1.一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统，其特征在于，包括如下步骤：步骤1：从大量观测数据中挑选出区分度高、含有典型噪声的数据，用于制作分类样本库；

步骤2：构建IncepTCN分类网络，并将地磁数据及类别标签输入至所述IncepTCN分类网络进行训练得到地磁数据分类模型；

步骤3：针对待去噪的地磁数据，先进行分段，再将其输入至地磁数据分类模型进行信噪识别，将其分成高质量数据段和含噪数据段两类；

步骤4：从大量观测数据中挑选出区分度高、含有典型噪声的数据，使用多元变分模态分解算法联合邻近的地磁参考站同步观测的数据进行多通道数据去噪，利用邻近台站数据的相似性特征相互约束得到可靠的去噪效果，获得含噪数据段可靠的不含噪状态，用来制作去噪模型的样本库；

步骤5：构建CS‑GRUTCN去噪网络，并将基于参考道约束的MVMD去噪方法所分离出的噪声添加到高质量的地磁数据中，制成部分含噪数据样本；另外部分的噪声样本是向高质量数据中添加人工合成的模拟噪声制成；将含噪声的地磁数据样本及所对应的高质量地磁数据样本形成样本对，对输入至所述CS‑GRUTCN去噪网络进行训练得到地磁数据去噪模型；

步骤6：将所述步骤3中辨识为含噪声的地磁数据片段输入至所述步骤5中得到的所述地磁数据去噪模型进行去噪，输出得到去噪后的数据段；

步骤7：依据原顺序拼接所述步骤3中保留的高质量的数据段和所述步骤6中去噪后的数据段，得到完整的去噪后的地磁时间序列。

2.根据权利要求1所述的基于参考道数据约束与深度学习的地磁数据去噪方法及系统，其特征在于，所述分类样本库的制作方法为：使用等长分段的方法对挑选出的数据进行分段，将每一个数据段作为一个样本并标记样本的类别；所述类别标签表示样本分为含噪声数据段或高质量数据段；所述含噪数据段与高质量数据段的数量之比例接近1:1，并包含各种类型的数据。

3.根据权利要求1所述的基于参考道数据约束与深度学习的地磁数据去噪方法及系统，其特征在于，所述多元变分模态分解是一种多通道数据分解的变分方法，多元变分模态分解是从包含C个数据通道的输入数据x(t)中提取预定义的K个多元调制振荡函数uk(t)，即：其中uk(t)＝[u1(t),u2(t),…,uC(t)]；

多元变分问题，关键在于找出K个模态函数，使得在各个模态都是一个中心频率的有限带宽的前提下，且在所有模态的和与原始输入信号一致的约束条件下，需要最小化这K个模态的估计带宽的和；

多元变分模态分解的约束优化问题如下：

其中 表示对应uk(t)的解析信号，符号 表示对时间的偏导数运算；{uk,c}和{ωk}分别代表了所有K个模态分量和对应的中心频率的集合；

求解变分问题需要引入二次惩罚因子α和拉格朗日乘法算子λ，将约束变分问题转换成一个无约束的变分问题，其中α的作用就是保证在有高斯噪声的情况下进行信号重构的精度，λ能够确保严格满足约束，得到的增广拉格朗日函数为：然后，采用交替方向乘子法来求解以上变分问题，将完全优化问题划分为一系列迭代子优化问题，在更新模式uk(t)过程中，在第n次迭代时考虑以下次优化问题：以上的最小化问题可以在频谱域内得到解决，在频域内的更新表示为：

为了更新中心频率ωk，需要迭代求解以下次优化问题：

中心频率 在双频域进行更新，估计新频率为相关模式功率谱的重心:

通过上述优化公式不断更新u，ω和λ，直到满足收敛条件，最后输出分解的结果。

4.根据权利要求1所述的基于参考道数据约束与深度学习的地磁数据去噪方法及系统，其特征在于，所述IncepTCN分类网络包括输入层、隐藏层以及输出层，其中，所述隐藏层由卷积层、Inception模块、残差模块、最大池化层构成，而Inception模块一般包含3个一维卷积和1个池化层，残差模块包含两个残差操作，而残差操作一般包含两个一维扩张因果卷积和一个一维卷积，两个残差操作卷积核数目及尺寸相同，扩张因果卷积的扩张因子依次增加。

5.根据权利要求4所述的基于参考道数据约束与深度学习的地磁数据去噪方法及系统，其特征在于，所述残差模块中卷积核的尺寸依次降低，卷积核的数目及扩张因子依次增加。

6.根据权利要求4所述的基于参考道数据约束与深度学习的地磁数据去噪方法及系统，其特征在于，所述Inception结构包含四条路径，1×3卷积路径：使用1×3卷积提取局部时空特征；

1×5卷积路径：使用1×5卷积提取中等范围的时空特征；

1×7卷积路径：使用1×7卷积提取更宽范围的时空特征；

1×3最大值池化路径：使用1×3最大值池化融合局部范围的特征。

7.根据权利要求1所述的基于参考道数据约束与深度学习的地磁数据去噪方法及系统，其特征在于，所述CS‑GRUTCN去噪网络包括输入层、隐藏层以及输出层，其中，所述隐藏层由通道注意力模块、空间注意力模块、时域卷积模块、门控循环单元、全局平均池化层构成；

所述通道注意力模块包含1个一维自适应平均池化层、1个一维自适应最大池化层、1个“Sigmoid”激活函数、1个共享多层感知机模块，其中，共享多层感知机模块包含2个一维卷积、1个“Relu”激活函数；

所述空间注意力模块包含1个一维自适应平均池化层、1个一维自适应最大池化层、一个一维卷积、一个“Sigmoid”激活函数；

所述时域卷积模块包含2个一维因果扩张卷积、1个一维卷积、2个“Relu”激活函数层、2个dropout层和2个权重规范层；

所述门控循环神经模块包括两个门控循环单元，时域卷积模块通过卷积核尺寸为1的卷积改变通道数，使输入和输出具备相同的通道数；所述时域卷积模块中卷积核的数目依次递增。