度等方面进行评估，从而判断水体的综合水质状况。数据来源于2015—2020年太湖的水体物理及化学监测数据，选取pH酸碱度、溶解氧、COD（Mn）和氨氮进行实验分析。部分水质指标的数据信息如表1所示。
对监测数据进行预处理，使用MATLAB中常用的函数mapminmax对数据进行归一化，将数据缩放到[0，1]的范围内，以消除不同特征之间量级的差异，使神经网络更容易训练和收敛。其计算式为：
（3）
对数据进行预处理后，将数据集划分为训练集和测试集。本次实验共有576组数据，将前384组数据作为训练集，占总数据的2/3；将其后的192组数据作为测试集，占总数据的1/3。这样划分数据集的目的是更好地评估模型的泛化能力和预测效果。
2.2" 优化模型的构建原理及步骤
基于粒子群算法优化BP神经网络模型的原理是通过粒子群的迭代和优化过程，不断调整BP神经网络的权重和阈值参数，以最小化预测误差，并实现对时序数据的有效预测[12]。
其步骤如下：
1）数据预处理：对数据进行归一化处理并划分数据集。
2）创建BP神经网络：设置包含100个神经元的隐含层和1个神经元的输出层。隐含层用于特征提取，输出层用于生成最终的预测结果。
3）进行PSO参数的设置：设置粒子群大小为20，最大迭代次数为500，惯性权重ω为0.8，个体学习因子c1和群体学习因子c2均为1.5。
4）初始化粒子群：初始化粒子的位置与速度，以及个体最优解和全局最优解。
5）计算适应度值并更新速度和位置，然后计算新的适应度值。
6）找到最优解后，得到优化后的权重和偏置。
2.3" 模型优化的流程图
粒子群算法优化BP神经网络模型的流程图如图3所示。
2.4" 模型训练与测试
使用训练集对模型进行循环训练，训练次数为500次。训练完成后，使用测试集对模型进行测试，并计算模型在测试集上的准确率等指标，从而评估模型的预测能力和稳定性。通过对模型在测试集上的表现进行分析，进一步评估模型的性能和泛化能力，并对预测结果进行解释。
3" 实验结果与分析
3.1" 实验环境搭建
实验所用电脑配置为Intel（R） Core（TM） i5-1035G7 CPU，内存为8 GB。使用的工具为MATLAB，它提供了丰富的工具箱和函数，能够方便地进行数据预处理，为后续的分析和建模奠定了坚实基础。同时，MATLAB也可以高效地处理大量水质监测数据，进行统计分析、特征提取和模式识别。
3.2" 实验参数设置
将水质数据中的pH酸碱度、溶解氧、COD（Mn）、氨氮四个指标作为输入特征，将训练集和测试集的目标值作为目标输出。在构建BP神经网络时，创建了一个前馈神经网络，其中隐含层包含100个神经元，输出层包含1个神经元。在使用粒子群算法进行优化时，对粒子的位置和速度进行初始化，设置学习因子为1.5，惯性权重初始值为0.8，并设置最大训练次数为500。
3.3" 实验结果分析
图4展示了BP神经网络模型在训练数据和测试数据上的预测表现，分别用两个子图表示。图5展示了PSO-BP模型在训练数据和测试数据上的预测表现。图中，圆圈表示训练数据的实际值，星号表示模型对训练数据的预测值。通过对图4和图5的分析比对，从训练数据来看，图5的数据点分布更为集中，显示出PSO-BP模型在训练数据上的拟合效果更为稳定；从测试数据来看，图5的数据点拟合程度更高，表明PSO-BP模型在测试数据上的泛化能力更强。
图6和图7分别展示了BP神经网络和通过粒子群算法优化BP神经网络后的均方误差（MSE）图。从图6可以看出，在训练过程中，BP神经网络在第200次迭代时达到了最佳训练性能，此时均方误差最低，为0.005 168 5。而从图7可以看出，经过粒子群算法优化后的BP神经网络在第108次迭代时达到了最佳性能，均方误差为0.000 976 74。因此，图7的性能更好，因为其具有更低的最佳训练性能值。这表明优化后的网络在训练过程中学习效果更优，且均方误差值越小，表明网络在训练集上的拟合效果越好。因此可以判断，通过粒子群算法优化BP神经网络后，其准确度显著提高，迭代速度也更快。
