1.一种信号降噪的方法，其特征在于：包括以下步骤，

S1，将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；

S2，根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；

S3，利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；

S4，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；

S5，根据每个时刻的所述优化粒子样本集中每个粒子的权值确定对应时刻的所述优化粒子样本集中的有效粒子数，根据每个时刻的所述优化粒子样本集中的有效粒子数分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；

S6，利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。

2.根据权利要求1所述的一种信号降噪的方法，其特征在于：所述连续待降噪信号为非线性连续模拟信号，所述S1具体为，利用模数转换器对所述非线性连续模拟信号进行模数变换，得到由每个时刻的数据样本点组成的数字信号，每个时刻的所述数据样本点即为对应时刻的所述粒子样本集，所述数字信号即为所述样本粒子集。

3.根据权利要求1或2所述的一种信号降噪的方法，其特征在于：所述信号降噪模型包括带变异算子的粒子群优化算法函数和粒子滤波算法函数，所述带变异算子的粒子群优化算法函数中又包含有变异控制函数；

所述S2具体为，

根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并确定信号系统状态空间模型方程；

初始化所述变异控制函数中的预设变异率以及控制系数；

初始化所述带变异算子的粒子群优化算法函数中的初始化群体规模数、学习因子、最小惯性系数、最大惯性系数、每个粒子的初始位置和初始速度、最大迭代次数、适应度阈值以及适应度函数；

初始化所述粒子滤波算法函数中的初始化粒子数目和观测噪声；

根据所述信号系统状态空间模型方程确定所述粒子滤波算法函数中的初始状态和初值；

其中，所述初始化群体规模数等于所述初始化粒子数目，且令，初始化群体规模数＝初始化粒子数目＝N。

4.根据权利要求3所述的一种信号降噪的方法，其特征在于：所述S3具体包括，根据所述控制系数和所述最大迭代次数确定所述变异控制函数，且根据所述变异控制函数、所述最小惯性系数和所述最大惯性系数计算所述带变异算子的粒子群优化算法函数中的惯性系数；

所述变异控制函数的确定公式为，y(epoch)＝(1-(epoch/epochmax)α)β，其中，y(epoch)为所述变异控制函数，epoch为当前迭代次数，epochmax为所述最大迭代次数，α和β均为所述控制系数；

所述惯性系数的计算公式为，w＝wmin+(wmax-wmin)·y(epoch)，其中，w为所述惯性系数，wmin为所述最小惯性系数，wmax为所述最大惯性系数；

根据所述预设变异率和所述变异控制函数计算所述变异控制函数的变异率；

所述变异率的计算公式为，u＝m·y(epoch)，其中，u为所述变异率，m为所述预设变异率。

5.根据权利要求4所述的一种信号降噪的方法，其特征在于：所述S3还具体包括，根据所述初始化粒子数目、所述初始状态和所述初值，并结合所述信号系统状态空间模型方程分别对每个时刻的粒子样本集进行初始化，得到对应时刻的初始粒子样本集；

在所述变异控制函数的控制下，分别随机地对每个时刻的所述初始粒子样本集中的M个粒子进行变异操作，得到对应时刻的变异粒子样本集，其中，M由所述初始化群体规模数和所述变异率决定，且M＝[N*u]；

所述变异控制函数控制变异操作的过程为，xsj＝xsj+rand*y(epoch)，其中，rand∈(-a，a)是随机数，xsj代表对应时刻的所述初始粒子样本集中随机选择的M个粒子中第s个粒子的第j个元素发生变异；

根据所述适应度函数分别计算出每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]，并根据每个时刻的所述变异粒子样本集中每个粒子的适应度值fit[i]计算出对应时刻的所述变异粒子样本集中的个体最优值Pi和全局最优值Gi；

所述适应度函数为，

其中，fit[i]为t时刻的所述变异粒子样本集中第i个粒子的适应度值，nt为t时刻的所述观测噪声，Yt为t时刻的所述粒子样本集，Ypred为根据所述信号系统状态空间模型方程计算得到的预测观测值，f为采集所述连续待降噪信号的终点时刻；

在任一时刻的所述变异粒子样本集中，当粒子的所述适应度值大于所述个体最优值时，则将对应粒子的所述适应度值定义为所述个体最优值，当所述个体最优值大于所述全局最优值时，则将所述个体最优值定义为所述全局最优值；

