項新建　顏超龍　費正順等

關鍵詞：水質分類；多分類器；神經(jīng)網(wǎng)絡；證據(jù)理論融合

中圖分類號： Ｘ８２４ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０１．０１９

引用格式：項新建，顏超龍，費正順，等．一種基于多分類器和證據(jù)理論融合的水質分類方法［Ｊ］．人民黃河，２０２４，４６（１）：１０９－１１３．

近年來，水資源污染及短缺狀況愈發(fā)嚴重。為此，中央及地方政府已頒布實施多項治水政策，水質評價成為水環(huán)境科學領域的研究熱點［１］ 。水質評價方法分為單因子污染評價法和多因子綜合評價法兩類［２］ 。單因子污染評價法選取最差單項水質因子所屬類別來代表所測區(qū)域綜合水質類別［３］ ，評價結果存在較高片面性。多因子綜合評價法是根據(jù)各種水質因子組成的非線性系統(tǒng)進行綜合評價，其包括模糊綜合評價法［４］ 、內梅羅指數(shù)法［５］ 、熵權法［６］ 等，但難以處理評價指標與水質等級之間的非線性關系，多是對指標賦權重，受人為干預較多。

當前機器學習與神經(jīng)網(wǎng)絡算法快速發(fā)展，如支持向量機和人工神經(jīng)網(wǎng)絡等極具代表性的算法，可解決傳統(tǒng)方法難以處理的非線性關系和人為主觀干預問題。近年來，ＢＰ 神經(jīng)網(wǎng)絡模型被廣泛用于水質評價，并融合各種仿生算法以提升評價精度，如海豚群算法和螢火蟲算法［７］ 等。但實際工作中不同分類器會對水質評價產(chǎn)生不均衡問題，且適應性較差、準確率較低，依賴單分類器進行決策仍具有風險。因此，本文提出一種基于多分類器和證據(jù)理論融合的方法對水質類別進行判定，以準確率、精確率、召回率、Ｆ１ 值驗證多分類器融合模型的分類效果，以期為解決水污染問題提供參考。

１ 水質數(shù)據(jù)來源與處理

根據(jù)國控水站水質評價結果，全國地表水Ⅱ類水質占３９．０％，Ⅴ類水質、劣Ⅴ類水質僅分別占５．２％、３．１％，說明全國地表水水質總體良好。從國家地表水水質自動站發(fā)布的２０２２ 年３ 月１—２２ 日水質數(shù)據(jù)中選取３ ５５８條數(shù)據(jù)為樣本集，其中：Ⅰ類水質數(shù)據(jù)５３１條，Ⅱ類水質數(shù)據(jù)８４０ 條，Ⅲ類水質數(shù)據(jù)５６９ 條，Ⅳ類水質數(shù)據(jù)５４６ 條，Ⅴ類水質數(shù)據(jù)５４４ 條，劣Ⅴ類水質數(shù)據(jù)５２８ 條。

水質樣本ｐＨ 值為６～９，對水質類別判定無影響。選用溶解氧、高錳酸鹽指數(shù)、氨氮、總磷作為評價水質類別的指標。各指標標準限值參考《地表水環(huán)境質量標準》（ＧＢ ３８３８—２００２），見表１。

２ 研究方法

２．１ 深度神經(jīng)網(wǎng)絡水質分類模型

深度神經(jīng)網(wǎng)絡（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）是一種利用誤差反向傳播算法訓練的多層神經(jīng)網(wǎng)絡，可從原始數(shù)據(jù)中逐步提取更高層次的特征。ＤＮＮ 依靠其內部激活函數(shù)具有強大的非線性擬合能力，通過前向傳播和誤差反向傳播兩個過程優(yōu)化各種參數(shù)，不斷更新各層權值和偏置，使預測輸出結果更接近真實值。ＤＮＮ 內部結構分為輸入層、隱藏層以及輸出層［８］ ，見圖１，圖中ｘ 為輸入數(shù)據(jù)，ｙ 為輸出數(shù)據(jù)。

