1.一种基于改进ER规则的Stacking集成学习围岩分级方法，其特征在于，包括如下步骤：S1、构建围岩智能分级基模型；S2、基于准确率和错误样本类型计算基模型可靠性，基于概率向量多样性度量计算基模型权重；S3、基于得到的基模型的可靠性和权重改进ER规则，构建Stacking集成学习模型；S4、依据构建的集成学习模型完成隧道围岩智能分级；所述S2中基于准确率和错误样本类型计算基模型可靠性，具体包括：在准确率的基础上，增加错误样本惩罚因子来增加样本的数量，进而实现对准确率进行折减，并以此作为可靠性，即准确率大于等于可靠性，当准确率为100％时，错误样本数量为0，总样本数量不增加，二者相等；准确率和可靠性取值范围均为[0,1]；错误样本的惩罚因子随错误样本类型不同而不同，包括负变更和正变更惩罚因子，其中负变更惩罚因子大于正变更；同一变更类型情况下，错判级别和真实级别差别越大，惩罚力度越大，准确性折减程度越大；负变更错判一级的惩罚因子等价于正变更错判两级；根据以上原则，确定基模型的可靠性计算公式如下：式中，r i 为第i个基模型的可靠性，n为基模型数量，N c,i 为第i个基模型的正确样本数量， 分别为第i个基模型正、负变更时错判j级的样本数量， 为其对应的惩罚因子，q为错判等级差；所述S3基于得到的基模型的可靠性和权重改进ER规则，构建Stacking集成学习模型，具体包括：S31、定义辨识框架Θ＝{I级,II级，III级，IV级，V级，VI级}，对样本集中的任意样本而言，第i围岩智能分级基模型获得证据e i 表示为：式中，θ为辨识框架Θ中的任一元素，即围岩级别标签，p θ,i 为证据e i 支持θ成立的信度，即对应围岩级别标签的分类概率；S32、可靠性和权重的证据e i 信度空间m i 表示为：m θ,i ＝w i p θ,i 式(16)式中， 为考虑可靠性和权重的证据e i 支持θ成立的信度， 为考虑可靠性和权重的证据e i 支持P(Θ)成立的信度，P(Θ)为辨识框架Θ的幂集，Φ为空集，c rw,i 为归一化因子，P(Θ)为仅考虑权重的证据e i 支持θ成立的信度；S33、对于前i个证据e(i)支持θ成立的联合信度 通过递归方式计算，具体公式为：式中， 均为递归过程中间量；S34、最后，当所有r条证据e(r)的支持θ成立的联合信度 及中间变量 计算完成后，再对其进行归一化操作，得到最终的联合信度空间，完成Stacking集成学习模型的构建，具体过程表示为：式中，p θ,e(r) 为所有r条证据e(r)支持θ成立的联合信度，即最终集成各个基模型后的元模型输出的对应围岩级别标签的分类概率。
2.根据权利要求1所述的基于改进ER规则的Stacking集成学习围岩分级方法，其特征在于：所述S1中包含2个以上输入为地质信息、输出为围岩级别的围岩智能分级模型；所述地质信息包括推进速度、冲击压力、推进压力、回转压力的凿岩台车钻进参数。
3.根据权利要求1所述的基于改进ER规则的Stacking集成学习围岩分级方法，其特征在于：所述S2中基于概率向量多样性度量计算基模型权重，具体包括：定义两个分类基模型A、B对样本集中第j个样本的输出分类概率向量为P A,j 、P B,j ，表示为：P A,j ＝[p A1,j ,p A2,j ,...,p Ac,j ] 式(3)P B,j ＝[p B1,j ,p B2,j ,...,p Bc,j ] 式(4)式中，c为分类标签数量；将2个基模型概率向量中的元素从大到小进行排列，并返回其对应的类别标签值，得到分类器最大置信度概率由大到小排列对应的类标签向量L A,j 、L B,j ，表示为：L A,j ＝[l A1,j ,l A2,j ,...,l Ac,j ] 式(5)L B,j ＝[l B1,j ,l B2,j ,...,l Bc,j ] 式(6)定义2个基模型单个样本下的多样性D AB,j 计算公式为：式中，k s 为不同排序位置差异系数，且位置越靠前k