1.一种基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，包括：获取岩爆指标样本训练数据和岩爆指标样本测试数据，并将所述岩爆指标样本训练数据和所述岩爆指标样本测试数据转化为列向量，生成岩爆训练样本集和岩爆测试样本集；根据所述岩爆训练样本集构建分数阶核鉴别空间学习模型的目标优化函数；根据所述分数阶核鉴别空间学习模型的目标优化函数优化求解核鉴别空间投影矩阵；将所述分数核鉴别空间投影矩阵分别作用在所述岩爆训练样本集和所述岩爆测试样本集上，生成所述岩爆训练样本集的训练鉴别特征集和所述岩爆测试样本集的测试鉴别特征集；将所述训练鉴别特征集和所述测试鉴别特征集输入支持向量机分类器，生成岩爆风险的预警结果；其中，所述根据所述岩爆训练样本集构建分数阶核鉴别空间学习模型的目标优化函数包括：根据所述岩爆训练样本集构建类间散度矩阵、类内散度矩阵以及总体散度矩阵；基于所述类间散度矩阵、类内散度矩阵和总体散度矩阵，生成线性鉴别空间模型的目标优化函数；基于所述类间散度矩阵和所述类内散度矩阵，分别构建核类间散度矩阵和核类内散度矩阵；将所述线性鉴别空间模型的目标优化函数投影至非线性空间，并结合所述核类间散度矩阵和所述核类内散度矩阵，构建鉴别分析空间模型的目标优化函数；根据所述鉴别分析空间模型的目标优化函数构建分数阶核鉴别空间学习模型的目标优化函数；所述分数阶核鉴别空间学习模型的目标优化函数如下：其中， 为分数阶类内散度矩阵， 为分数阶类间散度矩阵；分数阶类间散度矩阵 和分数类内散度矩阵 分别如下：其中， 为核类间散度矩阵， 为核类内散度矩阵，0≤β≤1表示一个分数，V是 的特征向量矩阵， 表示 的特征值组成的对角矩阵，即 且 0≤α≤1表示一个分数，Q是 的特征向量矩阵，Δ表示 的特征值组成的对角矩阵，即 且
2.根据权利要求1所述的基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，所述类间散度矩阵、类内散度矩阵以及总体散度矩阵的计算公式分别如下：S t ＝S b +S w ；其中，所述N j 是第j类样本的个数，u j 是第j类样本的均值,u j 的计算公式为 u是所有样本的均值，u的计算公式为 X j 是第j类样本的集合。
3.根据权利要求2所示的基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，所述线性鉴别空间模型的目标优化函数如下：max W W T S b W；s.t. W T S w W＝1；其中，W为线性鉴别空间模型的空间投影矩阵。
4.根据权利要求3所示的基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，所述鉴别空间分析学习模型的目标优化函数如下：其中， 为核类间散度矩阵， 为核类内散度矩阵， 为核鉴别空间的空间投影矩阵，且所述核鉴别空间投影矩阵与所述鉴别空间投影矩阵的关系为
5.根据权利要求4所示的基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，所述核类间散度矩阵 和所述核类内散度矩阵 的计算公式分别如下：其中，K为核矩阵，K的第(i,j)个元素为 的计算公式为
6.根据权利要求5所示的基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，所述根据所述鉴别分析空间模型的目标优化函数构建分数阶核鉴别空间学习模型的目标优化函数，包括：基于所述核类间散度矩阵和所述核类内散度矩阵，分别构建分数阶类间散度矩阵和分数阶类内散度矩阵；基于所述分数类间散度矩阵、所述分数类内散度矩阵以及鉴别分析空间模型的目标优化函数，构建所述分数阶核鉴别空间学习模型的目标优化函数。
7.根据权利要求1所述的基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，所述根据所述分数阶核鉴别空间学习模型的目标优化函数优化求解核鉴别空间投影矩阵，包括：构建所述分数阶核鉴别空间学习模型的目标优化函数关于核鉴别空间投影矩阵的拉格朗日乘数函数；将所述拉格朗日乘数函数关于核鉴别空间投影矩阵的导数置为零，求解所述拉格朗日乘数函数最大特征值对应的特征向量；根据所述特征向量构建所述核鉴别空间的空间投影矩阵。
8.一种基于分数阶核鉴别空间学习的岩爆预警装置，用于执行权利要求1-7任一项所述的基于分数阶核鉴别空间学习的岩爆预警方法，其特征在于，包括：信息获取转换模块，用于获取岩爆指标样本训练数据和岩爆指标样本测试数据，并将所述岩爆指标样本训练数据和所述岩爆指标样本测试数据转化为列向量，生成岩爆训练样本集和岩爆测试样本集；模型构建模块，用于根据所述岩爆训练样本集构建分数阶核鉴别空间学习模型的目标优化函数；空间投影矩阵求解模块，用于根据所述分数阶核鉴别空间学习模型的目标优化函数优化求解核鉴别空间投影矩阵；特征提取模块，用于将所述分数核鉴别空间投影矩阵分别作用在所述岩爆训练样本集和所述岩爆测试样本集上，生成所述岩爆训练样本集的训练鉴别特征集和所述岩爆测试样本集的测试鉴别特征集；风险预警模块，用于将所述训练鉴别特征集和所述测试鉴别特征集输入支持向量机分类器，生成岩爆风险的预警结果。
