1.一种矿井顶板富水性等级的判别方法，其特征在于，包括以下步骤：a、确定影响矿井顶板富水性的主控因素，并选定多个评价指标；

b、将步骤a中所有的评价指标划分为两类，分别为训练集和测试集，并将所有数据进行归一化预处理；

c、构建WOA‑CNN‑SVM富水性预测模型；

d、利用MATLAB程序训练WOA‑CNN‑SVM富水性预测模型并测试其准确性，当WOA‑CNN‑SVM富水性预测模型准确性达到要求后保存；

e、将步骤a中选定的评价指标的数据输入到步骤d的 WOA‑CNN‑SVM富水性预测模型中进行预测，输出预测结果；

f、利用ArcGis软件对数据进行可视化展示，并通过自然断点法或参考《煤炭防治水细则》的划分标准对矿区富水性进行划分。

2.根据权利要求1所述的一种矿井顶板富水性等级的判别方法，其特征在于：步骤a 中，从水力联系特征和含水层特征来确定影响矿井顶板富水性的主控因素。

3.根据权利要求2所述的一种矿井顶板富水性等级的判别方法，其特征在于：步骤a 中，多个评价指标主要包括含水层厚度、影响半径、水位降深、渗透系数、钻孔取芯率及粘土厚占下组厚比例。

4.根据权利要求1所述的一种矿井顶板富水性等级的判别方法，其特征在于：步骤c中具体构建方法为：c1、采用鲸鱼优化算法对卷积神经网络学习率η，批大小b，正则化参数α进行优化，将上述3个参数映射成鲸鱼个体的空间向量位置，第n头鲸鱼的位置为：Xn=(η,b,α)；

根据其狩猎特点，抽象出包围猎物、捕食猎物和随机搜索3种行为：包围猎物，此行为由以下等式（1）表示：

                             （1）式（1）中： 是搜索代理与猎物的距离； 和 是系数向量； 是全局最优解的位置向量，在每次迭代中更新； 是位置向量；表示当前迭代次数；

系数向量 和 的计算式如式（2）所示：

                                   （2）式（2）中：是收敛因子，在迭代过程中从2线性减小到0；、是分布在[0，1]之间的随机向量；

捕食猎物如式（3）所示：

                    （3）式（3）中： 表示获得的最佳距离；是定义对数螺旋形状的常数；是[‑1,1]中的随机数； 表示[0,1]之间的随机数，且0、1概率相同；为无理数底数；

随机搜索：

当系数 时，该鲸鱼在包围圈内，选择螺旋包围猎物；

当 时，该鲸鱼在收缩包围圈之外，此时进行随机搜索；

随机搜索更新公式如式（4）所示：

                （4）

式（4）中： 为随机选择的鲸鱼位置；

c2、获取最佳参数，输入卷积神经网络模型；

卷积过程提取特征如式（5）所示：

                              （5）式（5）中： 表示输出； 表示权重矩阵；为卷积运算； 表示输入矩阵；为偏置项；

使用RELU作为激活函数，数学表达式如式（6）所示：                               （6）式（6）中：为自变量； 输出区间为[0,+∞)；

c3、将全连接层的输出数据作为支持向量机的输入以此来构建WOA‑CNN‑SVM富水性预测模型。

5.根据权利要求1所述的一种矿井顶板富水性等级的判别方法，其特征在于：步骤b中，评价指标的80%作为训练集，其余为测试集。

6.根据权利要求4所述的一种矿井顶板富水性等级的判别方法，其特征在于：根据《煤炭防治水细则》作为富水性的划分标准，将单位涌水量作为目标值进行回归预测。

7.根据权利要求1所述的一种矿井顶板富水性等级的判别方法，其特征在于：步骤c2中卷积神经网络模型包含两个网络子结构，第一网络子结构卷积计算的卷积核大小为3*1，通道数为16，第二网络子结构卷积计算的卷积核大小为3*1，通道数为32。

8.根据权利要求1所述的一种矿井顶板富水性等级的判别方法，其特征在于：步骤c2中卷积神经网络模型中第一、二网络子结构均包括卷积层‑批归一化层‑RELU激活层。