1.一种矿山锚杆支护巷道的危险度预测与冒顶预警方法，其特征在于，它包括：S1，在云服务器中将相应锚杆的压力和位移数据进行处理，计算相应锚杆的压力比和位移比，将具有相同支护类型的锚杆分在同组，对支护结构中的锚杆按关键程度大小排序；

S2，分别求取压力比和位移比的最佳系数，得到压力比系数和位移比系数的最优化目标函数；

S3，对相应锚杆的压力比和位移比进行量化；

S4，使用软间隔SVM求分类超平面及其法向量；

S5，求得出现事故数据在法向量轴投影后所得到的数据的均值和标准差，求得工作正常数据在法向量轴投影后所得到的数据的均值和标准差，然后通过条件熵求得锚杆支护巷道的危险度，对锚杆支护巷道进行危险度预测；

S6，生成冒顶预警策略，当锚杆支护巷道的危险度大于预警阈值时，启动预警；

所述步骤S1包括：

令第j个锚杆第i个记录数据的压力比为：令第j个锚杆第i个记录数据的位移比为：其中，i为第i个样本数据，i＝1，2，......，N；

j为第j个锚杆，j＝1，2，......，M，第1个锚杆为最关键锚杆，以下依顺序关键程度逐渐降低；

Pji为第j个锚杆第i个记录数据的压力值；

Pj0为第j个锚杆的压力额定值；

Lji为第j个锚杆第i个记录数据的位移值；

Lj0为第j个锚杆的允许最大位移值。

2.根据权利要求1所述的一种矿山锚杆支护巷道的危险度预测与冒顶预警方法，其特征在于，所述步骤S2包括：所述压力比系数和位移比系数的最优化目标函数为：其中，

C1为压力比系数；

C2为位移比系数；

yi为第i个数据的类标记，yi为‑1时表示出现事故：使用梯度下降法求C，即(C1，C2)：*

可得，当L(C)最小时，即 趋近0时，迭代所得的C为最优解；

其中，α表示步长。

3.根据权利要求2所述的一种矿山锚杆支护巷道的危险度预测与冒顶预警方法，其特征在于，所述步骤S3包括：对相应锚杆的压力比、位移比进行量化，量化间隔为0.1，得到

4.根据权利要求3所述的一种矿山锚杆支护巷道的危险度预测与冒顶预警方法，其特征在于，所述步骤S4包括：(1) (2) (j) (M)S41，建立数据向量x＝(x ，x ，...，x ，...，x )；

(1) (2) (j) (M) (j) (j)S42，建立系数向量w＝(w ，w ，...，w ，...，w )，其中，w 为相应特征x 所对应的系数；

S43，xi为第i个训练数据向量，yi为xi的类标记；yi为‑时表示出现事故，yi为+1时表示工作正常，N为训练数据数目；

S44，使用软间隔SVM，求几何间隔最大的分类超平面：S.t yi(w.xi+b)≥1‑ξiξi≥0 i＝1，2，...N；

其中F为惩罚系数；ξ为松弛变量；ξi为第i个训练数据的松弛变量；b为偏置；

* *

求得最优分类超平面与系数向量的最优解w，w即为最优分类超平面的法向量：其中， 为拉格朗日乘子向量中对偶问题的解的第i个元素。

5.根据权利要求4所述的一种矿山锚杆支护巷道的危险度预测与冒顶预警方法，其特征在于，所述步骤S5包括：S51，求将数据在法向量上进行投影后所得到的数据，得到出现事故与工作正常两个数据类别的均值与标注差：*

其中，NA为类别y＝1的样本数；NB为类别y＝‑1的样本数；μB为出现事故数据在w向量轴*

投影后所得到的数据的均值；μA为工作正常数据在w向量轴投影后所得到的数据的均值；δA* *

为工作正常数据在w 向量轴投影后所得到的数据的标准差；δB为出现事故数据在w向量轴投影后所得到的数据的标准差；

S52，预测锚杆支护巷道危险度：*

设xA为所有y＝1的样本数据总和，ZA为xA在w向量轴的投影；

*

设当前数据为xc，Zc＝wxc；

则当前锚杆支护巷道危险度V为：当wxc≤μA+δA时，危险度V为0；

当wxc≥μB‑δB时，危险度V为1；

当μA+δA≤wxc≤μB‑δB时，危险度V为：其中，

H(ZC|ZA)为在给定zA条件下，ZC的条件熵；

H(μB|ZA)为在给定zA条件下，μB的条件熵。

6.根据权利要求5所述的一种矿山锚杆支护巷道的危险度预测与冒顶预警方法，其特征在于，所述步骤S6包括：S61，当危险度V＞γ时，启动预警；

其中，γ为预警阈值，所述预警阈值γ的范围为0.3‑0.4；

S62，预测冒顶发生时间：T＝(1‑V)T0；

其中，

T为从当前数据记录时刻开始计时，预测将出现冒顶的时间；

T0为当前锚杆支护结构工作正常时的基准估计工作时间。