1.一种基于微震频谱特征的煤柱型冲击地压危险性评价方法，其特征在于，包括以下步骤：步骤1：在待评价煤柱的不同位置，均匀间隔安装拾震器，每个拾震器监测结果代表该拾震器所处的煤柱位置冲击地压危险程度；当煤柱在应力作用下发生微震事件时，产生的微震信号被拾震器接收并传送给计算机，计算机将每个微震事件作为一个数据文件单独存储，并按时序存储这些数据文件；

步骤2：计算机将接收到的微震信号{x(t),t＝1,2,...,N}分解成k个分量，记第i个分量为xi(t)，获得第i个分量xi(t)的推导过程如下：其中t代表采样时刻；

步骤2.1：将第i个分量xi(t)定义为一个调频调幅信号，定义如下：式中，Ai(t)为信号幅值， 为相位；

步骤2.2：对于第i个分量xi(t)，应用Hilbert变换计算其单边谱fi(t)，计算公式为：式中，σ(t)为狄拉克函数，*表示卷积操作，j为虚数单位；

步骤2.3：为每一个单边谱fi(t)预估一个中心频率ωi，对单边谱fi(t)进行移频，计算公式如下：1

步骤2.4：利用H高斯平滑指标估计每个分量xi(t)的带宽，得到约束问题：式中，{xi}表示分解得到的k个分量，{ωi}表示k个分量的中心频率；

步骤2.5：为求解式(4)，引入二次惩罚因子α和Lagrange乘子，将公式(4)转化为式(5)所示的无约束问题进行求解：式中，α为二次惩罚因子，λ(t)为Lagrange乘子；

步骤2.6：利用乘子交替方向法对式(5)进行求解，求得式(5)的鞍点，即为无约束问题的最优解，最优解为微震信号分解得到的分量{xi}及各自的中心频率{ωi}，其中微震信号x(t)分解得到分量{xi}的结果表示如下：步骤3：计算每个分量xi(t)的信息熵，提取能反映冲击地压危险性的特征分量，具体步骤如下：步骤3.1：对分量xi(t)进行归一化处理，计算式如下：

步骤3.2：为信号 加时窗，时窗长度为l，则可将信号 分成q段，计算这些时窗段的平均香农熵，计算式如下：步骤3.3：根据Ei值的大小按照降序排序，选择n个较大的分量n

至此，特征向量R可表示为(a1,a2,...,a7,b1,b2,...,b4,c1,c2,...,cn)；其中ai表示时域特征，bi表示4个频域特征，ci表示n个频段能量；对特征向量R中的各维数据进行归一化处理，使各维数据均介于[0,1]之间；

步骤5：使用历史经验数据训练神经网络，生成冲击地压危险性分类器，该分类器输入微震信号分解重构后的特征向量R，输出煤柱型冲击地压的危险性等级分类，分成三类：正常、危险、临界；其中，神经网络采用RBF神经网络，将高斯函数作为RBF神经网络的径向基函数，RBF神经网络的激活函数定义为：式中，Ci为高斯函数的中心；||xp‑Ci||为欧氏范数；σ为高斯函数的标准方差；xp为输入样本；RBF神经网络的学习算法步骤如下：步骤5.1：设有M组输入样本xp，dp是每组样本的期望输出值，定义目标误差函数如下：式中，yp是对应xp输入的RBF网络输出向量；

步骤5.2：使用K均值聚类算法确定式(12)中基函数的中心点Ci；

步骤5.3：Ci确定后，使用最小二乘法进行RBF网络的权值调整；

将历史上煤柱内测得的微震数据划分成3个数据集，每个数据集中的样本数为30000个，3个数据集分别对应冲击地压危险性的三个等级：正常、危险、临界，从3类共90000个样本数据集中随机选取60000个样本进行RBF网络训练，同时保持60000个样本中代表三个危险等级的样本的比例为1：1：1，其余30000个数据作为测试样本，训练误差Err达到最小值时停止训练，保存训练完成的RBF网络，即为判断冲击地压危险性的分类器Q；

步骤6：计算机在线读取煤柱内拾震器采集的微震事件，按照步骤1到步骤4提取微震事件的特征向量R，并将特征向量R输入到步骤5训练完成的分类器Q中，即可输出每个拾震器所处的煤柱位置发生冲击地压危险等级。

2.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法，其特征在于，步骤1中拾震器的采集频率设定为1000Hz。

3.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法，其特征在于，步骤2.5中的二次惩罚因子α＝300。

4.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法，其特征在于，步骤2.6中的微震信号分解的分量个数k＝6。

5.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法，其特征在于，步骤3.2中时窗长度l＝50。

6.如权利要求1所述的基于微震频谱特征的煤柱型冲击地压危险性评价方法，其特征在于，步骤3.3中的阈值μ＝0.15。