1.一种基于深度学习的微震信号分类辨识方法，其特征在于，依次包括如下步骤：步骤1：分别选取M个煤岩破裂微震信号和N个爆破震动信号构成两类震动信号的样本数据集；

步骤2：提取M个煤岩破裂微震信号和N个爆破震动信号的主频Fm、峰后衰减系数b、能量重心系数Cx构成样本特征数据训练集和测试集；

步骤3：基于四层深度神经网络构建煤岩破裂微震信号与爆破震动信号的分类辨识模型，用训练集数据训练该信号分类模型，利用测试集数据验证信号分类模型的分类辨识效果，通过交叉训练不断提升分类精度；

步骤4：提取待辨识信号的特征向量，输入所述的分类辨识模型中，得到辨识结果。

2.根据权利要求1所述的一种基于深度学习的微震信号分类辨识方法，其特征在于：步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的主频Fm的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；

步骤2.1.1：根据式(1)计算得到信号的频谱；

式(1)中，X(ω)为信号x(t)的频谱，j2＝-1；

步骤2.1.2：根据式(2)计算信号的主频：

Fm＝max(X(ω))  (2)。

3.根据权利要求2所述的一种基于深度学习的微震信号分类辨识方法，其特征在于：步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的峰后衰减系数b的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；

采用长短时窗法(STA/LTA)自动拾取信号的终止时刻点，其中：CF(j)＝x(j)2-x(j-1)·x(j+1)  (6)上述式(3)-式(6)中：i为第i个采样点，sn为短时窗长度，ln为长时窗长度，λ为STA/LTA的触发阀值，CF(j)为j时刻的关于信息的特征函数值；

求解信号峰后衰减系数b的具体步骤如下：

步骤2.2.1：利用长短时窗法拾取信号的终止时刻点；

步骤2.2.2：利用三次样条插值法求取信号的包络线；

步骤2.2.3：利用式(7)对包络线进行拟合；

x＝at3  (7)

式(7)中：x为信号振幅，t为采样点，a、b为拟合参数；参数a与信号峰相关，参数b与信号衰减速率相关，通常b值越大，信号的衰减速率越快，反之亦然；因此将参数b定义为信号的衰减系数。

4.根据权利要求3所述的一种基于深度学习的微震信号分类辨识方法，其特征在于：步骤2中，提取所述的M个煤岩破裂微震信号和N个爆破震动信号的能量重心系数Cx的具体步骤为：假设煤岩破裂微震信号或爆破震动信号为x(t)，t＝1,2,…,T；

步骤2.3.1：对信号x(t)，t＝1,2,…,T进行VMD分解，得到的K个变分模态分量，记为{U1,…,Uk,…,UK}；

步骤2.3.2：根据式(8)计算各分量Uk对应的能量为Ek，即式(8)中，xki(k＝1,2,…,K；i＝1,2,…,T)为第k个变分模态分量Uk的离散点幅值，T为信号的采样点个数，K为变分模态个数；

步骤2.3.3：根据式(9)计算各模态分量能量占原始信号总能量的百分比为；

得到能量分布特征向量P＝(P(1),…,P(k),…,P(K))，并构造能量分布平面；

步骤2.3.4：根据式(10)计算能量分布X轴能量重心系数Cx(0

5.根据权利要求1所述的一种基于深度学习的微震信号分类辨识方法，其特征在于，在步骤3中，所述的四层的深度神经网络中包括输入层、输出层和两层隐含层，两层隐含层分别包含10个隐含神经元。