图8展示了PSO-BP的训练状况图。图中梯度值（Gradient）为0.036 973，这表明网络虽然仍在调整权重，但已经较为充分地收敛。动量参数（Mu）用于调整学习率，随着训练过程的推进，Mu逐渐减小，在第108次迭代时降至10-6，这表明网络已进入微调阶段，此时学习率较小，训练过程更加稳定。验证误差图显示，在整个训练过程中，验证检查次数始终为0，这表明训练过程中验证集的性能没有恶化，意味着网络在验证集上保持了稳定的性能，没有出现过拟合现象。因此，通过此图可以判断PSO-BP在训练过程中表现出良好的收敛性，学习率逐渐降低，验证误差接近0，这表明网络已经学习到了数据的内在规律，并且能够在新的数据上做出准确的预测。
4" 结" 论
以太湖2015—2020年的水质数据为研究对象，研究结果表明，采用粒子群算法对BP神经网络进行优化改进后，其准确度明显提高，收敛速度显著加快，拟合效果也明显提升。这些结果表明，优化后的模型在水质监测中具有显著优势。该优化方法可应用于实时在线水质监测，及时发现水质的异常变化；也可用于污染事故的快速响应和应急处理，能够迅速处理事故现场的水质数据，评估污染影响范围，帮助人们快速采取应对措施。然而，该方法对数据的质量和数量依赖性较强，数据质量不高或数据量不足均会影响模型的准确性；此外，该方法对环境和硬件要求较高，在处理大规模或高维度数据时，可能需要高性能的计算设备。
未来，随着神经网络技术的不断发展，我们将应用更先进、准确率更高的模型进行研究，以进一步提高水质监测的准确性和监测速度，拓展其应用场景，为社会做出更大的贡献。
参考文献：
[1] 任海静，马一祎.我国智慧水务的发展现状及前景 [J].建设科技，2021（6）：60-63+67.
[2] 刘东君，邹志红.最优加权组合预测法在水质预测中的应用研究 [J].环境科学学报，2012，32（12）：3128-3132.
[3] 王丽学，马慧，杨旭，等．基于MATLAB的BP神经网络大伙房水库非汛期水质预测 [J].沈阳农业大学学报，2014，45（3）：363-367.
[4] 孙一兵.浅议BP网络的优缺点及改进 [J].科技创新导报，2009（24）：18.
[5] 琚振闯，王晓，弓艳霞.基于BP神经网络的黄河水质预测研究 [J].青海大学学报，2017，35（3）：88-92+102.
[6] 顾杰，王嘉，邓俊晖，等.基于ARIMA模型与BP神经网络算法的水质预测 [J].净水技术，2020，39（6）：73-82.
[7] 陈健，黄丽华，曲激婷.基于BP神经网络的FRP筋与混凝土界面黏结强度预测 [J].大连理工大学学报，2021，61（3）：272-279.
[8] 张水平，王碧.动态搜索空间的粒子群算法 [J].计算机应用研究，2016，33（7）：2047-2050+2067.
[9] 铁锦程，赵战营.基于粒子群优化算法的模型超参调优方法应用研究 [J].计算机应用与软件，2023，40（10）：150-155.
[10] GOODFELLOW I，BENGIO Y，COURVILLE A. Deep Learning [M].[S.I.].MIT press，2016.
[11] XU L，SONG B Y，CAO M Y. An Improved Particle Swarm Optimization Algorithm with Adaptive Weighted Delay Velocity [J].Systems Science amp; Control Engineering，2021，9（1）：188-197.
[12] 赵振江.基于PSO-BP神经网络的网络流量预测与研究 [J].计算机应用与软件，2009，26（1）：218-221.
作者简介：闫佳（2000.07—），女，汉族，陕西西安人，硕士研究生在读，研究方向：深度学习。
