1.一种基于自适应提升算法的冲击危险性智能预警方法，其特征在于，包括如下步骤：步骤1、结合煤矿采场的实际情况，利用监测数据分析影响煤矿冲击地压危险性的主控因素，根据监测数据和主控因素共同分析主控因素与冲击地压的关系，确定影响冲击危险性的指标；

步骤2、对影响冲击危险性的指标进行预处理，对预处理后的数据进行挖掘和整理，生成训练冲击危险性预警模型所需的冲击地压数据；

步骤3、综合考虑各指标的交互影响，基于自适应提升算法构建冲击危险性预警模型，对构建的模型进行训练，得到最终的预警模型；

步骤4、实时获取采场状态数据，通过训练完成的冲击危险性预警模型对冲击危险性进行智能实时预警。

2.根据权利要求1所述基于自适应提升算法的冲击危险性智能预警方法，其特征在于，所述步骤1中，监测数据包括煤体应力监测数据、微震监测数据、支架阻力监测数据；主控因素包括地质因素和采掘因素；地质因素包括开采深度、煤层的物理力学特性、顶板岩层的结构特征、地质构造；采掘因素包括上覆煤层的停采线、残采区、采空区、煤柱、老巷、开采区域的大小；分析关系时，确定采区地质因素和采掘因素中每个因素对冲击地压的影响程度，以及确定每个因素对冲击危险状态的影响指数，将影响程度和影响指数进行融合，形成冲击地压危险状态等级评定的指标体系。

3.根据权利要求1所述基于自适应提升算法的冲击危险性智能预警方法，其特征在于，所述步骤2的具体过程为：步骤2.1、通过去噪、规范化处理的方式对影响冲击危险性的指标数据进行预处理，构造用于数据分析的数据集，并采用mat()函数将数据集转换成矩阵；

步骤2.2、采用独立成分分析的特征抽取技术，将数据集转换的特征矩阵生成低维数矩阵，同时保留数据集中高相关度的信息。

4.根据权利要求1所述基于自适应提升算法的冲击危险性智能预警方法，其特征在于，所述步骤3的具体过程为：步骤3.1、选择步骤2中生成的冲击地压数据中的一部分数据作为训练数据集，其中，为训练样本的个数，每个样本点由实例与标签组成， 代表数据集中第 个训练样本实例， 代表数据集中第 个训练样本的标签；剩余的另一部分数据作为测试数据集；

步骤3.2、通过公式（1）初始化所有训练样本的权重，每一个训练样本初始时被赋予相同的权值，                              （1）；

其中， 表示第一次迭代中实例 的权重， 为训练样本的个数；

步骤3.3、迭代训练决策树弱分类器 ，最大的迭代次数设置为 ；第 次迭代的训练过程如下：步骤3.3.1、使用 和第 次迭代权重 训练弱分类器 ：                     （2）；

其中， 表示 的第 个属性数据， 是第 次迭代中第 个属性的阈值，是属性的方向；

步骤3.3.2、计算每个属性的决策树弱分类器的误差率 ：                         （3）；

其中， 是零一损失函数：

                      （4）；

步骤3.3.3、计算弱分类器在最终的强分类器中所占的权重 ，                           （5）；

其中， 为第 次迭代中弱分类器的误差率；

步骤3.3.4、更新样本的权重分布，

                  （6）；

其中，初始值 由公式（1）计算得到， 表示 中的任意样本； 是样本的类标签，计算公式如下：

                          （7）；

步骤3.4、迭代训练步骤3.3，按弱分类器权重 得到一个强分类器 ：                 （8）；

其中， 表示符号函数；

步骤3.5、视冲击危险性识别预警为二分类问题，则数据集中类别 =2，因此通过训练生成一个强分类器 ，利用强分类器 进行冲击危险性识别，                          （9）；

其中， 表示冲击危险性识别结果；

步骤3.6、将测试数据集输入强分类器得出分类结果，分类结果对应冲击危险性识别结果，如果存在冲击危险性，则发布预警；将分类结果与测试数据集标签数据进行对比，当比对结构表示模型性能良好时，保存当前训练完成的模型；否则重新训练模型，直至训练得到性能良好的模型。