1.一种基于特征收缩和扩张的大地电磁信号噪声压制方法，其特征在于：构建基于CLR‑MLP AE神经网络的信噪映射模型，用以对大地电磁信号进行噪声压制，所述方法包括如下步骤：数据集构建，构建大地电磁信号的含噪样本以及训练标签，所述训练标签定义为噪声轮廓或降噪的大地电磁信号；

模型训练，利用构建的数据集，将含噪样本输入CLR‑MLP AE神经网络进行训练得到信噪映射模型；

实测信号降噪，将待降噪的大地电磁实测信号输入所述信噪映射模型得到噪声轮廓或降噪的大地电磁信号，所述实测信号减去噪声轮廓为降噪的大地电磁信号；

其中，所述CLR‑MLP AE神经网络是设有基于低秩转换的CLR‑MLP‑Mixer编码器和解码器以实现特征收缩与扩张的网络，所述CLR‑MLP‑Mixer编码器在并行的空间混合编码器和时间混合编码器中均引入实现低秩转换的SVD矩阵‑全连接层，用以替代原MLP‑Mixer编码器中的全连接层且增设卷积层，所述SVD矩阵‑全连接层是将全连接层嵌入SVD矩阵分解算法的序列降维和序列升维操作之间；

所述解码器为基于自适应的转置卷积的解码器，由自适应的转置卷积层、批归一化层、激活函数构成，数学模型表示为：式中， 代表的是经过转置卷积运算之后的结果； 代表进行转置卷积操作；

stride代表步幅大小， 代表CLR‑MLP‑Mixer编码器的concat层的输出；

其中，按照如下规则自适应调整转置卷积核的大小：

若 ， ；否则，按照下述公式调整转置卷积核的大小：

式中， 是第 轮训练之后卷积核的大小， 代表第 轮训练之后输出与真实值之间的均方误差， 是卷积核大小的调整步长，是损失变化的阈值，用于判断是否继续调整。

2.根据权利要求1所述的方法，其特征在于：构建大地电磁信号的含噪样本时，引入Nonlinear SMOTE算法以及非线性插值扩充含噪样本；

其中，提取噪声轮廓中幅值不为0的噪声部分，再引入Nonlinear SMOTE在特征空间中找到它的K个近邻样本；

然后，根据所述K个近邻样本通过非线性插值生成新的含噪样本，非线性插值的公式：式中， 是噪声轮廓中幅值不为0的噪声部分构成的向量， 是 的K‑近邻样本， 是一个随机数，取值在[0,1]，是控制非线性程度参数。

3.根据权利要求1所述的方法，其特征在于：将输入CLR‑MLP‑Mixer编码器的含噪信号按照patch长度k分割为若干个patch序列，构建出含噪信号矩阵X，进而将含噪信号矩阵X中patch序列作为子序列输入所述CLR‑MLP‑Mixer编码器中的空间混合编码器，以及将含噪信号矩阵X中每个patch序列中同一位置的元素组成的时间维度向量作为子序列，并输入所述CLR‑MLP‑Mixer编码器中的时间混合编码器；

所述SVD矩阵‑全连接层对每个子序列 均进行如下处理：

首先，对每个子序列 进行SVD矩阵分解得到左奇异矩阵，对角矩阵，右奇异矩阵；

式中， 分别表示左奇异矩阵，对角矩阵，右奇异矩阵， 为矩阵转置符号；

利用全连接层分别对左奇异矩阵和对角矩阵进行非线性变换，具体为：式中， 为通过全连接层得到的左奇异矩阵， 是通过全连接层得到的对角矩阵，分别为可学习的权重矩阵， 是偏置项，sigmoid为全连接层对应的非线性变换函数；

最后，将经全连接层得到的左奇异矩阵 和对角矩阵 与右奇异矩阵 进行结合得到子序列对应的特征图 ，再按序拼接得到在SVD矩阵‑全连接层的输出特征图，具体为：。

4.根据权利要求2所述的方法，其特征在于：所述方法还包括：输入CLR‑MLP‑Mixer编码器之前，引入延迟嵌入思想进而对含噪信号进行时序特征增强，具体如下：首先，按照patch长度k分割原含噪信号得到初始的含噪信号矩阵，含噪信号矩阵由分割的patch序列构成，含噪信号矩阵表示为： ，每一行对应一个patch序列， 为含噪信号中第k个采样点信号，T为含噪信号长度；

其次，定义延迟序列长度 及 的取值范围 ，在取值范围内对 遍历取值，并计算每个延迟序列长度 下的自相关函数 ；

式中，表示矩阵X中的行数标记， 代表矩阵X中第 行第 列的元素， 为第 行的平均值；

然后，所有结果进行归一化，并基于归一化结果寻找延迟序列长度 的最小值，视为最优值 ：，

式中， 为延迟序列长度 为0时的自相关函数， 为归一化结果；

最后，基于最优值 对原含噪信号矩阵中patch序列进行延迟嵌入得到新patch序列，重构含噪信号矩阵X为： 。

5.根据权利要求4所述的方法，其特征在于：所述方法还包括：输入CLR‑MLP‑Mixer编码器之前，对含噪信号的patch序列进行异常检测与标记，即标记异常的patch序列，未被标记的patch序列不作为子序列输入空间混合编码；

其中，异常检测过程如下：

首先，计算每一个patch序列与其他patch序列的距离；再基于距离提取每个patch序列对应的最近 个邻居距离，再计算所述 个邻居距离的距离平均值；

式中， 为两个patch序列 的邻居距离， 为patch序列 与其最近的 个邻居的距离平均值， 为patch序列的长度， 为patch序列 中第l个序列值， 为patch序列 的最近的 个邻居组成的邻居集；

然后，确定异常点判断阈值 ，如下：

式中， 为预设系数，定义变量 ， 存在： ， ；

最后，若距离平均值 ，视第 个窗口异常，即标注patch序列 。

6.根据权利要求3所述的方法，其特征在于：在空间编码器和时间编码器各自通道输出的特征进行整合之后，引入一个可学习的权重系数 对整合之后的特征 进行聚焦，表示为：式中， 为经权重系数 调节后的输出结果，权重系数 在网络训练中自适应调节。

7.一种基于权利要求1‑6任一项所述基于特征收缩和扩张的大地电磁信号噪声压制方法的系统，其特征在于：包括如下：样本库构建模块：用于构建大地电磁信号的含噪样本以及训练标签，所述训练标签定义为噪声轮廓或降噪的大地电磁信号；

CLR‑MLP AE去噪模型构建模块：利用构建的数据集，将含噪样本输入CLR‑MLP AE神经网络进行训练得到信噪映射模型；

其中，所述CLR‑MLP AE神经网络是设有基于低秩转换的CLR‑MLP‑Mixer编码器和解码器以实现特征收缩与扩张的网络，所述CLR‑MLP‑Mixer编码器在并行的空间混合编码器和时间混合编码器中均引入实现低秩转换的SVD矩阵‑全连接层，用以替代原MLP‑Mixer编码器中对应第一个全连接层，所述SVD矩阵‑全连接层是将全连接层嵌入SVD矩阵分解算法的序列降维和序列升维操作之间；

去噪模块：将待降噪的大地电磁实测信号输入所述信噪映射模型得到噪声轮廓或降噪的大地电磁信号，所述实测信号减去噪声轮廓为降噪的大地电磁信号。

8.一种计算机可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：权利要求1‑6任一项所述基于特征收缩和扩张的大地电磁信号噪声压制方法的步骤。