1.一种基于双重迁移学习策略的LSWSVM的污水截流系统水质分类方法，其特征在于，包括如下步骤：步骤1：建立水质样本输入集，引入具有多尺度插值特性和稀疏变化特性的小波函数，作为LSSVM的核函数，构成LSWSVM分类模型；

步骤2：在源域中利用增强的自适应差分进化算法EADE获取最佳的LSWSVM的惩罚因子C1和小波核函数参数a1，并计算出模型的最优解ω1和b1；

步骤3：利用双重迁移学习策略DTL，将源域中的模型知识和最优参数迁移到目标域中，以构建新的LSWSVM分类模型；

步骤4：在目标域中重塑目标函数，所述重塑的目标函数是在损失函数中加入权重参数；

步骤5：在目标域中利用EADE算法获取最佳的LSWSVM的惩罚因子C2和小波核函数参数a2，并计算出模型的最优解ω2和b2，最终获取DTL‑EADE‑LSWSVM分类模型；

步骤6：将步骤5获取的DTL‑EADE‑LSWSVM分类模型嵌入到云平台当中以构建基于物联网技术的污水智能截流系统。

2.根据权利要求1所述的基于双重迁移学习策略的LSWSVM的污水截流系统水质分类方法，其特征在于，所述步骤1中引入的小波核函数，其公式为：d

其中，xi,xj∈R ，xi是第i个支持向量，xj是第j个支持向量，xi,s是第i个支持向量中第s个维度的元素，xj,s是第j个支持向量中第s个维度的元素，as是第s个维度对应的小波核函数参数，d是支持向量x的维度；

LSWSVM在源域上构建的分类模型，其优化问题可以表示为：d

其中，数据集X＝{(xi,yi)|i＝1,2,...,N}，xi∈R，yi∈{+1,‑1}，xi为输入向量,yi为相应的输出，N表示样本的数目，ω1表示源域分类超平面的法向量，b1表示源域分类超平面的偏移量，||.||表示二范数，ξi1表示在源域第i个样本的拟合误差，N表示样本的数目，C1表示源域正则化参数。

3.根据权利要求1所述的基于双重迁移学习策略的LSWSVM的污水截流系统水质分类方法，其特征在于，所述步骤2在源域中利用EADE算法获取最佳的C1和a1，实现步骤如下：(1)在初始阶段，EADE算法在初始化阶段，通过随机生产NP数量的D维参数向量Xi,g＝

1 D

{xi,g,…,xi,g}来开始搜索过程，i＝1,2,…,NP，g＝0,1,…,Gmax，其中Gmax表示最大迭代次数；另外，根据待优化问题设置变量中每一维的搜索上下限，其中搜索上限定义为Xmax＝

1 D 1 D

{xmax,...,xmax}，搜索下限定义为Xmin＝{xmin,...,xmin}；

(2)在变异阶段利用外部档案A存储进化过程的劣解，设计带有档案的变异策略DE/current‑to‑pbest/1，变异向量Vi,g由如下表达式产生：其中，Xi,g是当前g代种群P中的第i个个体，Fi,g是当前g代种群P中的第i个个体对应的p突变因子，Xr1,g是当前g代种群P中一个与Xi,g不同的随机个体，X best,g是从当前g代种群P的前100p％个体中随机选取而来， 是{P∪A}中随机选取的一个个体，EADE算法以柯西分布的方式独立生成每个个体Xi的突变因子Fi，公式如下：Fi,g＝randc(ρFg,0.1)

其中，ρF是位置参数，0.1为尺度参数；如果Fi≥1，则Fi取值为1；如果Fi≤0，则位置参数ρF按照以下公式进行更新：ρFg+1＝(1‑c)×ρFg+c×meanL(SFg)

