1.一种基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，具体步骤为：

步骤一、从矿井中采集的未标记矿震数据形成数据集，并将数据集输入地震深度神经网络模型进行训练，得到每个数据的标波结果，该结果正确率未知，称为标波伪结果；

步骤二、设定阈值A，将步骤一获得的每个数据标波伪结果均与专家知识方法获得的结果进行比较，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值大于阈值A，则以专家知识标波点为准，重新在数据集中进行标记，通过此反绎学习过程，得到该数据的反绎标记，若步骤一得到的其中一个数据标波点与专家知识得到的标波点差值绝对值小于等于阈值A，则保留步骤一获得的该数据标波点；完成一次处理后，将反绎标记数据和保留的数据形成新的数据集；

步骤三、将步骤二中新的数据集再次输入地震深度神经网络模型中进行训练，输出结果后再重复步骤二的过程，并对模型参数进行更新；

步骤四、持续循环步骤三的过程，直到某次输出的各个数据标波点与专家知识得到的标波点差值均小于等于阈值A时，即数据的伪标记与反绎后的标记一致，或者机器学习模型不再更新，则停止循环，形成最终的数据集和最终的矿井微震标波模型；

步骤五、设定阈值B，将步骤四的最终数据集输入由步骤四反绎学习得到的最终矿井微震标波模型，输出结果和专家知识方法获得的结果进行比对，若其中一个数据标波点与专家知识得到的标波点差值绝对值大于阈值B，则将该数据剔除，若其中一个数据标波点与专家知识得到的标波点差值绝对值小于等于阈值B，则将该数据保留，最后采用保留的数据作为矿井微震P波到时拾取的数据。

2.根据权利要求1所述的基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，所述步骤一的地震深度神经网络模型分为上、下采样两部分，其中下采样过程有四个阶段，其作用是从原始采集数据提取能用于拾取微震波到时的波形特征，上采样过程也有四个阶段，其作用是将已提取的波形特征转换为P波、S波和噪声的三种概率分布；上、下采样阶段间均存在着跳跃连接。

3.根据权利要求1所述的基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，所述步骤二中专家知识方法由STA\LTA方法和MER方法组成，其中STA\LTA方法为：设置一短一长共两个滑动时间窗口，得出短时间窗和长时间窗内的能量比值，由于地震能量变化起伏大，当比值最大时标注为P波到时；

其中，X(i)表示短时间窗内地震信号振幅数据，i＝1，2…，N，Y(j)表示长时间窗内地震信号振幅数据，j＝1，2…，M，M和N分别表示长、短时间窗内的样本数；

MER方法，既修正能量比法，在能量比方法上进一步改进，使得波形变化更为明显，如下式：mer(i)值最大时间点，即为P波到时；

3

mer(i)＝er(i) *abs(grm(i))

其中，abs(grm(i))是grm(i)的绝对值，er(i)是下一个窗口内能量除以前一个窗口内能量的比值；

P波的标波伪结果与STA\LTA方法和Mer方法的两个标波结果分别进行比较，若标波伪结果与二者结果都不同时，取其差的绝对值的和，如下式：error＝abs(R‑Output)+abs(mer‑Output)

其中，Output代表深度学习模型分类器得出的标波结果；

若error大于阈值A，为了不一致最小化，改变该波形的标波结果为STA\LTA方法结果，即对数据进行反绎学习中的反绎标记；否则，该波形的标波伪结果不变。

4.根据权利要求3所述的基于反绎学习的矿井微震P波到时拾取模型构建方法，其特征在于，所述步骤五中输出结果和专家知识方法获得的结果进行比对，具体过程为：若其中一个数据标波点与STA\LTA方法和Mer方法各自标波点的差值绝对值之和大于阈值B，则将该数据剔除，若其中一个STA\LTA方法和Mer方法各自标波点的差值绝对值之和小于等于阈值B，则将该数据保留，从而完成比对过程。