1.一种微震时序波形降噪方法，其特征在于，包括：S1.利用加速度型微震传感器采集带有噪音的微震时序波形；

S2.基于所述带有噪音的微震时序波形，构建图结构并设计降噪目标函数；

S3.将所述降噪目标函数的非线性约束条件利用深度算法展开参数化；

S4.对所述降噪目标函数进行交替迭代更新，直至降噪目标函数的函数值收敛，最终得到降噪后的微震时序波形；

步骤S2中基于所述带有噪音的微震时序波形，构建图结构并设计降噪目标函数的方法为：S21.基于所述带有噪音的微震时序波形的信号幅值构建邻接矩阵；

S22.基于所述邻接矩阵构建正则化图拉普拉斯矩阵以及图双边滤波算子；

S23.基于所述邻接矩阵、正则化图拉普拉斯矩阵、图双边滤波算子，对带有噪音的微震时序波形降噪构建降噪目标函数。

2.根据权利要求1所述的一种微震时序波形降噪方法，其特征在于：所述邻接矩阵记为A，A中元素的表达式为：其中ti表示在i时刻微震传感器记录的微震时序波形的信号幅值，其中tj表示在j时刻微震传感器记录的微震时序波形的信号幅值，M为带有噪音的微震时序波形的信号幅值不同时刻之间的度量矩阵。

3.根据权利要求2所述的一种微震时序波形降噪方法，其特征在于：所述正则化图拉普‑1/2 ‑1/2拉斯矩阵记为L，其表达式为：L＝D (D‑A)D ，其中D为度数矩阵，D中元素的表达式为Dij＝∑iAij；

‑1

所述图双边滤波算子记为Β，Β的表达式为：Β＝D A。

4.根据权利要求3所述的一种微震时序波形降噪方法，其特征在于：所述降噪目标函数的表达式为：正则化图拉普拉斯矩阵的二次型惩罚项 并加入正定约束

5.根据权利要求1所述的一种微震时序波形降噪方法，其特征在于：在微震事件多发的边坡或者地质活动多发区域设置加速度型微震传感器，所述带有噪音的微震时序波形为微震传感器记录的背景噪音以及原始微震信号。

6.根据权利要求4所述的一种微震时序波形降噪方法，其特征在于：算法1，将基于图结构的所述降噪目标函数中的正定约束条件通过神经网络参数化学习，通过神经网络N，接受输入参数z，并输出一个度量矩阵M的近似值，M＝N(z)，神经网络N的表达式为：N(z)＝f(Wl·f(Wl‑1·(f(…f(W1·z+b1)…)+bl‑1)+bl)，(i) (i)

对于第i层，全连接层的计算可以表示为：a ＝Wi·z+bi，z＝f(a )；

其中，l是神经网络的层数；Wi和bi是第i层的权重和偏置；f是激活函数；

设计神经网络损失函数为 s为通过k轮迭代更新

后得到的度量矩阵M计算的降噪后的微震时序波形，x是微震传感器记录的带有噪音的微震时序波形。

7.根据权利要求6所述的一种微震时序波形降噪方法，其特征在于：算法2，利用深度算法展开求解的度量矩阵M，更新降噪后的微震时序波形s，基于目标函数的闭式解：其中I是单位矩阵；α、β为降噪目标函

数的超参数。

8.根据权利要7所述的一种微震时序波形降噪方法，其特征在于：对所述降噪目标函数引入神经网络参数化求解度量矩阵M，并通过凸优化理论得到的降噪目标函数闭式解求得降噪后的微震时序波形s，交替迭代算法1和算法2，求解得到降噪后的微震时序波形