其中，ρF1＝0.5，c＝0.1；记SFg为第g代所有成功突变因子Fi,g的集合，则meanL(SFg)的计算公式如下：其中，F是当代所有成功突变因子的集合；

(3)在交叉阶段，EADE算法采用二项式交叉算子对目标向量Xi,g和突变向量Vi,g进行交j叉运算生成试验向量Ui,g，试验向量Ui,g的第j维元素ui,g生成方式如下：其中，jrand是从集合{1,2,…,D}中随机选择的一个数，目的是为了确保试验向量Ui,g的D维元素中至少有一个来自突变向量Vi,g；Cri∈[0,1]为个体Xi,g的交叉概率；EADE算法以正态分布的方式独立生成每个个体Xi的交叉概率Cri，公式如下：Cri,g＝randn(ρCrg,0.1)

其中，ρCrg是第g代Cr均值，0.1为标准差，Cri,g是第g代第i个个体的交叉概率，Cri,g的范围为[0,1]，均值ρCrg按照以下公式进行更新：ρCrg+1＝(1‑c)×ρCrg+c×meanA(SCrg)其中，ρCr1＝0.5，c＝0.1，记SCrg是第g代所有成功交叉概率Cri,g的集合，则meanA表示集合的算术平均值；

(4)在选择阶段，对试验向量Ui,g与目标向量Xi,g进行比较，如果Ui,g的适应度值低于Xi,g的适应度值，那么Ui,g将被选为下一代目标向量Xi,g+1，选择操作的表达式如下：其中，f(·)为需要被优化的适应度函数；

EADE算法在执行初始化后，不断重复执行交叉、变异和选择，直至满足停止条件，最后算法输出最优解ω1和b1。

4.根据权利要求3所述的基于双重迁移学习策略的LSWSVM的污水截流系统水质分类方法，其特征在于，EADE算法设计一种Cr动态分配策略，主要是按照从小到大对Cr值和个体适应度值进行排序，然后再一一对应进行分配：首先按照升序对公式生成的Cr值进行排列得到Cr’：

Cr'＝sort(Cr,'ascend')

然后按照升序对个体的适应度值进行排列，得到每个个体的索引index，如下所示：index＝sort(f,'ascend')

最后根据个体的适应度值将排序后的Cr’值分配给每个个体，如下所示：Cr'→x(index)

EADE算法中还设计一种种群规模动态调整策略，在EADE进化过程中，第g代时种群规模NP为：其中，NPmax和NPmin分别为种群规模的上限和下限， 表示向下取整，Gmax为最大迭代次数，通过动态调整种群规模，在进化前期，较大的种群规模可以对更广泛的搜索空间进行探索，提高算法的多样性，在进化后期，较小的种群规模可以提高收敛速度和解的精度。

5.根据权利要求1所述的基于双重迁移学习策略的LSWSVM的污水截流系统水质分类方法，其特征在于，所述步骤3中采用双重迁移学习策略DTL，分别为EADE的迁移学习和LSWSVM的迁移学习，其中EADE将源域最终种群和参数保存到数据库中以用于下一次的迁移，构成TL‑EADE算法；而在LSWSVM中增加迁移学习机制是通过串联源域分类结果和迁移源域分类器的最优支持向量以更高的分类性能和更快的计算速度解决目标域中分类器的构建问题：LSWSVM在目标域上构建的分类模型，其优化问题表示为：

其中，ω2表示目标域分类超平面的法向量，b2表示目标域域分类超平面的偏移量，||.||表示二范数，ξi2表示在目标域第i个样本的拟合误差，C2表示目标域正则化参数，X′是原始数据集X和源域分类标签F1的组合。

6.根据权利要求5所述的基于双重迁移学习策略的LSWSVM的污水截流系统水质分类方法，其特征在于，所述步骤4在目标域中重塑目标函数，在损失函数中加入权重参数，重塑后的目标函数如下：+ ‑

其中，N和N分别为N个样本中正类和负类样本的个数。

7.根据权利要求1所述的基于双重迁移学习策略的LSWSVM的污水截流系统水质分类方法，其特征在于，所述步骤5中将重复步骤2对目标域中的LSWSVM模型进行参数优化，求解出最优的ω2和b2。