1.一种基于移不变稀疏编码的低频大地电磁(Magnetotelluric，MT)信号去噪方法，其特征在于，包括以下步骤：步骤1、利用数学形态滤波(Mathematical Morphology Filtering，MMF)将含噪的大地电磁时间序列A分解成低频有效信号B和含噪的高频信号X，即A＝B+X；

步骤2、利用移不变稀疏编码(Shift-Invariant Sparse Coding，SISC)将X分解成高频有效信号Yh和人文噪声Yc，高频有效信号Yh和低频有效信号B相加得到全频带的大地电磁有效信号Y。

2.根据权利要求1所述基于移不变稀疏编码的低频大地电磁信号去噪方法，其特征在于，步骤1中所述数学形态滤波，其操作如下：设A＝a(c)＝[a1，a2，...，aC]T是长度为C的待处理含噪信号，g＝g(j)＝[g1，g2，...，gJ]T是长度为J的结构元素，处理电通道信号时，结构元素的长度J取值为150；处理磁通道信号时，结构元素的长度J取值为100，根据实际情况，J取值当调整，用数学形态滤波提取到的低频有效信号B为：B＝Φoc(co)(g)＝[OC(A)+CO(A)]/2，   (1)式中OC(A)和CO(A)分别表示形态开-闭滤波器和形态闭-开滤波器：，式中 表示开运算，“·”表示闭运算，开运算和闭运算定义为：

式中“Θ”和 分别表示腐蚀和膨胀运算：

3.根据权利要求1所述基于移不变稀疏编码的低频大地电磁信号去噪方法，其特征在于，使用移不变稀疏编码处理前，先将X分成K段，在采样率为15Hz，每段时长为30分钟的情况下，每段所占采样点数为27000，即X＝[x1，x2，...，xK]T，xk＝[x1，x2，...，xN]T，N＝27000，SISC将xk表示为基与系数的卷积之和：式中“*”表示卷积，编码系数向量sm，k∈RP是稀疏的，即表示只有少量非零系数，ε为高斯白噪声，Q＜N，P＜N且Q+P-1＝N；字典原子dm和编码系数sm，k均是未知的，通过交替更新，将其转化为凸优化问题，反复迭代求取；当固定dm不变时，基于凸优化方法求解稀疏表示系数sm，k；当固定sm，k不变时，基于凸优化方法求解字典原子dm；稀疏性是上述两个优化问题的共同目标，评价yk稀疏程度的代价函数为：式中||·||F表示lF范数，β为一个约束，用于平衡重构误差与稀疏度，dm通常需要归一化，即 移不变稀疏编码基本流程如下：输入：待处理信号X，特征原子的种类α，特征原子的宽度W＝[W1，W2，…Wa]，特征原子总数L即稀疏度，最大迭代次数z，收敛目标e＜10-6；

初始化：对D、s随机赋予初值；

循环执行z次以下内容：

当达到最大循环次数或达到收敛目标时停止循环；

输出：过完备字典D以及重构信号

以处理强干扰环境下MT数据为例，a可设置为10，原子宽度可设置为W＝[1，3，10，30，

30，50，50，100，100，150]， 即为提取到的人文噪声(记为Yc)，含噪的高频信号X减去人文噪声Yc即得到去噪后的高频有效信号Yh：Yh＝X-Yc，  (10)

将低频有效信号B与高频有效信号Yh相加即得到去噪后的全频带的大地电磁有效信号Y：Y＝B+Yh。  (11)

4.根据权利要求3所述基于移不变稀疏编码的低频大地电磁信号去噪方法，其特征在于，设gi，u为特征原子di平移u点补零后的原子，其长度与xk相同，且||gi，u||＝1，最大循环次数Lmax，第L次循环后的残差为rL，第L次循环后已选原子集合ψL，则系数求解步骤如下：

1)参数初始化，r0＝xk， L＝1；

2)选出与当前残差最匹配的一个原子gi，u，它满足：

3)更新已选原子集合，

4)根据最小二乘法计算投影系数 残差rL＝xk-sLψL，重构信号

5)判断L是否已经达到最大值Lmax，若没有，L＝L+1，并转到步骤2)循环执行；否则，输出重构信号。

5.根据权利要求3所述基于移不变稀疏编码的低频大地电磁信号去噪方法，其特征在于，所述移不变稀疏编码，字典更新通过以下步骤实现：保持系数不变，仅对基进行更新，该优化函数可以简化为：式中矩阵Ei，k表示第k个信号除去第i个基外的所有误差；将对第i个基的更新转化为求解关于di的方程组，由于di*si，k＝si，k*di，首先仅分析只有第k个信号时的优化问题，相当于求解下式的解：将上述公式左边矩阵视为系数si，k的一种特殊的Toeplitz矩阵，则上式可以写作Toep(si，k)·di＝Ei，k；由于系数si，k是稀疏的，矩阵Toep(si，k)中的许多行为0向量，这些0向量对结果没有影响，将这些行从矩阵Toep(si，k)中剔除，同时将向量Ei中的对应行剔除，表示为当同时考虑K个信号时，优化函数ψ(θ)可以表示为：将上式简写为S·di＝E，根据最小二乘法可得di＝(STS)-1(STE)，矩阵(STS)∈RQ×Q，一般情况下Q＜＜N，因此最后就转化为求解一个小规模的线性方程组的解；这一求解过程通过Cholesky分解直接求取最优值，按照随机的顺序依次对每个基进行更新，能够求取基在本轮循环中的最优解，然后依次对基di标准化处理 即可得到完整的字典D。