1.一种基于深度学习的叶片欠采样叶端定时信号压缩重构方法，其特征在于，所述方法包括：

获取被测对象的叶端定时测振的multi‑coset采样序列；

对所述multi‑coset采样序列进行傅里叶变换，得到叶端定时测振的压缩感知模型；

获取叶端定时传感器对应的观测矩阵，根据所述观测矩阵和所述压缩感知模型，得到叶片振动频谱；

将所述叶片振动频谱的频带进行标记，与所述叶片振动频谱组合组成训练样本集；

将所述训练样本集中的样本输入预先设置的深度学习模型中，通过梯度下降方式对深度学习模型进行训练，得到训练好的深度学习模型；

将待重构的叶片振动频谱输入训练好的深度学习模型，得到待重构的叶片振动频谱的频带对应的标记向量，根据所述标记向量，得到重构观测矩阵；

根据所述重构观测矩阵和待重构的叶片振动频谱，得到重构叶端定时测振信号；

所述获取被测对象的叶端定时测振的multi‑coset采样序列，包括：获取被测对象的叶端定时测振的multi‑coset采样序列为：yi[n]＝x[n],n＝mL+ci其中，m为非负整数，L表示叶端定时传感器的数量，i表示叶端定时传感器的序号，x[n]表示L个叶端定时传感器采集的振动信号序列，ci表示第i个叶端定时传感器在L个叶端定时传感器中的编号；

将所述叶片振动频谱的频带进行标记，与所述叶片振动频谱组合组成训练样本集，包括：

将叶片振动频谱进行L等分得到L个频带，若当前频带内存在频率分量，则将当前等分标记为1，若当前频带内不存在频率分量，则当前频带标记为0，得到标记向量s＝[s1,...,T

sL]，其中，si∈{0,1}；

根据所述标记向量和所述叶片振动频谱，得到训练样本集。

2.根据权利要求1所述的方法，其特征在于，所述获取叶端定时传感器对应的观测矩阵，根据所述观测矩阵和所述压缩感知模型，得到叶片振动频谱，包括：获取叶端定时传感器对应的观测矩阵，计算所述观测矩阵的逆矩阵；

根据所述压缩感知模型和所述逆矩阵，得到叶片振动频谱。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：分别对所述叶片振动频谱的实部和虚部进行归一化，并提取出实部和虚部，得到叶片振动频谱对应的三维矩阵；所述三维矩阵用于作为深度学习模型的输入。

4.根据权利要求1至3任一项所述的方法，其特征在于，将所述训练样本集中的样本输入预先设置的深度学习模型中，通过梯度下降方式对深度学习模型进行训练，得到训练好的深度学习模型，包括：

将所述训练样本集中的样本输入预先设置的深度学习模型中，通过预先设置的损失函数计算损失值；

通过所述损失值采用梯度下降方式对深度学习模型进行训练，得到训练好的深度学习模型。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：通过交叉熵确定损失函数为：

其中，是深度学习模型的估计值， 是 的第k个分量，Q表示样本集中样本数量，s表示频带标记向量，sk是s的第k个分量。

6.根据权利要求5所述的方法，其特征在于，通过所述损失值采用梯度下降方式对深度学习模型进行训练，包括：

通过所述损失值采用梯度下降方式对深度学习模型进行训练为：其中，θj、 分别是第j、j+1次迭代时的模型参数集。