1.一种基于多核集成学习的地层岩性预测方法，其特征在于，包括以下步骤：步骤S1、根据测井参数特征划分M个不同的样本集，S1＝{(x11,y11),(x12,y12),…,(x1n,y1n)}；

S2＝{(x21,y21),(x22,y22),…,(x2n,y2n)}；…；

Sm＝{(xm1,ym1),(xm2,ym2),…,(xmn,ymn)}其中

步骤S2、针对预测的岩性参数特征，在保持同样比例的情况下，将每个样本集按照一定的比例分别划分训练样本集Smtrain和测试样本集Smtest，训练样本集的样本个数为nmtrain，测试样本集的样本个数为nmtest；

步骤S3、针对岩性参数特征，建立一个强分类器Hj(x),j＝1～Lf，共建立Lf个强分类器；

步骤S4、利用以上生产的多个类别的强分类器Hj(x),j＝1～Lf，分别对测试样本集中的测试样本进行判断，采用平均法获得岩性参数；

步骤s5、将上述预测结果与步骤S1中ym2重新构建样本数据，S2m＝{(z1,y1),(z2,y2),...,(zn,yn)}S2m＝{(z1,y1),(z2,y2),…,(zn,yn)}其中，zn＝H(xmn),yn＝ymn；

步骤S6、针对岩性参数特征，建立一个强分类器Hj(x),j＝1～Lp，共建立Lp个强分类器；

步骤S7、将预测的岩性参数作为输入数据，利用强分类器Hj(x)，j＝Lf+1～2Lf，组成强分类器H(x)：步骤S8、对样本进行判断，采用投票的方式确定最终的地层岩性类别；Hi将从岩性标记集合{c1,c2,…,cn}中预测出一个标记，将H(x)在样本x上的预测输出标识为一个N为向量其中 为hi在岩性标记cj上的输出；

步骤S9、采用绝对多数投票法，若某岩性标记得票过半数，则预测为该岩性，否则拒绝预测。

2.如权利要求1所述的方法，其特征在于，步骤S1中所述的测井参数向量xm，具体包括：声波时差、中子孔隙度、电阻率、渗透率、自然伽马、自然电阻率、补偿中子。

3.如权利要求1所述的方法，其特征在于，步骤S1中所述的岩性参数向量ym1，长度Lf＝

3，具体包括：渗透率、孔隙度、含水饱和度，岩性类别参数向量ym2，长度Lp＝6，具体包括：页岩、砂岩、泥岩、粉砂岩、泥质砂岩、泥质粉砂岩。

4.如权利要求3所述的方法，其特征在于，步骤S1中所述的样本集个数M等于ym1的长度Lf。

5.如权利要求1所述的方法，其特征在于，训练样本集中样本个数为样本集中样本总数的70％，测试样本集中样本个数为样本总数的30％。

6.如权利要求1所述的方法，其特征在于，步骤S3中所述的强分类器建立方法包括：步骤S31、设置训练的次数T，并对训练样本集Smtrain的各样本赋以初始化权值Dt，t为当前训练的次数，步骤S32、设置M个核函数，kj(·，·)：

步骤S33、按照训练样本的权值分布Dt，从训练样本集Smtrain抽取获取样本组成训练集L；

步骤S34、使用基学习算法使用训练集L进行训练，生成弱分类器ht；

步骤S35、使用步骤S33中生成的弱分类器ht对训练样本集Smtrain的样本进行预测，计算该弱分类器ht的错误率εt， 其中yi是训练样本集Smtrain中的样本，ftj(xi)是使用弱分类器ht得到的预测结果，i＝1～Smtain，j表示第j个核函数kj(·，·)；

步骤S36、选择分类误差率 最小的弱分类器ftj作为第t轮分类基分类器，并且 作为分类误差率εt：步骤S37、计算该弱分类器ht的权重at， 并更新训练样本集的权重分布，其中Zt是归一化因子， 增加循环次数

t＝t+1，若t＜T，进入步骤S32，若k＝T，进入步骤S38；

步骤S38、上述步骤S31～S35中共生成了T个弱分类器，每个弱分类器具有权重at，组成强分类器H(x)，

7.如权利要求6所述的方法，其特征在于，步骤S32中所述的核函数为线性核、多项式核、高斯核、拉普拉斯核或Sigmoid核。