1.基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，步驟s4中，引入lasso和ridge正則化，并結合k折交叉驗證技術，進行模型的xgboost極端梯度提升訓練。
3.根據權利要求2所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，步驟s4的具體方式如下：
4.根據權利要求2或3所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，將虛擬數據庫中的數據隨機分為k個子集，對于每次迭代訓練和測試，選擇其中一個子集作為測試集，將其他k-1個子集合并作為訓練集，用于進行k折交叉驗證。
5.根據權利要求2或3所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，模型的xgboost極端梯度提升訓練過程中，還引入早停技術，具體為：設置參數t的初值，若訓練的模型在測試集上的性能沒有改善，則將t的值加1，并繼續進行模型訓練；若性能改善，則重置t，并更新模型參數；當t到達預設值時，停止模型訓練。
6.根據權利要求1所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，步驟s5中，使用徑向基函數rbf方法進行自適應比例因子調整，結合真實數據庫對初步得到的爆破壓力預測模型進行校正。
7.根據權利要求6所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，步驟s5的具體方式如下：
8.根據權利要求7所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，步驟s5中，在python平臺中使用shap庫計算每個特征的shap值。
9.根據權利要求1所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，步驟s1中，復合材料儲氫氣瓶的特征數據包括封頭橢球比、纏繞張力、纏繞壓力、內膽厚度、內膽長徑比、固化最高溫度、螺旋纏繞層與環向纏繞層厚度比、螺旋纏繞最大纏繞角、纏繞總時長、復合材料層的纖維體積分數中的一個或多個。
10.根據權利要求1所述的基于小樣本機器學習的復材儲氫氣瓶爆破壓力預測方法，其特征在于，步驟s2中，對原始數據中的特征數據進行魯棒歸一化處理：