基于优化平滑去噪模型与Levy灰狼优化算法的地下水污染源识别研究

本研究针对地下水污染源识别(RGPSs)中数据去噪与优化算法的关键问题，提出优化平滑去噪模型(OSDM)和Levy灰狼优化算法(LGWO)，结合深度置信神经网络(DBNN)替代模型，显著提升识别精度4.23%，为生态环境治理提供新方法。

　　

地下水污染如同潜伏的生态"隐形杀手"，其污染源往往深藏地下难以追踪。传统识别方法面临两大瓶颈：监测数据噪声干扰导致识别偏差，以及优化算法易陷入局部最优解。更棘手的是，现有去噪技术多聚焦信号分解环节，却忽视了重构策略的关键作用；而广泛应用的灰狼优化算法(GWO)存在早熟收敛风险。这些缺陷直接影响污染治理决策的科学性。

针对这些挑战，吉林大学（根据基金项目"中央高校基本科研业务费"2412022QD001推断）的研究团队在《Process Safety and Environmental Protection》发表创新成果。他们构建了优化平滑去噪模型(OSDM)，将变分模态分解(VMD)与智能重构策略结合，使去噪后数据平均相对误差降低1.50%，均方根误差减少7.51。同时提出Levy飞行灰狼优化算法(LGWO)，通过随机游走策略突破局部最优限制。研究还证实深度置信神经网络(DBNN)替代模型的模拟误差小于1.6%，计算效率提升近99%。这些突破使污染源识别精度整体提高4.23%。

关键技术包括：1)基于VMD的信号分解与OSDM重构；2)DBNN替代模型构建并与支持向量机(SVM)、高斯过程回归(GPR)对比验证；3)LGWO算法中引入Levy飞行随机游走策略；4)通过平均相对误差(MRE)和决定系数(R²)等多指标评估体系。

主要结果

1. 去噪模型验证：OSDM重构的污染物浓度与无噪数据差异显著小于原始噪声数据，证明其既能避免欠去噪又能防止信息过度丢失。

2. 替代模型比较：DBNN的R²>0.99，优于SVM和GPR模型，其1.6%的MRE满足工程精度需求。

3. 算法优化：LGWO在测试函数中展现出更优的全局搜索能力，成功规避原GWO算法的早熟收敛缺陷。

讨论与意义

该研究首次将数据重构策略提升至与分解方法同等重要的地位，OSDM模型通过平衡IMF分量选择解决了传统去噪"过犹不及"的难题。LGWO算法中Levy飞行的长步长随机特性有效拓展了搜索空间，这一改进可推广至其他优化问题。DBNN替代模型的高精度验证了深度学习在环境建模中的优势，其99%的效率提升为大规模污染模拟提供可能。这些创新为地下水污染精准治理提供了方法论基础，对保护生态环境和人类健康具有重要实践价值。