1.一种基于深度学习的端到端磁异常信号降噪方法，其特征在于，实现步骤如下：步骤1：根据磁偶极子模型构造不同CPA(Closest ProximityApproach)距离、不同运动速度情况下的理想磁异常信号，理想磁异常信号的计算公式如下：B＝Bxex+Byey+Bzez

l＝cos I cos D

m＝cos I sin D

n＝sin I

其中B为目标磁偶极子的磁感应强度大小，Bx、By、Bz为B在x、y、z三轴上的分量，μ为真空磁导率，p为磁偶极子的磁矩大小，r为磁偶极子到传感器的直线距离，rx、ry、rz为r在x、y、z三轴上的分量，I为检测点的地磁磁倾角，D为检测点的地磁磁偏角；

步骤2：构建含噪磁异常信号，先在检测点采集纯地磁背景信号，通过移动时间窗口得到不同的纯地磁背景信号，将步骤1得到的理想磁异常信号与不同的纯地磁背景信号进行叠加，从而得到不同的含噪磁异常信号，以此构造含地磁背景噪声的磁异常信号数据集；

步骤3：对步骤2得到的含噪磁异常信号进行小波带通滤波，先进行小波分解，然后将小波分解以后属于高频的细节系数和属于极低频的近似系数置零，再进行重构，得到带通滤波后的磁异常信号；

步骤4：对滤波后的信号进行正交基函数(OBF)分解，得到每组信号三组正交基对应的分解系数；

步骤5：构建端到端的深度学习网络，以步骤4所得的分解系数构建训练样本数据集，将分解系数作为网络模型的输入，对应的理想磁异常信号为网络模型的输出，训练得到端到端的降噪网络模型；

步骤6：将需降噪的磁信号经步骤3和步骤4中所述的小波带通滤波、OBF分解处理，然后将分解系数作为训练好的降噪网络模型的输入，以降噪网络模型的输出作为降噪后的磁异常信号。

2.根据权利要求1中所述的一种基于深度学习的端到端磁异常信号降噪方法，其特征在于，步骤4中的正交基函数为3个，公式分别为：其中w＝D/R0，D为目标沿轨迹运行时与轨迹中心点的距离，R0为目标运动轨迹到传感器的最近距离，即CPA距离；

OBF分解系数的计算公式为：

其中Sig为含噪磁异常信号。

3.根据权利要求1中所述的一种基于深度学习的端到端磁异常信号降噪方法，其特征在于，所述步骤5中构建的端到端深度学习网络为编码‑解码网络，其结构由串联的4个卷积层和4个解卷积层组成，其中，四个卷积层中的卷积核数量分别为n、2n、4n和4n，解卷积层中的卷积核数量分别为4n、4n、2n和n，卷积核大小都为4×1；输入信号依次经过卷积层和解卷积层，最终到达输出层；模型中的损失函数为交叉熵函数，其计算公式为：其中x是真实的标签值，是预测的概率，即 表示预测概率与样本标签的差值。