根据所述学习因子以及每个时刻的所述变异粒子样本集中的所述个体最优值、所述全局最优值以及每个粒子的所述初始位置和所述初始速度分别迭代更新对应时刻的所述变异粒子样本集中每个粒子的速度和位置；

任一时刻的所述变异粒子样本集中任一个粒子在迭代更新后的速度和位置的计算公式为，其中，rand()为介于(0,1)区间的随机数，c1和c2均为所述学习因子，且c1＝c2＝

1.4692， 为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的速度，为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的速度， 为t时刻的所述变异粒子样本集中第i个粒子在第k+1次迭代更新后的位置， 为t时刻的所述变异粒子样本集中第i个粒子在第k次迭代更新后的位置， 为t时刻的所述变异粒子样本集在第k次迭代更新后的个体最优值， 为t时刻的所述变异粒子样本集在k次迭代更新后的全局最优值，w为所述惯性系数；当k＝0时， 为t时刻的所述变异粒子样本集中第i个粒子的所述初始速度， 为t时刻的所述变异粒子样本集中第i个粒子的所述初始位移；

在每个时刻的所述变异粒子样本集的迭代更新中，当对应时刻的所述变异粒子样本集的迭代更新次数达到所述最大迭代次数或当对应时刻的所述变异粒子样本集中搜寻到粒子的所述适应度值满足所述适应度阀值时，则停止迭代更新，输出优化结果，得到对应时刻的所述优化粒子样本集。

6.根据权利要求5所述的一种信号降噪的方法，其特征在于：所述S4具体为，分别计算每个时刻的所述优化粒子样本集中每个粒子的权值，并计算所述优化粒子样本集中每个粒子的归一化权值；

在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的权值的公式为，在所述S4中，计算每个时刻的所述优化粒子样本集中每个粒子的归一化权值的公式为，其中， 为t时刻的所述优化粒子样本集中第i个粒子的权值， 表示t时刻的所述优化粒子样本集中第i个粒子的归一化权值，p(*)为概率密度分布函数，q(*)为重要性密度函数。

7.根据权利要求6所述的一种信号降噪的方法，其特征在于：所述S5具体为，定义有效粒子数阀值Nthreshold，根据每个时刻的所述优化粒子样本集中每个粒子的权值计算对应时刻的所述优化粒子样本集中的有效粒子数Neff，其中，

若Neff＜Nthreshold，则从t时刻的所述优化粒子样本集中进行N次独立的重采样，获得t时刻的所述采样粒子样本集，且t时刻的所述采样粒子样本集中每个粒子的权值若Neff≥Nthreshold，则不进行重采样，直接将t时刻的所述优化粒子样本集作为t时刻的所述采样粒子样本集。

8.根据权利要求7所述的一种信号降噪的方法，其特征在于：在所述S6中，所述状态估计公式为，其中， 为t时刻的所述采样粒子样本集的状态估计值， 为t时刻的所述采样粒子样本集中第i个粒子。

9.一种信号降噪的系统，其特征在于：包括以下模块，

离散模块，其用于将连续待降噪信号进行离散化，得到由每个时刻的粒子样本集构成的样本粒子集；

信号降噪模型初始化模块，其用于根据所述连续待降噪信号的特征选择对应的信号系统状态空间模型，并对在所述信号系统状态空间模型中预先建立的信号降噪模型进行初始化，其中，所述信号降噪模型基于带变异算子的粒子群优化算法和粒子滤波算法构建而成；

迭代更新优化模块，其用于利用初始化后的所述信号降噪模型分别对每个时刻的所述粒子样本集中每个粒子进行迭代优化，更新每个时刻的所述粒子样本集中每个粒子的位置和速度，并得到每个时刻的优化粒子样本集；

权值计算模块，其用于分别计算每个时刻的所述优化粒子样本集中每个粒子的权值；

重采样模块，其用于根据每个时刻的所述优化粒子样本集中每个粒子的权值分别对对应时刻的所述优化粒子样本集进行重采样，得到对应时刻的采样粒子样本集；

降噪信号生成模块，其用于利用状态估计公式分别对每个时刻的所述采样粒子样本集进行计算，得出每个时刻的所述采样粒子样本集的状态估计值，则所有时刻的所述采样粒子样本集的状态估计值组成降噪后的信号。

10.一种计算机存储介质，其特征在于：包括至少一个计算机指令，在所述计算机指令执行时实现如权利要求1至8任一项所述的方法步骤。