1.一种基于LSTM神经网络的测井岩性识别方法，其特征在于，包括步骤：S1：基于LSTM神经网络建立测井岩性识别模型；

S2：采用由带标签的测井数据样本组成的数据集对所述测井岩性识别模型进行训练和测试；

S3：将即时测井数据输入测试完成的所述测井岩性识别模型，得出各类岩性的概率；

S4：将概率最大的岩性作为所述即时测井数据下的岩性。

2.如权利要求1所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于，所述步骤S2对所述测井岩性识别模型进行训练的过程具体包括步骤：S21：将所获原始测井数据进行标签降维、参数降维以及缺失值插补，得到测井数据样本；

S22：对测井数据样本进行标签编码和数据归一化后划分为训练集和测试集；

S23：将所述训练集输入步骤S1建立的所述测井岩性识别模型进行训练，并反向更新参数，优化神经元权重矩阵，直至参数收敛。

3.如权利要求2所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于，步骤S21中：

进行所述标签降维具体是指：将所获原始测井数据中相近的岩性进行合并以及将低于预设占比的岩性剔除；

进行所述参数降维具体是指：保留互不相关的参数类别，并对高于预设相关度的2个以上参数类别进行降维选取；

进行所述缺失值插补具体是指：对数据缺失处进行多重插补。

4.如权利要求3所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于，步骤S21中：

进行标签降维后得到的标签包括泥岩、砂岩、页岩、白云岩、砾岩、泥灰岩和泥膏岩这七种岩性；

进行参数降维后得到的参数包括补偿声波、补偿电子、补偿密度、自然伽马和电阻率这五种输入参数；

对数据缺失处进行多重插补的具体过程包括：

1)为每个空值产生一套可能的插补值，并根据这些插补值生成多个插补值集合；

2)对每个插补值集合用针对完整数据集的统计方法进行统计分析；

3)对每个插补值集合的结果，根据评分函数进行选择，产生最终的插补值。

5.如权利要求4所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于，所述步骤S22中：

进行所述标签编码的过程为：对泥岩、砂岩、页岩、白云岩、砾岩、泥灰岩和泥膏岩这七种岩性进行毒热编码；

进行所述数据归一化的过程为：将补偿声波、补偿电子、补偿密度、自然伽马和电阻率这五种输入参数进行归一化，使处理后的数据呈现正态分布。

6.如权利要求2所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于，所述步骤S22中，进行数据归一化所采用的公式为：其中，x为一输入参数对应的值，μ为该输入参数的总体均值，δ为该输入参数的标准差，Z为该输入参数标准化的值。

7.如权利要求1～6任一项所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于：所述测井岩性识别模型包括LSTM网络结构和Softmax回归层，所述LSTM网络结构包括顺次连接的输入层、隐藏层和输出层；所述隐藏层包括首层隐藏层、中层隐藏层和末层隐藏层，Dropout率分别为0.2、0.4、0.4；所述Softmax回归层连接在所述末层隐藏层和输出层之间。

8.如权利要求7所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于：所述测井岩性识别模型采用Tanh函数作为激活函数，采用Adam优化算法进行优化，采用交叉熵作为损失函数。

9.如权利要求7所述的一种基于LSTM神经网络的测井岩性识别方法，其特征在于：所述步骤S23中，采用反向传播通过时间方法进行参数训练。

10.一种基于LSTM神经网络的测井岩性识别系统，其特征在于：采用1～9任一项权利要求所述的基于LSTM神经网络的测井岩性识别方法实现建立测井岩性识别模型、对测井岩性识别模型进行训练与/或测试、将训练完成的测井岩性识别模型用于识别即时测井数据中的至少一项。