本发明涉及水质参数评估领域，尤其涉及一种基于自适应模糊聚类的水质评估方法及系统。
背景技术：
1、河流水质受到诸多水质指标影响，如ph、溶解氧、浊度、氨氮、高锰酸盐、有机污染物以及其他多种因素等，常见的单因子评价方法则仅选用目标水体中最差的水质单向指标作为评价参数评价水体质量，无法客观地反映水体整体的综合状态，而相关技术通过机器学习算法进行河流污染物风险评估方法中，如通过随机森林模型预测综合水质指数(wqi)得分及优化pmf溯源的水质评价方法，其根据文献经验确定wqi模型中参数权重；基于建立的wqi模型为监测数据赋值；利用随机森林模型预测、评估性能参数并确定最优wqi模型；继续使用随机森林模型得到的性能参数优化pmf的源分摊计算机制，但是，wqi模型中权重需借助目标区域相关文献或是专家意见进行人为评价及确定，存在较强主观性，而对于通过水质参数标准差及相互作用系数构建综合权重系数的综合评价方法，其通过构建水质评价权重指标；基于回归分析筛选关键指标；采用topsis法修正单个样本的综合水质评价指标，但是，该技术中，各水质参数权重的赋予仅考虑水质指标本身统计学指标，未考虑社会、生态等因素对水质评价的影响，因此，相关机器学习技术仅以最差水质单项指标判断水质类别，无法客观的判断整体水质状况，且评价过程中涉及专家评价或参考经验，存在较强的主观性。
技术实现思路
1、为了解决上述技术问题，本发明的目的是提供一种基于自适应模糊聚类的水质评估方法及系统，能够从多维度对水质进行客观的评价分析，从而提高水质预测结果的准确度。
2、本发明所采用的第一技术方案是：一种基于自适应模糊聚类的水质评估方法，包括以下步骤：
3、获取水质污染参数，所述水质污染参数包括目标流域的环境检测参数和环境检测参数对应的生态社会参数；
4、基于emt的时间序列聚类算法与模糊数学算法，对水质污染参数进行聚类分析，得到水质污染参数指标；
5、基于深度学习神经网络，对水质污染参数指标进行水质污染预测，并根据水质污染预测结果进行水质等级划分，得到综合水质评价等级；
6、根据综合水质评价等级进行预警级别的划分处理，根据划分后的预警级别进行水质风险预警。
7、进一步，所述基于emt的时间序列聚类算法与模糊数学算法，对水质污染参数进行聚类分析，得到水质污染参数指标这一步骤，其具体包括：
8、通过线性函数对水质污染参数进行模糊化处理，得到水质污染参数的隶属度；
9、设置适应度函数并引入聚类算法，构建基于emt的时间序列聚类算法，所述适应度函数包括最大轮廓系数与戴维森堡丁指数；
10、基于emt的时间序列聚类算法，对水质污染参数的隶属度进行聚类分析，得到水质污染参数指标。
11、进一步，所述通过线性函数对水质污染参数进行模糊化处理，得到水质污染参数的隶属度这一步骤，其具体包括：
12、确定水质污染参数与水质质量的函数关系；
13、若水质污染参数与水质质量的函数关系呈正相关关系，则对水质污染参数进行取倒数处理，得到第一预处理后的水质污染参数；
14、若水质污染参数与水质质量的函数关系呈倒v型关系，则将水质污染参数与最优值进行作差并取绝对值计算处理，得到第二预处理后的水质污染参数；
15、对第一预处理后的水质污染参数与第二预处理后的水质污染参数进行标准化处理并通过隶属度函数进行表征处理，得到水质污染参数的隶属度。
16、进一步，所述通过隶属度函数进行表征处理的表达式具体如下所示：
17、
18、
19、
20、上式中，uij表示水质评价参数的评价因子i对j级水质标准的隶属度，ci表示评价因子i的标准化后数值，si,j表示评价因子i的第j级水质分级标准。
21、进一步，所述适应度函数的表达式具体如下所示：
22、
23、
24、上式中，si表示最大轮廓系数，dbi表示戴维森堡丁指数，xi表示输入数据，表示xi到同一簇中其他样本的平均距离，表示xi到不同簇中其他样本的平均距离，rij表示两个簇ci和cj之间的相似性，n表示数据集中的样本数量，k表示聚类的数量。
25、进一步，所述基于emt的时间序列聚类算法，对水质污染参数的隶属度进行聚类分析，得到水质污染参数指标这一步骤，其具体包括：
