1.一种基于Bi‑LSTM的大地电磁信号去噪方法，其特征在于：包括如下步骤：S1：构建若干噪声轮廓信号以及无干扰的大地电磁纯净信号，两者相加作为大地电磁含噪信号；

S2：定义双向长短期记忆神经网络的输入和输出，并利用大地电磁含噪信号及其噪声轮廓信号训练所述双向长短期记忆神经网络；

其中，输入为大地电磁含噪信号，输出为噪声轮廓信号；

S3：将待去噪的大地电磁信号输入训练好的双向长短期记忆神经网络得到噪声轮廓信号，再将所述待去噪的大地电磁信号减去所述噪声轮廓信号得到去噪后的大地电磁有用信号。

2.根据权利要求1所述的方法，其特征在于：步骤S2中利用样本数据训练所述双向长短期记忆神经网络的过程中，引入正交粒子群NPSO算法寻找最优的网络参数和样本分段长度n；再基于最优的网络参数下的双向长短期记忆神经网络以及基于样本分段长度n的大地电磁含噪信号数据段继续进行训练得到训练好的双向长短期记忆神经网络；

其中，将大地电磁含噪信号数据按照n值等长度划分数据段，再输入所述双向长短期记忆神经网络进行训练。

3.根据权利要求2所述的方法，其特征在于：引入正交粒子群NPSO算法寻找最优的网络参数和样本分段长度n的过程如下：S21：正交粒子群NPSO算法的参数初始化，包括种群数量、学习因子、最大迭代次数、粒子速度范围、粒子位置范围；其中，将每组待优化的双向长短期记忆神经网络参数和样本分段长度n作为一个粒子位置，随机生成初始粒子；

S22：以预测误差值最小为目标，基于每个粒子对应的双向长短期记忆神经网络和样本分段长度n进行训练，再基于训练后的网格性能计算每个粒子的适应度函数；

S23：基于每个粒子的适应度值进行粒子更新，再返回步骤S22进入下一次迭代直至满足迭代终止条件，进入步骤S24；

S24：选取最优粒子，并将所述最优粒子对应的双向长短期记忆神经网络参数应用至双向长短期记忆神经网络以及将所述最优粒子对应的样本分段长度n划分处理大地电磁含噪信号，再进行网络训练得到训练好的双向长短期记忆神经网络。

4.根据权利要求3所述的方法，其特征在于：S22中以双向长短期记忆神经网络的预测值与真实值的误差作为适应度函数，适应度函数的公式如下：其中，F为适应度值，L为参与训练或评估的全部数据点，yt是第l个数据点对应的实际噪声轮廓信号，yp是第l个数据点对应预测的噪声轮廓信号。

5.根据权利要求2所述的方法，其特征在于：S24中利用FER值作为判定每个粒子的适应度指标时，FER值最大的粒子为找寻到的最优粒子。

6.根据权利要求2所述的方法，其特征在于：所述双向长短期记忆神经网络的网络参数经过正交粒子群NPSO算法筛选后，最佳网络参数组合如下：隐藏层神经元数为1000，最大迭代次数为250，初始学习率为0.005，学习率衰落因子为

0.5，学习率衰落周期为125，梯度阈值为1，激活函数为sigmod。

7.根据权利要求3所述的方法，其特征在于：设定训练集和测试集，所述训练集和所述测试集中均设有大地电磁含噪信号，所述方法还包括：利用测试集中大地电磁含噪信号验证长短期记忆神经网络拟合效果，实现过程如下：S41：基于样本分段长度n将测试集中的大地电磁含噪信号进行数据段划分，设划分后测试集的一个样本T1为：T1＝[t1 t2...tn]，t1、t2、tn分别为划分一个数据段样本中第1个、第

2个、第n个数据点；

S42：将测试集样本数据送入长短期记忆神经网络Bi‑LSTM的前向LSTM层和后向LSTM层得到对应的输出YPred；

其中，对应输入样本T1的输出Y1为：Y1＝[y1 y2...yn]，y1、y2、yn为输出Y1中第1个、第2个、第n个数据点；输出结果的生成过程如下：(1) (2)

t时刻在两层中的隐藏状态h t和h t中，公式如下：(1) (1) (1)

其中f1()为前向信息提取函数，u 和w 均为权重矩阵，b 为偏置项；f2()为后项信(2) (2) (2)

息提取函数，u 和w 均为权重矩阵，b 为偏置项；

(1) (2)

将h t和h t进行拼接得到在当前时刻t的输出yt，公式如下：按照上述方法进行循环预测；

S46：将测试集XTest与预测出的噪声轮廓YPred相减得到重构的有用信号，再与构造的无干扰的原始大地电磁纯净信号相比较，验证双向长短期记忆神经网络拟合效果。

8.根据权利要求1所述的方法，其特征在于：步骤1中大地电磁含噪信号的构建过程如下：

分别构造含有典型的方波、三角波、类充放电和脉冲的噪声轮廓信号；每段噪声轮廓信‑5 5

号的长度为L，四类噪声轮廓的长度为4L，幅值在10 到10之间；

构造纯净的无干扰信号作为大地电磁纯净信号，大地电磁纯净信号的长度为4L，幅值在‑1000到1000之间；

将噪声轮廓信号与大地电磁纯净信号的和作为大地电磁含噪信号。

9.根据权利要求8所述的方法，其特征在于：若大地电磁含噪数据输入双向长短期记忆神经网络之前进行了标准化处理，则得到双向长短期记忆神经网络输出结果后进行反标准化处理，所述反标准化公式如下：YPred2＝[YPred1×(Tmax‑Tmin)]+Tmin式中，YPred1代表预测的噪声轮廓信号，YPred2代表反标准化后的噪声轮廓信号，Tmax代表测试集中大地电磁含噪信号的幅值最大值，Tmin代表测试集中大地电磁含噪信号的幅值最小值。

10.一种基于权利要求1‑9任一项所述方法的系统，其特征在于：包括：样本库构建模块：用于构建若干噪声轮廓信号以及无干扰的大地电磁纯净信号，两者相加作为大地电磁含噪信号；

Bi‑LSTM模型构建模块：用于定义双向长短期记忆神经网络的输入和输出，并利用大地电磁含噪信号及其噪声轮廓信号训练所述双向长短期记忆神经网络；

所述Bi‑LSTM预测模型用于预测所述干扰数据段的噪声轮廓；

预测模块：用于将待去噪的大地电磁信号输入至所述Bi‑LSTM预测模型进行预测得到与之对应的噪声轮廓信号；

重构模块：用于将所述待去噪的大地电磁信号减去所述噪声轮廓信号得到去噪后的大地电磁有用信号。