1.基于CA‑ResNet的矿区沉陷相位滤波方法，其特征在于，所述方法包括：获取矿区沉陷干涉相位模拟数据集；

构建结合通道注意力机制残差神经网络模型；

根据所述模拟数据集训练所述结合通道注意力机制残差神经网络模型；

使用训练好的结合通道注意力机制残差神经网络模型对真实的矿区沉陷干涉相位进行相位滤波。

2.根据权利要求1所述的基于CA‑ResNet的矿区沉陷相位滤波方法，其特征在于，所述获取矿区沉陷干涉相位模拟数据集的具体过程包括：运用二维高斯曲面模拟矿区沉陷形变干涉相位；

对模拟得到的矿区沉陷形变干涉相位进行降噪处理；

对降噪后缠绕相位的实部与虚部作为矿区沉陷干涉相位模拟数据集。

3.根据权利要求2所述的基于CA‑ResNet的矿区沉陷相位滤波方法，其特征在于，运用二维高斯曲面模拟矿区沉陷形变干涉相位，模拟表达式为：其中，X＝(x,y)为模拟数据的二维网格，u＝(m,n)为沉陷中心位置，s为缩放因子，D为二维随机对角矩阵，V为另一个二维随机对角矩阵正交基。

4.根据权利要求2所述的基于CA‑ResNet的矿区沉陷相位滤波方法，其特征在于，对降噪后缠绕相位的实部与虚部作为矿区沉陷干涉相位模拟数据集，所述实部与虚部的计算方法为：其中，wrap(·)为缠绕算子，其作用为将绝对相位转换成缠绕相位，cos(ψ)为沉陷缠绕相位经过欧拉公式转换后获得的实部，sin(ψ)为虚部运用实部与虚部为网络模型的训练数据集。

5.根据权利要求1所述的基于CA‑ResNet的矿区沉陷相位滤波方法，其特征在于，构建结合通道注意力机制残差神经网络模型的过程具体包括：将通道注意力机制与残差网络相结合，得到所述结合通道注意力机制残差神经网络模型；

1

使用Adam作为网络优化器，L‑Loss作为损失函数对所述结合通道注意力机制残差神经网络模型进行优化。

1

6.根据权利要求5所述的基于CA‑ResNet的矿区沉陷相位滤波方法，其特征在于，L ‑Loss作为损失函数对所述结合通道注意力机制残差神经网络模型进行优化具体包括：其中，N为样本数量， 为第i个样本真实值， 为第i个样本预测值。

7.基于CA‑ResNet的矿区沉陷相位滤波系统，所述系统应用权利要求1‑6任一项所述的基于CA‑ResNet的矿区沉陷相位滤波方法，其特征在于，所述系统包括；矿区数据模拟模块、网络模型构建模块、模型训练模块和相位滤波模块；

所述矿区数据模拟模块用于获取矿区沉陷干涉相位模拟数据集；

所述网络模型构建模块用于构建结合通道注意力机制残差神经网络模型；

所述模型训练模块用于根据所述模拟数据集训练所述结合通道注意力机制残差神经网络模型；

所述相位滤波模块用于使用训练好的结合通道注意力机制残差神经网络模型对真实的矿区沉陷干涉相位进行相位滤波。

8.根据权利要求7所述的基于CA‑ResNet的矿区沉陷相位滤波系统，其特征在于，所述矿区数据模拟模块包括：高斯模拟子模块、模拟数据预处理子模块和矿区沉陷干涉相位模拟子模块；

所述高斯模拟子模块用于运用二维高斯曲面模拟矿区沉陷形变干涉相位；

所述模拟数据预处理子模块用于对模拟得到的矿区沉陷形变干涉相位进行降噪处理；

所述矿区沉陷干涉相位模拟子模块用于对降噪后缠绕相位的实部与虚部作为矿区沉陷干涉相位模拟数据集。