1.一种基于时域卷积网络的可控源电磁数据去噪方法，其特征在于：包括以下步骤：步骤1：获取可控源电磁数据并对其进行分段，将每一个数据段作为一个样本以及标记样本的分类标签；

所述分类标签表示样本为噪声数据段或高质量数据段；

步骤2：构建时域卷积网络，并将样本及分类标签输入至所述时域卷积网络进行训练得到可控源电磁数据分类模型；

步骤3：针对待去噪的可控源电磁数据，先分段再输入至所述可控源电磁数据分类模型得到每个数据段的分类结果；

步骤4：基于步骤3中的分类结果将高质量数据段进行重组拼接；

所述时域卷积网络包括输入层、隐藏层以及输出层，其中，所述隐藏层由若干个残差块构成，每个残差块包含一维因果扩张卷积和一维卷积，其中，中间一个残差块的实现过程为：使用卷积核对前一残差块的结果进行一维因果扩张卷积，且因果扩张卷积激活；再使用卷积核对当前残差块的第一次因果扩张卷积的激活值进行一维因果扩张卷积；然后将前一残差块的结果和当前残差块第二次未激活的一维因果扩张卷积进行求和，并激活得到当前残差块的输出结果；

其他残差块的实现过程均为：

使用卷积核对输入数据进行一维因果扩张卷积和一维卷积，因果扩张卷积激活，一维卷积不激活；再使用卷积核对当前残差块的第一次因果扩张卷的激活值进行一维因果扩张卷积；然后将一维卷积和第二次未激活的一维因果扩张卷积进行求和，并激活得到残差块的输出结果；

所述若干个残差块中卷积核的数目依次递减。

2.根据权利要求1所述的方法，其特征在于：步骤1中获取可控源电磁数据后，按照平移增广法构建样本；

其中，一个样本对应时间序列 表示为：

式中，i表示样本序号，m是获取的可控源电磁数据的数据长度，n为样本长度，q为小于n的正整数，x(i‑1)*q+1为可控源电磁数据中第(i‑1)*q+1个数据点。

3.根据权利要求1所述的方法，其特征在于：设定每个样本的分类标签时，按照如下标准进行分类标记：若样本中有效信号幅值小于1mV时，将噪声幅值大于或等于有效信号幅值的样本设定为噪声数据段；

若样本中有效信号幅值大于或等于1mV时，将噪声幅值大于或等于1mV的样本定义为噪声数据段；

反之，其他为高质量数据段。

4.根据权利要求1所述的方法，其特征在于：每个样本对应的时间为一个周期或者整数倍周期。

5.一种基于时域卷积网络的可控源电磁数据去噪系统，基于权利要求1‑4任一项所述方法，其特征在于：包括：样本构建模块，用于获取可控源电磁数据并对其进行分段，将每一个数据段作为一个样本；

分类标签标记模块，用于标记每个样本的分类标签；

可控源电磁数据分类模型构建模块，用于构建时域卷积网络，并将样本及分类标签输入至所述时域卷积网络进行训练得到可控源电磁数据分类模型；

分类模块，用于将待去噪的可控源电磁数据的数据段输入至所述可控源电磁数据分类模型得到每个数据段的分类结果；

重组模块，用于基于分类结果将高质量数据段进行重组拼接。

6.一种终端，其特征在于：包括：

一个或多个处理器；

存储了一个或多个计算机程序的存储器；

所述处理器调用计算机程序以执行：

权利要求1‑4任一项所述方法的步骤。

7.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行：权利要求1‑4任一项所述方法的步骤。