1.一种基于字典学习的自适应微震数据压缩感知方法，其特征在于：包括以下步骤：步骤1：读取微震信号的监测数据时序序列X(t)，其中t＝1,2,...,N；

步骤2：根据微震信号的特征构造自适应冗余字典D；

步骤3：根据微震信号的能量和稀疏度确定采样数目M；

具体包括如下步骤：

步骤3.1：根据步骤2得到训练后的字典D，对信号在字典D上的投影系数进行分析，确定信号的稀疏度K，具体包括如下步骤：步骤3.1.1：根据公式(5)计算目标信号X在稀疏基上的投影系数：其中，bj为投影系数；dj(j＝1,2,...,N)为字典D的第j列，为训练字典；

步骤3.1.2：根据公式(6)计算稀疏系数的均值：其中，N为信号长度；

步骤3.1.3：通过循环确定微震信号的稀疏度，若 则令K＝K+1，其中c为设定的参数，通过调节参数c可以调整稀疏度的大小；

步骤3.2：根据公式(7)计算目标信号X的能量E：其中，L为信号长度，xi为采样点；

步骤3.3：根据历史微震信号设定能量阈值E0、E1，且E0

若：判断结果为E

或判断结果为E0

或判断结果为E>E1,根据步骤3.1求得稀疏度K，采样数M为：M＝[C3K*log(N/K)]                (10)；

其中，C1,C2,C3为调节参数，可以控制采样数的大小，K为信号稀疏度，N为信号长度；

步骤4：通过压缩感知方法进行采样，得到样本Y(t)，其中t＝1,2,...,M；

步骤5：存储、传输采样得到的Y(t)并在终端重构微震信号的检测数据时序序列X(t)。

2.根据权利要求书1所述的基于字典学习的自适应微震数据压缩感知方法，其特征在于：在步骤2中，根据K-SVD方法构造自使用冗余字典D，K-SVD训练字典的过程如公式(1)所示：其中，S为训练样本矩阵，训练样本由原始信号构成，dj(j＝1,2,...,N)为字典D的第j列，A为稀疏向量构成的矩阵，aj(j＝1,2,...,N)表示A的第j行，反映了训练字典dj分量在各个训练样本稀疏分解过程中稀疏系数的大小，ai表示A的第i行，di为待训练字典原子，Ei表示去掉原子的di成分在所有N个样本中造成的误差，在K-SVD训练过程中，字典原子的训练逐个进行，对ai进行去零收缩，定义ωi如公式(2)所示：ωi＝{k|1≤k≤N,ai(k)≠0}            (2)；

定义Ωi为一个N×|ωi|的矩阵，在(ωi(j),j)处为1，其他位置为0；

则去零收缩如公式(3)所示：

其中， 为去零收缩后的矩阵，训练字典原子的训练更新结果通过奇异值分解赋值，对进行奇异值分解：其中U为N×N正交矩阵，∑为N×|ωi|的矩阵，V为|ωi|×|ωi|的正交矩阵，利用U的第一列元素对训练字典原子进行赋值，即完成了一个原子的训练过程，在K-SVD训练过程中，字典原子的训练逐个进行，每个字典原子的训练重复上述过程，直至整个字典训练完毕。

3.根据权利要求书1所述的基于字典学习的自适应微震数据压缩感知方法，其特征在于：在步骤4中，压缩感知模型为：Y＝ΦX＝ΦΨθ＝Θθ   (11)；

其中，X为目标信号，Φ为观测矩阵，Ψ为稀疏基，θ为稀疏基变换后的稀疏系数，Θ＝ΦΨ为感知矩阵；

所述的压缩感知方法，具体包括如下步骤：

步骤4.1：根据自适应冗余字典D，通过稀疏变换得到θ；

步骤4.2：根据采样数目M，构造M维的随机高斯观测矩阵Φ；

步骤4.3：根据Y(t)＝Φθ得到Y(t)。

4.根据权利要求书1所述的基于字典学习的自适应微震数据压缩感知方法，其特征在于：在步骤5中，重构模型为：其中，l0为l0-范数；

根据公式(13)完成重构；

当Θ满足约束等距(RIP)性质时，可以通过最小l0范数实现θ的精确重构，进而再由θ实现X的精确重构。