采用３ 層深度神經(jīng)網(wǎng)絡預測水質類別，把ＲｅＬｕ作為激活函數(shù)，采用Ａｄａｍ 梯度下降算法對權重進行更新，使ＤＮＮ 預測水質類別不斷接近真實水質類別。

２．２ 支持向量機水質分類模型

支持向量機（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）是較為經(jīng)典的機器學習算法，其遵循結構風險最小化原則［９］ ，具有較強的泛化能力，能夠實現(xiàn)較好的分類效果。ＳＶＭ 算法中核函數(shù)可將低維數(shù)據(jù)映射至高維空間實現(xiàn)非線性可分，并且通過一對多法與一對一法可有效實現(xiàn)多分類。

３．３ 水質分類流程

基于多分類器和證據(jù)理論融合的水質分類流程見圖２。

４ 結果分析

４．１ 單分類器性能

多分類器融合前需要獲得ＤＮＮ 水質分類模型、ＰＳＯ－ＳＶＭ 水質分類模型和貝葉斯水質分類模型。將水質訓練樣本放入深度神經(jīng)網(wǎng)絡可獲得ＤＮＮ 水質分類模型，其訓練過程損失值變化見圖３。ＤＮＮ 水質分類模型損失值在迭代次數(shù)為０～１００ 時收斂速度較快，在迭代次數(shù)為１００～４００ 時收斂速度緩慢，在迭代次數(shù)為４００～６００ 時收斂于損失值２７，此時ＤＮＮ 水質分類模型對待測水質樣本的分類準確率為８９．２％。

使用粒子群優(yōu)化后的支持向量機水質分類模型（ＰＳＯ－ＳＶＭ）對訓練樣本進行迭代，可獲得粒子群算法的慣性權重為０．５，學習因子ｃ１ 為０．５、ｃ２ 為０．５，迭代次數(shù)為１０，種群規(guī)模為５０。經(jīng)過粒子群優(yōu)化算法（ＰＳＯ）可獲得支持向量機參數(shù)中最佳懲罰系數(shù)Ｃ 和核函數(shù)參數(shù)δ 分別為６．３２５ 和０．５４９。此時ＰＳＯ－ＳＶＭ 水質分類模型對待測水質樣本分類的準確率為８５．８％。

根據(jù)水質訓練樣本可獲得貝葉斯水質分類模型，該模型對２４０ 條待測水質數(shù)據(jù)（樣本）分類的準確率為８２．９％。

４．２ ４ 種模型對各水質類別的識別結果

ＤＮＮ 水質分類模型、ＰＳＯ－ＳＶＭ 水質分類模型、貝葉斯水質分類模型和多分類器融合模型對測試樣本的識別準確率、精確率、召回率分別見表２～表４。此外，得出ＤＮＮ 水質分類模型、ＰＳＯ－ＳＶＭ 水質分類模型、貝葉斯水質分類模型和多分類器融合模型對測試樣本的Ｆ１ 值分別為８９．２％、８５．３％、８３．７％、９４．０％。由表２～表４ 可知，多分類器融合模型對各水質類別的平均識別準確率、精確率、召回率分別為９４．２％、９３．８％、９４．２％，相較于ＤＮＮ 水質分類模型、ＰＳＯ－ＳＶＭ 水質分類模型和貝葉斯水質分類模型，多分類器融合模型準確率分別提高５．６％、９．８％和１３．６％，精確率分別提高５．２％、１０．０％和１０． ９％， 召回率分別提高５． ６％、９． ８％ 和１３．６％，Ｆ１ 值分別提高５．４％、１０．２％和１２．３％。多分類器融合模型的水質識別效果最好。

５ 結論

本文提出的基于多分類器和證據(jù)理論融合的水質分類方法，可有效解決單分類器對不同水質識別不均衡問題，相比于單分類器，多分類器融合模型對水質類別的識別準確率、精確率、召回率、Ｆ１ 值均有所提高，在水質分類方面的準確性和適應性更好，能夠有效識別水質狀況，有利于保護生態(tài)環(huán)境。

【責任編輯 栗銘】