1.一种基于物联网的污染源自动监控系统，其特征在于，包括：

污染物数据采集模块，用于获取待监测区域在多个预定时间点的多项污染物检测数据，所述污染物检测数据包括PM2.5、PM10、二氧化硫、二氧化氮、一氧化碳和臭氧；

污染物数据处理模块，用于从所述多个预定时间点的多项污染物检测数据分别提取第一污染物特征矩阵和第二污染物特征矩阵；

污染物数据融合模块，用于构造所述第一污染物特征矩阵和所述第二污染物特征矩阵之间的空气质量分类特征矩阵，并对所述空气质量分类特征矩阵进行特征表示的期望激活活跃化以得到优化空气质量分类特征矩阵；

污染物数据分析模块，用于将所述优化空气质量分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测区域的空气质量是否正常；

其中，所述污染物数据融合模块，包括：

融合特征矩阵单元，用于对所述第一污染物特征矩阵和所述第二污染物特征矩阵进行融合以获得污染物融合关联特征矩阵；

互为转置卷积核单元，用于将所述污染物融合关联特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到空气质量分类特征矩阵；

优化单元，用于对所述空气质量分类特征矩阵进行特征表示的期望激活活跃化以得到所述优化空气质量分类特征矩阵；

其中，所述优化单元，包括：

计算调整特征值子单元，用于计算以所述空气质量分类特征矩阵的预定位置的特征值为幂的指数函数值再减去一以得到指数调整特征值；

归一化指数调整特征值比子单元，用于计算所述指数调整特征值除以所述空气质量分类特征矩阵的预定位置的特征值，并对结果计算绝对值以得到归一化指数调整特征值比；

Softmax激活子单元，用于将所述归一化指数调整特征值比通过softmax函数进行激活后再乘以所述空气质量分类特征矩阵的预定位置的特征值以得到所述优化空气质量分类特征矩阵的预定位置的特征值。

2.根据权利要求1所述的基于物联网的污染源自动监控系统，其特征在于，所述污染物数据处理模块，包括：各个时间点污染物提取单元，用于从各个所述预定时间点的多项污染物检测数据提取所述第一污染物特征矩阵；

各项污染物提取单元，用于从各项所述污染物检测数据在所述多个预定时间点的序列提取所述第二污染物特征矩阵。

3.根据权利要求2所述的基于物联网的污染源自动监控系统，其特征在于，所述各个时间点污染物提取单元，包括：提取向量子单元，用于将各个所述预定时间点的多项污染物检测数据分别通过包含嵌入层的上下文编码器以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述预定时间点的第一污染物特征向量；

向量二维排列子单元，用于将各个所述预定时间点的第一污染物特征向量进行二维排列为第一污染物特征矩阵。

4.根据权利要求3所述的基于物联网的污染源自动监控系统，其特征在于，所述提取向量子单元，包括：嵌入向量化二级子单元，用于使用所述上下文编码器的嵌入层分别所述各个所述预定时间点的多项污染物检测数据转化为嵌入向量以得到嵌入向量的序列；

上下文编码二级子单元，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到所述多个特征向量；

级联二级子单元，用于将所述多个特征向量进行级联以得到所述对应于各个所述预定时间点的第一污染物特征向量。

5.根据权利要求4所述的基于物联网的污染源自动监控系统，其特征在于，所述各项污染物提取单元，包括：时序编码器子单元，用于将各项所述污染物检测数据在所述多个预定时间点的序列通过包含一维卷积层和全连接层的时序编码器以获得对应于各项所述污染物检测数据的第二污染物特征向量；

构造高斯密度图子单元，用于构造各项所述污染物检测数据的第二污染物特征向量的高斯密度图，所述高斯密度图的均值向量为所述第二污染物特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述第二污染物特征向量中各个位置的特征值间的方差；

构造高斯混合模型子单元，用于构造各项所述污染物检测数据的高斯密度图的高斯混合模型，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的按位置加权和，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的按位置加权和；

高斯离散化子单元，用于对所述高斯混合模型进行高斯离散化以获得第二污染物特征矩阵。

6.根据权利要求5所述的基于物联网的污染源自动监控系统，其特征在于，所述时序编码器子单元，包括：输入向量构造二级子单元，用于将所述各项所述污染物检测数据在所述多个预定时间点的序列按照时间维度排列为污染物输入向量；

归一化映射二级子单元，用于将所述污染物输入向量进行基于最大值的归一化处理以得到归一化后污染物输入向量；

全连接编码二级子单元，用于使用所述时序编码器的全连接层对所述归一化后污染物输入向量进行全连接编码以提取所述归一化后污染物输入向量中各个位置的特征值的高维隐含特征；

一维卷积编码二级子单元，用于使用所述时序编码器的一维卷积层对所述归一化后污染物输入向量进行一维编码以提取所述归一化后污染物输入向量中各个位置的特征值间的关联的高维隐含关联特征。

7.根据权利要求6所述的基于物联网的污染源自动监控系统，其特征在于，所述互为转置卷积核单元，用于：所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第二二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；

对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第二二维卷积核和所述第二二维卷积核互为转置；

其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述污染物融合关联特征矩阵，所述相邻层使用互为转置的卷积核的第一卷积神经网络模型的最后一层的输出为所述空气质量分类特征矩阵。

8.一种基于物联网的污染源自动监控方法，其特征在于，包括：

获取待监测区域在多个预定时间点的多项污染物检测数据，所述污染物检测数据包括PM2.5、PM10、二氧化硫、二氧化氮、一氧化碳和臭氧；

从所述多个预定时间点的多项污染物检测数据分别提取第一污染物特征矩阵和第二污染物特征矩阵；

构造所述第一污染物特征矩阵和所述第二污染物特征矩阵之间的空气质量分类特征矩阵，并对所述空气质量分类特征矩阵进行特征表示的期望激活活跃化以得到优化空气质量分类特征矩阵；

将所述优化空气质量分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测区域的空气质量是否正常；

其中，构造所述第一污染物特征矩阵和所述第二污染物特征矩阵之间的空气质量分类特征矩阵，并对所述空气质量分类特征矩阵进行特征表示的期望激活活跃化以得到优化空气质量分类特征矩阵，包括：对所述第一污染物特征矩阵和所述第二污染物特征矩阵进行融合以获得污染物融合关联特征矩阵；

将所述污染物融合关联特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到空气质量分类特征矩阵；

对所述空气质量分类特征矩阵进行特征表示的期望激活活跃化以得到所述优化空气质量分类特征矩阵；

其中，对所述空气质量分类特征矩阵进行特征表示的期望激活活跃化以得到所述优化空气质量分类特征矩阵，包括：计算以所述空气质量分类特征矩阵的预定位置的特征值为幂的指数函数值再减去一以得到指数调整特征值；

计算所述指数调整特征值除以所述空气质量分类特征矩阵的预定位置的特征值，并对结果计算绝对值以得到归一化指数调整特征值比；

将所述归一化指数调整特征值比通过softmax函数进行激活后再乘以所述空气质量分类特征矩阵的预定位置的特征值以得到所述优化空气质量分类特征矩阵的预定位置的特征值。