水是自然界的基础物质之一,是人类生产生活中稀缺的资源。随着工业的快速发展,可用淡水资源逐渐减少,快速高效地检测污染水质,可以防止污染源进一步扩散,保障人类的生活生产需求,因此水质检测意义重大。传统水质检测一般是通过人为采样,实验室分析等步骤实现的,该方法效率低下,且费时费力。无线传感器网络技术的兴起,为水质检测提供了新的途径,同时,基于无线传感器网络的异常数据检测方法为水质异常检测提供了技术保障。目前,已有大量学者提出了多种无线传感器水质异常数据检测算法,但这些算法往往需要数据的先验分布条件,无法对待测水域采集的未知数据进行直接检测,另外,在大面积水域检测中会部署许多传感器节点,这些节点会感知采集许多对应参数的水质数据,这对异常数据检测算法的时效性要求更高。因此,针对上述问题,如何基于水质无线传感网络应用的特点提出有效的水质异常数据检测算法是本文研究的重点。本文的主要研究内容如下:1.针对现有检测方法对没有先验知识的水质异常数据检测精度低的问题,本文提出了基于K-means聚类的BPNN水质异常数据检测算法,将K-means聚类算法能对数据精准分类的特性与BP神经网络相结合,首先通过K-means聚类将初始水质数据进行分类,并对不同类别的数据打上特征标签,实现异常数据和正常数据的分类标记,再利用带标签的数据集对BP神经网络进行训练,得到最终的水质异常数据检测模型,该检测模型不需要对水质数据进行重复聚类处理,可直接实现后续水质数据的快速检测。2.针对现有算法对WSN采集的海量水质数据检测时间长,无法实现水质异常数据实时检测的问题,本文提出了基于小波分解的压缩感知与SVM相结合的分级式水质异常检测算法,算法首先利用多层小波分解将初始水质信号分离为低频信号和高频信号,此时低频信号包含绝大部分水质正常数据信息,高频信号保留水质异常数据信息,再利用压缩感知对小波分解中的正常数据进一步压缩,最后将压缩后的低频信号和小波分解中的高频信号组成新的水质数据样本,利用SVM进行分类处理,从而实现水质异常数据的有效检测。3.基于MATLAB软件,采用真实水质数据,对本文提出的两种水质异常数据检测算法进行实验仿真。实验表明,基于K-means聚类的BPNN水质异常数据检测算法在两组不同数据集上的平均检测率为94.4%,相较于基于萤火虫优化的随机森林异常检测算法和BP神经网络异常检测算法而言,平均检测率分别提高了9.87%和15.5%,平均误报率分别降低了3.2%和5.7%,因此,该算法在未知水质数据特征分布的无线传感网络异常检测应用中具有更高的检测精度;基于小波分解的压缩感知与支持向量机相结合的分级式水质异常数据检测算法在两组不同的数据集上的平均检测时间为4.7s,平均检测率为92.35%。相较于基于主成分分析优化的支持向量机算法和基础的SVM算法而言,平均检测时间分别降低了4.27s和7.53s,平均检测率分别提高了6.1%和7.7%,因此,在节点数量庞大的水质无线传感器异常数据检测场景中,采用该算法既能实现水质异常数据的高精度检测,又能保障检测的实时性。