1.一种基于多源数据融合的水质评价方法，其特征在于，包括：

将预处理后的水质评价指标输入到预设的神经网络模型，得到水质类别；

对所述水质类别进行归一化处理，得到基本概率分配函数；

将所述基本概率分配函数输入到预设的D‑S证据理论模型，得到目标融合评价结果；

所述预设的神经网络模型包括反向传播神经网络模型、径向基神经网络模型和极限学习机网络模型；

所述将预处理后的水质评价指标输入到预设的神经网络模型，得到所述水质类别，包括：将所述预处理后的水质评价指标分别输入到所述反向传播神经网络模型、所述径向基神经网络模型和所述极限学习机网络模型，得到所述反向传播神经网络模型对应的第一水质类别、所述径向基神经网络模型对应的第二水质类别和所述极限学习机网络模型对应的第三水质类别；

所述对所述水质类别进行归一化处理，得到基本概率分配函数，包括：分别将所述第一水质类别、所述第二水质类别和所述第三水质类别进行归一化处理，得到所述第一水质类别对应的第一基本概率分配函数、所述第二水质类别对应的第二基本概率分配函数和所述第三水质类别对应的第三基本概率分配函数；

所述将所述基本概率分配函数输入到预设的D‑S证据理论模型，得到目标融合评价结果，包括：根据所述第一基本概率分配函数、所述第二基本概率分配函数和所述第三基本概率分配函数，确定第一融合评价结果；

利用预设迭代方法对所述第一融合评价结果、所述第一基本概率分配函数、所述第二基本概率分配函数和所述第三基本概率分配函数进行n次迭代计算，确定目标融合评价结果，其中，n为大于或等于1的整数；

所述根据所述第一基本概率分配函数、所述第二基本概率分配函数和所述第三基本概率分配函数，确定第一融合评价结果，包括：将所述第一基本概率分配函数作为第一证据、将所述第二基本概率分配函数作为第二证据以及将所述第三基本概率分配函数作为第三证据，并计算所述第一证据对应的第一权重、所述第二证据对应的第二权重和所述第三证据对应的第三权重；

分别根据所述第一权重和预设权重的大小、所述第二权重和预设权重的大小以及所述第三权重和预设权重的大小，确定第四证据、第五证据和第六证据；

按照预设的组合规则对所述第四证据、所述第五证据和所述第六证据进行合成，得到所述第一融合评价结果。

2.如权利要求1所述的方法，其特征在于，所述计算所述第一证据对应的第一权重、所述第二证据对应的第二权重和所述第三证据对应的第三权重，包括：计算所述第一证据与所述第二证据间的第一概率距离和第一冲突因子、所述第二证据与所述第三证据间的第二概率距离和第二冲突因子，以及所述第一证据与所述第三证据间的第三概率距离和第三冲突因子；

分别根据所述第一概率距离与所述第一冲突因子、所述第二概率距离与所述第二冲突因子以及所述第三概率距离与所述第三冲突因子，确定所述第一证据与所述第二证据间的第一冲突程度、所述第二证据与所述第三证据间的第二冲突程度以及所述第一证据与所述第三证据间的第三冲突程度；

分别根据所述第一冲突程度、所述第二冲突程度以及所述第三冲突程度，确定第一相似度、第二相似度和第三相似度；

分别根据所述第一相似度与所述第三相似度、所述第一相似度与所述第二相似度以及所述第二相似度与所述第三相似度，确定所述第一证据对应的第一支持度、所述第二证据对应的第二支持度以及所述第三证据对应的第三支持度；

在所述第一支持度、所述第二支持度和所述第三支持度中选取最大支持度，并分别基于所述第一支持度与所述最大支持度的比值、所述第二支持度与所述最大支持度的比值以及所述第三支持度与所述最大支持度的比值，确定第一权重、第二权重和第三权重。

3.如权利要求1‑2中任一项所述的方法，其特征在于，所述将预处理后的水质评价指标输入到预设的神经网络模型，得到所述水质评价指标对应的水质类别之前，还包括：利用训练集对初始神经网络模型进行训练，得到所述预设的神经网络模型；

对原始水质评价指标进行预处理，得到所述预处理后的水质评价指标。

4.如权利要求3所述的方法，其特征在于，所述利用训练集对初始神经网络模型进行训练，得到所述预设的神经网络模型，包括：在原始样本数据中选取多个样本数据作为所述训练集；

将所述训练集输入所述初始神经网络模型，待迭代次数达到预设次数，确定所述预设的神经网络模型。

5.如权利要求3所述的方法，其特征在于，所述对原始水质评价指标进行预处理，得到所述预处理后的水质评价指标，包括：利用预设函数对所述原始水质评价指标进行归一化处理，得到所述预处理后的水质评价指标。

6.如权利要求5所述的方法，其特征在于，所述原始水质评价指标包括：溶解氧、高锰酸盐指数、五日生化需氧量、氨氮和总磷。