1.一种基于关联规则挖掘的煤矿巷道围岩变形破裂辨识方法，其特征在于，包括以下步骤：(1)采用信息增益的遗传网络规划算法挖掘围岩监测的属性数据，提取关联规则，构建规则库；对于遗传网络规划中每个判断节点的判断函数，根据信息增益度量当前判断函数与下一判断函数和围岩变形破裂程度之间的关联强度，将其作为与下一判断节点的链接概率；

采用关联规则抽取方法生成规则库，具体过程如下：

(1a)预设遗传网络规划的参数，包括进化代数、节点数、个体适应度函数、变异率和交叉率；预设分类规则的参数，包括支持度阈值、置信度阈值和卡方值阈值；

(1b)预处理网络连接的训练数据，对数据划分子属性，并在遗传网络规划判断节点的基因结构中存储该子属性对应的信息增益；

(1c)采用基于信息增益的遗传网络规划的个体结构表示规则，依次通过支持度阈值、置信度阈值、卡方值阈值和基于信息增益的概率选择方法的筛选后，加入规则库；

(1d)对遗传网络规划种群中的个体依据适应度函数进行选择，并进行交叉和变异操作，实现种群进化；

(1f)返回步骤(1c)，直至遗传网络规划种群进化到预设代数后结束，完成规则库的建立；

(2)基于平均适应度公式，计算数据与规则之间的匹配度，将训练数据映射到平均适应度空间；

定义训练数据与规则之间的匹配度Matchk(d,r)：

其中，Nk(d,r)表示训练数据d与规则r匹配的数据属性的数量，Nk(r)表示规则前件的属性总量；k表示类别，具体指代围岩结构破坏等级；

计算训练数据与不同类别的规则库中所有规则的平均适应度：

其中，Rk表示属于k类的规则集合；

将类别k分为正常等级N和严重破裂等级I，分别求取正常等级N类训练数据dN和严重破裂等级I类训练数据dI的平均适应度，并据此计算出正常等级N和严重破裂等级I两类训练数据在平均适应度空间上的中心点(CN(N),CI(N))和(CN(I),CI(I))：其中，mk(dN)和mk(dI)分别为数据dN和数据dI的平均适应度，k＝I或N；DTrain(N)表示训练集中属于正常等级N的数据集，DTrain(I)表示训练集中属于严重破裂等级I的数据集；

(3)在平均适应度空间构建基于距离的围岩变形破裂检测模型，实现对煤矿巷道围岩变形破裂的辨识，具体过程如下：(3a)将测试数据t在平均适应度空间上表示为(mN(t),mI(t))的坐标形式，mN(t)、mI(t)为测试数据t的平均适应度；

(3b)根据下式计算测试数据t与正常等级N和严重破裂等级I训练数据中心点的距离D'N(t)与D'I(t)：

2 2 1/2

D'N(t)＝((mN(t)-CN(N)) +(mI(t)-CN(I)))D'I(t)＝((mN(t)-CN(I))2+(mI(t)-CI(I))2)1/2(3c)根据D'N(t)和D'I(t)判断煤矿巷道围岩变形程度，D'N(t)值越小表示围岩变形量越小；D'I(t)值越小则表示围岩变形程度越严重，危险性越高。

2.根据权利要求1所述基于关联规则挖掘的煤矿巷道围岩变形破裂辨识方法，其特征在于，在步骤(1)中，基于信息增益的链接概率Gain_Ratio(ai,P,K)的表达式如下：Gain_Ratio(ai,P,K)＝(I(P∪{ai}；K)-I(P；K))/H({ai})其中，I(*)表示互信息，H(*)表示信息熵；定义U为数据集合，其包含属性域A和标签域K，ai是属性集合A内的某种元素，{ai}为遗传进化过程中的节点属性集合，P是进化过程中符合筛选条件的属性集合，