1.一种基于CNN‑LSTM的大地电磁信号噪声压制方法，其特征在于：包括如下步骤：S1：构建大地电磁信号的噪声样本库和纯净信号样本库；

S2：利用噪声样本和纯净信号样本训练卷积神经网络CNN得到CNN信噪辨识模型；

其中，所述CNN信噪辨识模型用于鉴别信号段为干扰数据段还是无干扰数据段；

S3：将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和无干扰数据段；

S4：利用CNN信噪辨识模型辨识出的所述实测大地电磁信号中的无干扰数据段训练长短时记忆神经网络LSTM得到LSTM预测模型；

S5：再选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，分别输入至所述LSTM预测模型进行预测得到与对应干扰数据段长度相同的预测数据；

S6：将所述预测数据与所述无干扰数据段进行数据重构得到去噪后的大地电磁信号；

所述LSTM预测模型的训练过程如下：S41：将实测大地电磁信号中辨识出的无干扰数据段作为样本数据，设其中一个样本V表示为：V＝[v1,v2,...,vm]，vm表示所述样本V中的第m个数据；

S42：将每个样本进行分段处理得到训练输入数据和训练输出数据；

其中，所述样本V进行分段得到数据V′和数据V″，k为分段比例：V′＝[v1,v2,...,v(km)]V″＝[v(km+1),v(km+2),...,vm]式中，v(km)、v(km+1)、vm表示所述样本V中的第km、km+1、m个元素；

S43：设置网络训练中输入输出数据之间的对应关系：将第一组网络训练输入输出关系设置为：V′1＝[v1,v2,...,v(km‑1)]作为训练输入，对应V′2＝[v2,v3,...,v(km)]作为训练输出；第二组网络训练输入输出关系为：V′2＝[v2,v3,...,v(km)]作为训练输入，对应V′3＝[v3,v4,...,v(km+1)]作为训练输出；按照以上规则依次向后移动一个时间步设置训练输入数据与输出数据，并得到最后一组训练输入为V′(m(1‑k)+1)＝[v(m(1‑k)+1),v(m(1‑k)+2),...,v(m‑1)]，训练输出为V′(m(1‑k)+2)＝[v(m(1‑k)+2),v(m(1‑k)+3),...,vm]；

S44：定义LSTM网络架构并按照步骤S43设置的输入输出数据之间的对应关系进行学习得到预测模型。

2.根据权利要求1所述的方法，其特征在于：步骤S44中进行网络训练之前还包括：对所述样本数据V进行标准化处理，其中，标准化公式如下：式中，Xi为标准化处理之前的样本数据V中第i个元素， 为标准化处理之前样本数据V的均值，N为标准化处理之前的样本数据V的长度，Vi为标准化处理之后的样本数据。

3.根据权利要求1所述的方法，其特征在于：步骤S2中所述卷积神经网络包括输入层、3层卷积层以及全连接层，且所述3层卷积层中的卷积核大小和神经元数目依次递减。

4.根据权利要求3所述的方法，其特征在于：所述卷积神经网络的训练参数选取如下：最大迭代次数为400，学习率衰落因子为0.2，学习率衰落周期为5，验证周期为6，激活函数为ReLU。

5.根据权利要求1所述的方法，其特征在于：步骤S2中利用噪声样本和纯净信号样本训练卷积神经网络得到CNN信噪辨识模型的过程如下：S21：将所述噪声样本库和纯净信号样本库的样本转换为长度统一的样本；

S22：针对纯净信号样本和噪声样本添加分类标签并输入至卷积神经网络进行训练；

S23：输入样本至卷积层进行特征提取，输入数据矩阵I如下：式中，I矩阵每一行表示一个样本信号， 表示第n个样本中的第h个元素；

卷积神经网络采用一维卷积核C如下：C＝[c1,c2,...,cj]

式中，cj为卷积核中第j个卷积元素；输入的样本经过卷积运算得到特征矩阵T如下：T＝I*C

式中， 为第n个样本特征向量中的第(h‑j+1)个元素；

其中，输入数据经过第一层卷积层之后得到特征矩阵T，再将特征矩阵T作为输入数据输入至下一卷积层，循环操作经过设置的所有卷积层之后得到特征矩阵P；

S27：特征矩阵P输入至全连接层进行分类输出，并采用损失函数用于判断训练模型真实值与预测值的差距，以所述差距为依据进行网络模型训练参数的优化。

6.根据权利要求1所述的方法，其特征在于：步骤S1中构造噪声样本库和纯净信号样本库的过程均执行如下步骤：

S11：选取受噪声干扰的大地电磁测点，观察大地电磁测点所受噪声干扰类型，并人为提取典型噪声干扰数据，再调整其参数来构建噪声样本；以及人为构建不同幅值的模拟噪声干扰加入噪声样本库；

S12：人为提取明显未受噪声干扰的大地电磁数据，并将其均匀分段作为纯净信号样本；以及人为加入高斯白噪声作为模拟纯净信号样本。

7.根据权利要求1所述的方法，其特征在于：所述LSTM预测模型的网络架构由序列输入层、LSTM层、全连接层和回归层构成，所述序列输入层指定输入数据维度为50，LSTM层的隐含单元个数为200，所述全连接层特征维数为50。

8.一种基于权利要求1‑7任一项所述方法的系统，其特征在于：包括如下：样本库构建模块：用于构建大地电磁信号的噪声样本库和纯净信号样本库；

CNN信噪辨识模型构建模块：用于利用噪声样本和纯净信号样本训练卷积神经网络得到CNN信噪辨识模型；

所述CNN信噪辨识模型用于鉴别信号段为干扰数据段还是无干扰数据段；

识别模块：用于将待辨识的实测大地电磁信号输入至所述CNN信噪辨识模型识别出干扰数据段和无干扰数据段；

LSTM预测模型构建模块：利用CNN信噪辨识模型辨识出的所述实测大地电磁信号中的无干扰数据段训练长短时记忆神经网络得到LSTM预测模型；

所述LSTM预测模型用于预测所述干扰数据段的真实信号；

预测模块：用于选取所述实测大地电磁信号中各个干扰数据段的相邻无干扰数据段，分别输入至所述LSTM预测模型进行预测得到与对应干扰数据段长度相同的预测数据；

重构模块：用于将所述预测数据与所述无干扰数据段进行数据重构得到去噪后的大地电磁信号。