1.一种基于麦克风阵列的雷声信号高效识别方法，其特征在于，包括：获取样本音频信号，所述音频信号包括多个子信号；

确定所述样本音频信号的标签类型，所述标签类型包括雷声信号和非雷声信号；所述确定所述样本音频信号的标签类型的步骤包括：获取所述子信号的短时帧平均能量标准差；所述获取所述子信号的短时帧平均能量标准差的步骤包括：对所述子信号进行加窗采样，获取第一加窗信号；

对所述第一加窗信号进行帧采样，获取多个第一帧数据；

获取多个所述第一帧数据的短时能量平均值，所述短时能量平均值的表征公式包括：其中，Eframe为所述短时能量平均值；N为所述第一帧数据的长度，用于表征所述第一帧数据中包含的加窗采样的采样点数；x[n]为所述子信号在第n个采样点的幅度值，n为采样点索引；w[n]为施加于第n个采样点的窗函数值；

对所述短时能量平均值进行归一化处理，并在多个所述第一帧数据中，基于归一化后的短时能量平均值，获取所述短时帧平均能量标准差，所述短时帧平均能量标准差的表征公式包括：其中，STE_SD为所述短时帧平均能量标准差；M为所述第一帧数据的数量；Ei为第i个所述第一帧数据归一化后的短时能量平均值；μ为多个归一化后的短时能量平均值的均值；

确定短时帧平均能量标准差的阈值；

在多个所述子信号中，响应于所述短时帧平均能量标准差的最大值大于或等于所述短时帧平均能量标准差的阈值，确定所述样本音频信号为有效音频信号；否则确定所述样本音频信号为无效音频信号；

对所述有效音频信号进行雷声信号检验，确定通过检验的所述有效音频信号的标签类型为雷声信号，否则标签类型为非雷声信号；

基于对数滤波器组特征对所述样本音频信号进行数据预处理，获取特征矩阵；

基于深度卷积神经网络获取基础模型，并将所述特征矩阵作为所述基础模型的输入，所述特征矩阵对应的标签类型作为所述基础模型的输出，对所述基础模型进行模型训练，获取雷声信号识别模型；

获取待测音频信号，并输入所述雷声信号识别模型，获取所述待测音频信号的雷声信号识别结果。

2.根据权利要求1所述的基于麦克风阵列的雷声信号高效识别方法，其特征在于，基于麦克风阵列获取所述音频信号；

所述麦克风阵列具有正交设置的第一轴线、第二轴线和第三轴线，所述第一轴线、所述第二轴线和所述第三轴线的交点为零点；

所述麦克风阵列包括：

沿所述第一轴线，关于所述零点对称设置的第一采样点和第三采样点；

沿所述第二轴线，关于所述零点对称设置的第二采样点和第四采样点；

沿所述第三轴线设置的第五采样点；

所述第一采样点、所述第二采样点、所述第三采样点、所述第四采样点和所述第五采样点到所述零点的距离相同；

所述音频信号包括所述第一采样点、所述第二采样点、所述第三采样点、所述第四采样点和所述第五采样点获取的子信号。

3.根据权利要求1所述的基于麦克风阵列的雷声信号高效识别方法，其特征在于，在获取所述子信号的短时帧平均能量标准差之前，所述确定所述样本音频信号的标签类型的步骤还包括：基于短时傅里叶变换获取所述子信号的音频时频图；

基于所述音频时频图获取标准雷声模板计算的相关系数；

确定自适应阈值；

响应于所述相关系数大于所述自适应阈值，确定所述样本音频信号为有效音频信号；

否则确定所述样本音频信号为无效音频信号；

对所述有效音频信号进行雷声信号检验，确定通过检验的所述有效音频信号的标签类型为雷声信号，否则标签类型为非雷声信号。

4.根据权利要求1所述的基于麦克风阵列的雷声信号高效识别方法，其特征在于，所述音频信号包括多个子信号，所述基于对数滤波器组特征对所述样本音频信号进行数据预处理，获取特征矩阵的步骤包括：对所述子信号进行加窗采样，获取第二加窗信号；

对所述第二加窗信号进行帧采样，获取多个第二帧数据；

基于对数滤波器组特征对所述第二帧数据进行特征处理，获取所述子信号的特征矩阵；

基于所述子信号的特征矩阵获取所述子信号的全局平均能量和时间维度的能量方差；

其中，所述全局平均能量的表征公式包括：

(c)

其中，E 为第c个子信号的全局平均能量；T为所述第二帧数据的数量；N为所述第二帧数据中包含的采样点数； 为第c个子信号的第t个第二帧数据中第j个梅尔滤波器的对数滤波器特征，用于表征所述子信号的特征矩阵；

(c)

其中，V 为第c个子信号时间维度的能量方差； 为第c个子信号中第t个第二帧数据的平均能量； 为第c个子信号的平均能量值；

基于所述子信号的全局平均能量和时间维度的能量方差获取所述子信号的加权系数，所述加权系数的表征公式包括：(c) (l) (l)

其中，α 为第c个子信号的加权系数；E 为第l个子信号的全局平均能量；V 为第l个子信号时间维度的能量方差；

基于所述子信号的加权系数将多个所述子信号的特征矩阵进行加权求和，获取融合特征矩阵，为样本音频信号的特征矩阵，所述融合特征矩阵的表征公式包括：(c)

