1.一种基于信噪分类的音频大地电磁信号去噪方法，其特征在于：包括如下步骤：步骤1：从采集的音频大地电磁信号中提取电磁信号样本；

其中，提取的所述音频大地电磁信号样本分为非强干扰的电磁信号和受强干扰的电磁信号；

步骤2：分别计算每个电磁信号样本的多重分形谱，并计算出各自多重分形谱的不均匀度和不规则度；

步骤3：利用每个电磁信号样本多重分形谱的不均匀度、不规则度以及每个电磁信号样本的类别值来训练预设分类模型得到信噪分类数学模型；

其中，每个电磁信号样本的类别值表示电磁信号是否受强干扰来编码，所述信噪分类数学模型的输入数据为电磁信号多重分形谱的不均匀度和不规则度，输出数据为对应电磁信号的类别值；

步骤4：依据步骤3中的信噪分类数学模型对待处理的实测音频大地电磁信号进行分类得到非强干扰的电磁信号段和受强干扰的电磁信号段；

其中，将实测的音频大地电磁信号划分为J段，并分别计算每段电磁信号多重分形谱的不均匀度和不规则度，再将每段电磁信号的不均匀度和不规则度输入信噪分类数学模型得到每段电磁信号的类别值，J为正整数；

步骤5：对步骤4中划分为受强干扰的音频大地电磁信号段进行匹配追踪去噪处理；

其中，利用sin/dct原子和sym/db小波原子构造匹配追踪算法中的冗余字典；

步骤6：将去噪处理后的音频大地电磁信号段与步骤4中划分为非强干扰的音频大地电磁信号段进行合并得到重构的音频大地电磁有用信号。

2.根据权利要求1所述的方法，其特征在于：多重分形谱为分形维数f(α)与标度指数α的关系函数，每个多重分形谱的不均匀度和不规则度的计算公式如下：Δα＝αmax-αmin

Δf(α)＝f(α)max-f(α)min

式中，Δα为多重分形谱的不均匀度，αmax、αmin分别为多重分形谱中标度指数α的最大值、最小值，Δf(α)为多重分形谱的不规则度，f(α)max、f(α)min分别为多重分形谱中分形维数f(α)的最大值、最小值。

3.根据权利要求2所述的方法，其特征在于：电磁信号的多重分形谱计算过程如下：首先，基于电磁信号的时间序列沿着时间轴划分N个尺度为r的盒子来覆盖电磁信号，并获取每个盒子的概率测度；

其次，基于每个盒子概率测度采用如下公式计算出配分函数；

式中，χq(r)为配分函数，Pi(r)为第i个盒子的概率测度，r为盒子的尺度，q为指数因子；

然后，基于配分函数按照如下公式计算质量指数；

式中，τ(q)为质量指数；

最后，根据勒让德变换依次计算出标度指数α和分形维数f(α)得到电磁信号的多重分形谱；

α＝dτ(q)/dq

f(α)＝qα-τ(q)。

4.根据权利要求1所述的方法，其特征在于：步骤5中采用匹配追踪算法对划分为强干扰的电磁信号段进行去噪处理，具体过程如下：步骤5.1：利用sin/dct原子和sym/db小波原子构造冗余字典；

D＝{g1,g2,...,gn1}

式中，D为冗余字典，g1、g2、gn1分别为冗余字典D中的原子，n1为冗余字典D中原子的数量；其中，冗余字典D中的原子类型包含了sin/dct原子和sym/db小波原子；

步骤5.2：从所述冗余字典中选取与受强干扰的电磁信号段最优匹配的原子；

其中，原子最优匹配规则如下：

式中，f为受强干扰的电磁信号段，gr为最优匹配的原子，gk为冗余字典中第k个原子，< >为内积函数，sup| |为上限值；

步骤5.3：基于最优匹配的原子对受强干扰的电磁信号段按照如下公式进行分解；

其中，电磁信号段分解公式如下：

f＝gr+R1f；

式中，gr为受强干扰的电磁信号段f在最优匹配原子gr上的分量，R1f为最优匹配原子gr对受强干扰的电磁信号段f进行匹配后的残差；

步骤5.4：基于最优匹配的原子对步骤5.3中得到的残差进行分解，并对分解后得到的残差重复迭代分解直至残差小于预设精度后得到去噪后的电磁信号段；

其中，去噪后的电磁信号段如下所示：

式中，Rkf表示得到的第k个残差，n2为得到残差的个数。

5.根据权利要求1所述的方法，其特征在于：步骤1中提取的音频大地电磁信号样本中受强干扰的音频大地电磁信号为含类三角波干扰和含类脉冲干扰的音频大地电磁信号。

6.根据权利要求1所述的方法，其特征在于：步骤3中所述预设分类模型为支持向量机或BP神经网络模型。