1.一种联合深度学习的地震数据随机噪声压制方法，其特征在于：所述压制方法包括以下步骤：步骤一：训练数据集预处理：

为结合波原子域的特征，将训练样本的最小单位设置为由训练集中地震数据的样本裁剪得到的若干个尺寸为256×256的切片数据x，地震数据的随机噪声通过0均值正态分布的高斯随机噪声仿真，噪声的标准差与原始地震数据的标准差成正相关，噪声标准差定义为：M为切片时间采样总数，N为切片地震道采样总数，t为时间采样序号，s为地震道记录序号，u为地震数据的均值，l为噪声强度的比例因子；将每一个地震数据切片复制10份，分别加入10种不同强度的随机噪声，也即l分别为0.01、0.02、0.03、0.04、0.05、0.06、0.07、

0.08、0.09和0.1，得到若干个包含随机噪声的切片数据y；

步骤二：样本标签准备：对于联合学习网络模型，在频域和空域分别设置标签；

空域标签：步骤一得到的原始地震切片数据x；

频域标签：对每一个原始地震切片数据x分别进行波原子变换，波原子变换采用工具箱代码完成，变换后每个切片数据x生成2个256×256的波原子域切片系数，分别设为x′1和x′2，即为频域卷积网络学习的标签；

步骤三：设计联合学习模型G的网络结构：

联合学习网络模型G由3个并行的深度卷积网络组成，分别为波原子域系数矩阵 的预测网络G1，波原子系数矩阵 的预测网络G2和空间域地震数据yspace的预测网络G3；

网络模型G1和G2是为了预测波原子域系数矩阵 和 的网络，其中，第一层输入具有1个通道；中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1；卷积层后是Relu层，将前卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于去除系数矩阵中的非主要成分；在每次卷积前，对输入矩阵进行补0操作，以便每个特征图与输入张量保持相同大小；最后一层是1个卷积层，输入256个通道，输出1个通道，用于得到波原子域系数矩阵；

网络模型G3是为了预测空间域地震数据yspace的网络，因为空域上网络的输入和输出比较接近，因此在空域上采用残差学习来设计更稳定的网络；其中，第一层输入具有1个通道；

中间层是4个交替的卷积层和修正线性单元(Relu)层，每个卷积层包含256个尺寸大小为3×3的卷积滤波器，步长为1，用于提取含噪地震数据的特征；卷积层后是一个Relu层，将前一卷积层的输出特征输入到Relu激活函数中以执行非线性映射，用于学习空域地震数据噪声数据主要特征；类似网络模型G1,G2，在每次卷积前，对特征图进行补0操作；最后一层是1个卷积层，输入256个通道，输出1个通道，进一步提取空域地震数据噪声的主要特征；

步骤四：设计损失函数：

对于空域-频域联合学习网络模型G，结合波原子域和空间域损失误差的联合误差函数losstotal＝alosswave+blossspace，其中其中a,b为权重， 为波原子域预测系数 与实际系数x′1和x′2的均方误差求和得到的； 为最终

预测数据 与实际数据x的均方误差，最终预测数据 是由波原子域系数反

变换得到的预测数据ywave与空间域预测数据yspace加权求和得到的，μ和v为权重；

步骤五：训练并保存网络模型：

使用步骤三提出的联合学习模型G，输入含随机噪声的切片数据样本集y，经过网络模型前向传递得到波原子域预测系数 和空间域预测数据yspace；将 反变换得到波原子域预测数据ywave，再与yspace加权求和得到最终预测数据 将预测数据 和 分别与标签x，x′1和x′2比较，利用联合误差函数losstotal计算误差并反向回馈来调整网络参数；

批量大小设置为128，学习率初始设定为0.001，采用自适应方法调节学习率，根据前一次迭代的误差调整学习率的大小，提高收敛速度与逼近效果；最后保存调整好的网络模型的参数；

步骤六：测试网络模型性能：

将中含噪声地震数据的测试集z，输入到步骤五调整好参数的卷积神经网络模型G中，由G1和G2网络生成波原子域系数 和 将 和 进行波原子反变换得到波原子域去噪之后的地震数据zwave，由G3网络得到空间域的去噪预测结果zspace，最终的去噪结果为