其中，Xfused为所述融合特征矩阵；X 为第c个子信号的特征矩阵。

5.根据权利要求4所述的基于麦克风阵列的雷声信号高效识别方法，其特征在于，所述基于对数滤波器组特征对所述第二帧数据进行特征处理，获取所述子信号的特征矩阵的步骤包括：对所述第二帧数据进行快速傅里叶变换，获取所述第二帧数据的功率谱，所述功率谱的表征公式包括：Pt＝[Pt(1),Pt(2),...,Pt(k)]；

2

Pt(k)＝|FFT(frame[t])[k]| ,k＝1,2,…,K；

其中，Pt为第t个所述第二帧数据的功率谱；Pt(k)为第t个所述第二帧数据在第k个频率2

分量处的功率；FFT为所述快速傅里叶变换；|·|为复数模的平方；K为所述频率分量的总数；frame为所述第二帧数据；

基于梅尔滤波器组对所述功率谱进行加权滤波，获取梅尔滤波器组能量，所述梅尔滤波器组包括多个梅尔滤波器，所述梅尔滤波器组能量包括多个所述梅尔滤波器对所述功率谱的输出能量，所述输出能量的表征公式包括：其中，Et(j)为第j个梅尔滤波器对第t个第二帧数据的功率谱的输出能量；Hj(k)为第h个梅尔滤波器在频率分量k处的响应；J为所述梅尔滤波器的数量；

将所述梅尔滤波器对所述第二帧数据的输出能量进行取对数操作，获取所述第二帧数据的对数滤波器组特征，所述对数滤波器组特征的表征公式包括：xtj＝ln(Et(j)+∈)；

其中，xtj为第t个所述第二帧数据中第j个梅尔滤波器的对数滤波器特征；∈为避免对数函数中出现零值的平滑常数；

基于所述子信号中的多个第二帧数据的对数滤波器组特征获取所述子信号的特征矩阵，所述子信号的特征矩阵的表征公式包括：(c) T×N

其中，X 为第c个子信号的特征矩阵；R 为T行N列的矩阵。

6.根据权利要求1所述的基于麦克风阵列的雷声信号高效识别方法，其特征在于，所述雷声信号识别模型包括：顺序连接的多个卷积块，所述卷积块包括顺序连接的卷积层、归一化层、激活层和平均池化层；

分类模块，所述分类模块包括顺序连接的全连接层和激活层。

7.根据权利要求1或4所述的基于麦克风阵列的雷声信号高效识别方法，其特征在于，基于汉明窗进行加窗采样。

8.一种基于麦克风阵列的雷声信号高效识别系统，其特征在于，包括：数据获取模块(10)，所述数据获取模块(10)用于获取样本音频信号，所述音频信号包括多个子信号；

标签分类模块(20)，所述标签分类模块(20)用于确定所述样本音频信号的标签类型，所述标签类型包括雷声信号和非雷声信号；所述确定所述样本音频信号的标签类型的步骤包括：获取所述子信号的短时帧平均能量标准差；所述获取所述子信号的短时帧平均能量标准差的步骤包括：对所述子信号进行加窗采样，获取第一加窗信号；

对所述第一加窗信号进行帧采样，获取多个第一帧数据；

获取多个所述第一帧数据的短时能量平均值，所述短时能量平均值的表征公式包括：其中，Eframe为所述短时能量平均值；N为所述第一帧数据的长度，用于表征所述第一帧数据中包含的加窗采样的采样点数；x[n]为所述子信号在第n个采样点的幅度值，n为采样点索引；w[n]为施加于第n个采样点的窗函数值；

对所述短时能量平均值进行归一化处理，并在多个所述第一帧数据中，基于归一化后的短时能量平均值，获取所述短时帧平均能量标准差，所述短时帧平均能量标准差的表征公式包括：其中，STE_SD为所述短时帧平均能量标准差；M为所述第一帧数据的数量；Ei为第i个所述第一帧数据归一化后的短时能量平均值；μ为多个归一化后的短时能量平均值的均值；

确定短时帧平均能量标准差的阈值；

在多个所述子信号中，响应于所述短时帧平均能量标准差的最大值大于或等于所述短时帧平均能量标准差的阈值，确定所述样本音频信号为有效音频信号；否则确定所述样本音频信号为无效音频信号；

对所述有效音频信号进行雷声信号检验，确定通过检验的所述有效音频信号的标签类型为雷声信号，否则标签类型为非雷声信号；

特征矩阵模块(30)，所述特征矩阵模块(30)用于基于对数滤波器组特征对所述样本音频信号进行数据预处理，获取特征矩阵；

模型训练模块(40)，所述模型训练模块(40)用于基于深度卷积神经网络获取基础模型，并将所述特征矩阵作为所述基础模型的输入，所述特征矩阵对应的标签类型作为所述基础模型的输出，对所述基础模型进行模型训练，获取雷声信号识别模型；

结果预测模块(50)，所述结果预测模块(50)用于获取待测音频信号，并输入所述雷声信号识别模型，获取所述待测音频信号的雷声信号识别结果。