1.一种凸规划聚类水污染溯源方法，其特征在于，包括以下步骤：S1，基于Siamese网络的邻近点相似度描述样本；步骤S1具体为：定义一组样本对(x1,x2)，作为Siamese网络的输入值，样本对标签为y；当样本对属于相同类别时，样本对标签y＝1；反之，样本对标签y＝0；

针对两个输入x1和x2，网络低维空间的相似度输出结果分别为GW(x1)和GW(x2)，Siamese网络的相似度损失函数定义为：L(W；x1,x2,y)＝yL1(W；x1,x2)+(1‑y)L2(W；x1,x2)

2 2

式中L1(W；x1,x2)＝||GW(x1)‑GW(x2)|| ，L2(W；x1,x2)＝max(c‑||GW(x1)‑GW(x2)|| ,0)；W为Siamese网络参数，常数c定义为相似度的最大值S2，利用所述邻近点相似度抽取水污染溯源特征；步骤S2具体包括：S21，定义溯源特征变换网络的损失函数为：式中θ表示变换网络y＝Fθ(x)的参数，w(xi,xj)是由Siamese网络输入xi和xj计算得到的相似度；

d

S22，抽取m个样本x1,...,xm∈R ，构成一个m×d的矩阵X，设对应的溯源特征为一个m×k的矩阵Y，正交化约束描述为：其中Ik×k是一个k阶单位阵；

正交化层表示为 其中L从 的Cholesky分解中获得， 用来满足正交化约束；

S23，进行网络训练过程，具体包括前向计算过程和反向计算过程；

所述前向计算过程为：

随机选择m个数据构成数据批X；

前向网络计算，得到网络归一化层输入计算Cholesky分解

设置网络归一化层权系数为 并计算输出所述反向计算过程为：

利用Siamese网络计算输入数据对的相似度；

计算溯源特征变换网络的损失函数；

反向传播，更新除归一化层之外的全部网络参数；

S3，将所述水污染溯源特征结合监测网络节点的地理分布信息，构造图模型；将水污染溯源等价于所述图模型的全局优化分割，将所述图模型的全局优化分割转换为最小传导率；步骤S3的具体为：

利用所述溯源特征结合监测网络节点的地理分布信息，构造一个图模型G＝(V,E)，其中节点集V对应监测网络节点，边沿集E由相邻节点(vi,vj)和连接权值wi,j集合构成，wi,j的定义为：

wi,j＝||Yi‑Yj||2其中节点i和节点j在地理邻域范围之内；

根据所述图模型G，将水污染的溯源等效于图模型的全局优化分割，设节点集S是图模型节点集V的一个子集，定义节点集S的传导率为：其中 V\S表示集合S在集合V上的补集；

将图模型的全局优化分割转换为最小传导率，表示为：其中k是分割区域数，S1S2∪…∪Sk＝V；

S4，最大化特征基内接椭球体的凸规划，求解所述最小传导率。

2.如权利要求1所述的方法，其特征在于：步骤4具体计算过程为：S41，将溯源特征的基分为多个类别，每个类别的代表基表示为：min[‑logdetX]T

满足条件：pXp≤1，X＞0，正定，任意p∈S，其中S＝＝[p1,p2,…pn]；

k

S42，计算拉普拉斯矩阵L最小k个特征值对应的特征矢量f1,f2,…,fk，构造矩阵P∈R×n T

，P＝[f1,f2,…,fk]，矩阵P的列向量表示为p1,p2,…pn；

S43，确定矩阵P列向量p1,p2,…pn以原点为中心的最小封闭区域H(S)，根据最小封闭区域边界上的列向量点构造分类指示标记集I＝[i1,i2,…,ik]，其中i1表示 属于节点集T1，i2表示 属于节点集T2；

S44，归一化处理 初始化节点分类集{T1,T2,…,Tk}为空集，根据分类指示标记集I＝[i1,i2,…,ik]，计算：a)选择 计算 确定极大值对应列向量pj；

b)更新

输出节点分类集{T1,T2,…,Tk}。

3.根据权利要求2所述的方法，其特征在于：步骤S43中，如果边界上的列向量点大于k个，使用连续投影算法选择k个在k‑1维子空间上投影范数最小的边界上的列向量点。