1.一种神经网络训练方法，其特征在于，包括：获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本；

采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，所述增量数据样本包括三分量波形；

将所述三分量波形输入UNET模型，用以通过a个接收器、b个时间采样点、c个卷积层信道以及d个MAXPOOLING层，提取出震相拾取信息，其中，a、b、c和d为随机数；

通过d个向上采样层对所有所述震相拾取信息进行转换，形成输出标签。

2.如权利要求1所述的神经网络训练方法，其特征在于，至少两个所述接收器具有初始放置顺序；

所述采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：按与至少两个所述接收器的初始放置顺序相反的顺序重新放置所有所述接收器，获取反序数据样本；

结合所述预设预设数量的原始数据样本和所述反序数据样本，获取所述增量数据样本。

3.如权利要求1所述的神经网络训练方法，其特征在于，所述采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：获取所述原始数据样本的三分量波形数据，将所述三分量波形数据中的每一分量按照随机角度分别随机旋转θ、Φ和 度；

根据旋转公式获取旋转后的旋转分量数据作为所述增量数据样本，其中，所述旋转公式为：

T T

其中，(dx,dy,dz)是所述原始数据样本的三分量波形数据，(d′x,d′y,d′z) 是旋转后的所述旋转分量数据。

4.如权利要求1所述的神经网络训练方法，其特征在于，所述原始数据样本包括P/S走时，所述P/S走时包括P波震相和S波震相；

采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：按预设次数随机移动所述原始数据样本的P波震相和S波震相的同相轴，以模拟出移动走时曲线；

基于所述移动走时曲线获取所述增量数据样本。

5.如权利要求1所述的神经网络训练方法，其特征在于，所述原始数据样本包括P幅值和P波震相；

采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：在预设P幅值因子范围内随机获取一个P幅值因子；

将所述P幅值乘以所述P幅值因子获取更新的所述P幅值，以降低或者增强所述P波震相的振幅，并获取降低或者增强振幅后的P波震相以及对应的振幅数据样本，将所述振幅数据样本作为所述增量数据样本。

6.如权利要求1所述的神经网络训练方法，其特征在于，所述水力压裂作业阶段包括连续波形图像和信噪比；所述原始数据样本包括微震事件波形；

采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：从所述连续波形图像中截断出至少n个噪声窗口，从至少n个所述噪声窗口中随机获取一个噪声插入窗口，其中，n为随机数；

将所述噪声插入窗口加入所述微震事件波形，以扩充所述原始数据样本，以获取所述增量数据样本。

7.如权利要求1所述的神经网络训练方法，其特征在于，所述水力压裂作业阶段包括连续波形图像和信噪比；所述原始数据样本包括微震事件波形；

采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：随机移除至少一个所述接收器对应的波形，模拟所述水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本的步骤，获取移除数据样本；

结合所述原始数据样本和所述移除数据样本，获取所述增量数据样本。

8.一种神经网络训练装置，其特征在于，包括：获取原始样本模块，用于获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本；

获取增量样本模块，用于采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，所述增量数据样本包括三分量波形；

提取震相信息模块，用于将所述三分量波形输入UNET模型，用以通过a个接收器、b个时间采样点、c个卷积层信道以及d个MAXPOOLING层，提取出震相拾取信息，其中，a、b、c和d为随机数；

形成输出标签模块，用于通过d个向上采样层对所有所述震相拾取信息进行转换，形成输出标签。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

7任一项所述神经网络训练方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述神经网络训练方法。