1.一种基于神经网络的巷道锚网索支护参数优化设计方法，其特征在于，包括如下步骤：步骤1、采集巷道的相关数据；

所述步骤1中，收集若干条数据作为初始样本数据，每条数据包含13个字段，其中前5个字段为5个关键影响指标，依次为围岩强度、围岩完整性、煤层强度、巷道埋深、断面面积，将

5个关键影响指标作为锚索模型和锚杆模型的输入层神经元；第6个‑第9个字段为锚索参数，依次为锚索长度、锚索直径、锚索间距、锚索排距，将锚索参数作为锚索模型的输出层神经元；第10个‑第13个字段为锚杆参数，依次为锚杆长度、锚杆直径、锚杆间距、锚杆排距，将锚杆参数作为锚杆模型的输出层神经元；

步骤2、对所收集的数据进行预处理；

步骤3、搭建动态自适应BP神经网络架构；动态自适应BP神经网络架构包括输入层、采用动态调整策略的隐含层、输出层；具体过程为：步骤3.1、对传统BP神经网络架构的输入层进行改进，新增了3个交叉特征，并引入了自注意力权重；具体过程为：步骤3.1.1、在输入层中新增3个交叉特征，将输入维度从5扩展至8；3个交叉特征的计算公式为：(2)；

式中， 、 、 为3个不同的交叉特征； 表示围岩强度； 表示煤层强度；

表示围岩完整性系数； 表示巷道埋深； 表示断面面积；

步骤3.1.2、在输入层引入自注意力权重对输入的8个特征进行加权，突出核心指标；

(3)；

(4)；

式中， 为隐含层第 个神经元的输出值； 为自注意力权重，表示输入层第 个神经元对应的特征对隐含层第 个神经元的重要程度；为隐含层神经元总数； 为输入层第个神经元的输出值； 表示输入层第 个神经元的输出值； 为隐含层第 个神经元相关的特征表示； 为隐含层第 个神经元的偏置； 为以e为底的指数函数；

为特征对相似度函数；

步骤3.2、对传统BP神经网络架构的隐含层进行改进，设计一种分段激活函数，同时为隐含层增加一种动态调整策略；

步骤4、基于锚索参数和锚杆参数分别设计基于动态自适应BP神经网络架构的锚索模型和锚杆模型；

步骤5、对锚索模型和锚杆模型进行训练与优化，训练时采用结合围岩复杂度的动态学习率进行自适应调整，训练结束后输出训练完成的锚索模型和锚杆模型；

步骤6、将现场实时采集的围岩强度、围岩完整性、煤层强度、巷道埋深、断面面积5个关键影响指标和计算的3个交叉特征输入训练完成的锚索模型和锚杆模型，生成预测的锚索参数和锚杆参数，用于现场支护设计。

2.根据权利要求1所述基于神经网络的巷道锚网索支护参数优化设计方法，其特征在于，所述步骤2中，采用Min‑Max归一化方法对数据的前5个字段进行处理，Max‑Min归一化方法公式如下：(1)；

式中， 为归一化处理之后的样本数据； 为初始样本数据中的5个关键影响指标；

为 中的最小值； 为 中的最大值。

3.根据权利要求2所述基于神经网络的巷道锚网索支护参数优化设计方法，其特征在于，所述步骤3.2的具体过程为：步骤3.2.1、针对支护参数的物理约束，在隐含层中对传统sigmoid函数进行改进，设计sigmoid和ReLU激活融合的分段激活函数，公式具体为：(5)；

式中， 为分段激活函数； 为取最大值；

步骤3.2.2、动态调整策略结合围岩复杂度指数和训练误差动态调整隐含层的节点数；

隐含层节点数的动态确定过程为：

首先，定义围岩复杂度指数作为隐含层节点数的核心调节因子，围岩复杂度指数计算公式如下： (6)；

式中， 为围岩复杂度指数；

然后，设置初始迭代次数 为1，并初始化隐含层的基础节点数为16；同时，预先设定最大迭代次数 ；

最后，结合围岩复杂度指数和训练误差进行迭代计算，动态调整隐含层的节点数，直到达到最大迭代次数 。

4.根据权利要求3所述基于神经网络的巷道锚网索支护参数优化设计方法，其特征在于，所述步骤3.2.2中，训练误差的计算以加权均方误差损失为基础，同时引入参数的重要性权重；训练误差 的计算公式：(7)；

式中， 为当前训练样本的数量； 表示第 次迭代时第 个训练样本第 个参数的预测值； 表示第 个样本第 个参数的真实值； 表示第 个参数的重要性权重；

隐含层节点数的更新公式为：

 (8)；

 (9)；

 (10)；

式中， 、 分别表示第 次、第 次迭代时隐含层的节点数； 表示隐含层的基础节点数； 表示节点数的变化量；表示复杂度敏感系数； 表示第次迭代时的训练误差； 表示初始误差；

每一次迭代时，首先前向传播计算预测值，然后计算第 次迭代时的训练误差和初始误差 ，判断 是否大于 ，若 ，则按照公式（10）计算得到的 为正数，再进行公式（9）的计算时是增加节点，若，则按照公式（10）计算得到的 为负数，再进行公式（9）的计算时是减少节点，若 ，则按照公式（9）计算得到的 为0，此时节点数量不变。

5.根据权利要求4所述基于神经网络的巷道锚网索支护参数优化设计方法，其特征在于，所述步骤4中，锚索模型各个层的参数设置如下：输入层设置为8个神经元，包括5个关键影响指标和3个交叉特征；

隐含层的节点数根据动态调整策略进行动态调整；

输出层设置为4 个神经元，包括锚索长度、锚索直径、锚索间距、锚索排距；

锚杆模型各个层的参数设置如下：

输入层设置为8个神经元，包括5个关键影响指标和3个交叉特征；

隐含层的节点数根据动态调整策略进行动态调整；

输出层设置为4个神经元，包括锚杆长度、锚杆直径、锚杆间距、锚杆排距。

6.根据权利要求5所述基于神经网络的巷道锚网索支护参数优化设计方法，其特征在于，所述步骤5中，能自适应调整的学习率的公式为： (11)；

式中， 为第 次迭代时的学习率； 为初始学习率； 为一个超参数； 为最大迭代次数。