s 越大，k s 的确定通过试算法和专家决策法，f ABs,j 为第j个样本不同排序位置差异因子，l As,j 为第j个样本基模型A排序为s的最大置信度概率；对于含有m个样本的样本集而言，基模型A、B的多样性D AB 为所有样本多样性的均值，计算公式为：对于含有n个基模型的集成系统，第i个基模型的多样性D i ，为该基模型和其他基模型的多样性之和，计算公式为：式中，D it 为第i个基模型与第t个基模型的多样性；最后，对将各基模型D i 多样性进行归一化作为各基模型的权重w i ，计算公式为：
4.一种基于改进ER规则的Stacking集成学习围岩分级装置，其特征在于：所述装置包括：围岩智能分级基模型构建模型(110)：构建围岩智能分级基模型，包含2个以上输入为地质信息、输出为围岩级别的围岩智能分级模型；基模型可靠性和权重计算模块(120)：基于准确率和错误样本类型计算基模型可靠性，基于概率向量多样性度量计算基模型权重；所述基于准确率和错误样本类型计算基模型可靠性，具体包括：在准确率的基础上，增加错误样本惩罚因子来增加样本的数量，进而实现对准确率进行折减，并以此作为可靠性，即准确率大于等于可靠性，当准确率为100％时，错误样本数量为0，总样本数量不增加，二者相等；准确率和可靠性取值范围均为[0,1]；错误样本的惩罚因子随错误样本类型不同而不同，包括负变更和正变更惩罚因子，其中负变更惩罚因子大于正变更；同一变更类型情况下，错判级别和真实级别差别越大，惩罚力度越大，准确性折减程度越大；负变更错判一级的惩罚因子等价于正变更错判两级；根据以上原则，确定基模型的可靠性计算公式如下：式中，r i 为第i个基模型的可靠性，n为基模型数量，N c,i 为第i个基模型的正确样本数量， 分别为第i个基模型正、负变更时错判j级的样本数量， 为其对应的惩罚因子，q为错判等级差；Stacking集成学习模型构建模块(130)：基于得到的基模型的可靠性和权重改进ER规则，构建Stacking集成学习模型；所述基于得到的基模型的可靠性和权重改进ER规则，构建Stacking集成学习模型，具体包括：S31、定义辨识框架Θ＝{I级,II级，III级，IV级，V级，VI级}，对样本集中的任意样本而言，第i围岩智能分级基模型获得证据e i 表示为：式中，θ为辨识框架Θ中的任一元素，即围岩级别标签，p θ,i 为证据e i 支持θ成立的信度，即对应围岩级别标签的分类概率；S32、可靠性和权重的证据e i 信度空间m i 表示为：m θ,i ＝w i p θ,i 式(16)式中， 为考虑可靠性和权重的证据e i 支持θ成立的信度， 为考虑可靠性和权重的证据e i 支持P(Θ)成立的信度，P(Θ)为辨识框架Θ的幂集，Φ为空集，c rw,i 为归一化因子，P(Θ)为仅考虑权重的证据e i 支持θ成立的信度；S33、对于前i个证据e(i)支持θ成立的联合信度 通过递归方式计算，具体公式为：式中， 均为递归过程中间量；S34、最后，当所有r条证据e(r)的支持θ成立的联合信度 及中间变量 计算完成后，再对其进行归一化操作，得到最终的联合信度空间，完成Stacking集成学习模型的构建，具体过程表示为：式中，p θ,e(r) 为所有r条证据e(r)支持θ成立的联合信度，即最终集成各个基模型后的元模型输出的对应围岩级别标签的分类概率；隧道围岩智能分级模块(140)：依据构建的集成学习模型完成隧道围岩智能分级。
5.一种电子设备，其特征在于：所述设备包括：处理器(210)和存储器(220)，用于存储一个或多个程序；当所述一个或多个程序被处理器(210)执行时，使得所述处理器执行如权利要求1-3中任一项所述的围岩分级方法。
6.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器(210)执行时实现如权利要求1-3中任一项所述的围岩分级方法。