26、对水质污染参数的隶属度进行时间序列聚类处理，得到水质污染参数的时间序列；
27、通过适应度函数获取水质污染参数的时间序列的适应度值；
28、对水质污染参数进行交叉、变异、突变生成新种群并进行时间序列聚类处理，得到新的水质污染参数的时间序列；
29、通过适应度函数获取新的水质污染参数的时间序列的适应度值；
30、循环时间序列聚类处理步骤、适应度值计算步骤以及交叉、变异、突变生成新种群步骤，直至新的水质污染参数的时间序列的适应度值达到最优适应度值，输出最优适应度值对应的水质污染参数指标。
31、进一步，所述基于深度学习神经网络，对水质污染参数指标进行水质污染预测，并根据水质污染预测结果进行水质等级划分，得到综合水质评价等级这一步骤，其具体包括：
32、构建深度学习神经网络，所述深度学习神经网络包括输入层、隐藏层与输出层；
33、将水质污染参数指标输入至深度学习神经网络；
34、基于深度学习神经网络的输入层，获取水质污染参数指标数据；
35、基于深度学习神经网络的隐藏层，对水质污染参数指标数据进行拟合处理，得到水质污染参数指标拟合结果；
36、基于深度学习神经网络的输出层，对水质污染参数指标拟合结果进行输出，得到输出后的水质污染参数指标拟合结果；
37、通过评价指标对输出后的水质污染参数指标拟合结果进行水质等级划分，得到综合水质评价等级。
38、本发明所采用的第二技术方案是：一种基于自适应模糊聚类的水质评估系统，包括：
39、获取模块，用于获取水质污染参数，所述水质污染参数包括目标流域的环境检测参数和环境检测参数对应的生态社会参数；
40、聚类模块，用于基于emt的时间序列聚类算法与模糊数学算法，对水质污染参数进行聚类分析，得到水质污染参数指标；
41、预测模块，用于基于深度学习神经网络，对水质污染参数指标进行水质污染预测，并根据水质污染预测结果进行水质等级划分，得到综合水质评价等级；
42、预警模块，用于根据综合水质评价等级进行预警级别的划分处理，根据划分后的预警级别进行水质风险预警。
43、本发明方法及系统的有益效果是：本发明通过获取目标流域的环境检测参数和环境检测参数对应的生态社会参数，进一步基于emt的时间序列聚类算法与模糊数学算法进行聚类分析，无需通过专家评价等主观方式为各类水质参数赋予权重，采用emt方法对聚类数进行自适应选择，进一步避免了人为的主观影响，使得分类结果更为客观，选用时间序列聚类方法考虑了水质参数与时间序列间的关系，识别了数据中可能存在的季节或时间变化模式，提高水质预测结果的准确度，同时数据采取模糊化处理，转化为隶属度函数避免了部分参数没有明确分类标准导致难以区分的情况，最后基于神经网络进行预测分类，能够从多维度对水质进行客观的评价分析，从而提高水质预测结果的准确度。
1.一种基于自适应模糊聚类的水质评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于自适应模糊聚类的水质评估方法，其特征在于，所述基于emt的时间序列聚类算法与模糊数学算法，对水质污染参数进行聚类分析，得到水质污染参数指标这一步骤，其具体包括：
3.根据权利要求2所述一种基于自适应模糊聚类的水质评估方法，其特征在于，所述通过线性函数对水质污染参数进行模糊化处理，得到水质污染参数的隶属度这一步骤，其具体包括：
4.根据权利要求3所述一种基于自适应模糊聚类的水质评估方法，其特征在于，所述通过隶属度函数进行表征处理的表达式具体如下所示：
5.根据权利要求4所述一种基于自适应模糊聚类的水质评估方法，其特征在于，所述适应度函数的表达式具体如下所示：
6.根据权利要求5所述一种基于自适应模糊聚类的水质评估方法，其特征在于，所述基于emt的时间序列聚类算法，对水质污染参数的隶属度进行聚类分析，得到水质污染参数指标这一步骤，其具体包括：
7.根据权利要求6所述一种基于自适应模糊聚类的水质评估方法，其特征在于，所述基于深度学习神经网络，对水质污染参数指标进行水质污染预测，并根据水质污染预测结果进行水质等级划分，得到综合水质评价等级这一步骤，其具体包括：
8.一种基于自适应模糊聚类的水质评估系统，其特征在于，包括以下模块：
