1.一种结合U-net网络和DenseNet网络的微地震有效信号检测方法，其特征在于，包括：步骤1，利用有限差分正演生成不同地层模型下的模拟信号，与利用检波器实际采集到的实际地层资料共同构成原始数据集；

步骤2，用算法对所述原始数据集进行初至拾取，选区初至和非初至处的信号波形并分别进行标定；

步骤3，在原有的U-net网络中添加两个Denseblock；

步骤4，将标定后的信号数据集输入MSNet网络中进行学习，对学习后输出的信号作Softmax函数计算，将计算结果与标定后的数据集作交叉熵计算损失函数，最小化损失函数以调整网络参数；

步骤5，Softmax计算后的输出信号通过网络参数调整，所得概率峰值点所在的位置，即为输入信号通过MSNet学习后标定的初至点。

2.根据权利要求1所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，其特征在于，所述步骤2具体过程为：利用STA算法对信号进行初至拾取，选取拾取曲线峰值处对应的点作为初至点，制作one-hot标签，将初至位点置标为1。

3.根据权利要求1所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4具体过程如下：步骤4.1：将信号数据集输入MSNet网络中进行学习，所述学习步骤具体为：

1)通过U-net收缩路径：输入信号，信号数据集通过U-net网络的收缩路径，用于获取信号的上下文信息；

2)通过Denseblock1：信号数据集通过U-net网络里添加的第一个Dense block模块，再通过U-net网络本来所具备的上采样结构，实现原信号特征向量的恢复，最终输出与输入信号向量一模一样的向量，实现端对端识别；

3)通过卷积：信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；

4)通过池化：信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；

5)通过Denseblock2：信号数据集通过U-net网络里添加的第二个Dense block模块，与所述通过Denseblock1方法相同；

6)通过卷积：信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；

7)通过池化：信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；

8)通过U-net扩张路径的顺序进行：信号数据集通过U-net网络的扩张路径，对数据集中所需要分割出来的部分进行精准定位，输出信号；

步骤4.2：对学习后输出的信号作Softmax函数计算，用Softmax函数计算输出概率，得到每一个点的二分类概率，0分类为非初至，1分类为初至，选取初至类别的概率峰值为初至点；

步骤4.3：将Softmax计算后的输出信号作为函数的预测标签，将初至拾取制作的one-hot标签作为真实标签，预测标签和真实标签作交叉熵计算得到损失函数；

步骤4.4：用Adam算法最小化损失函数以调整网络参数。

4.根据权利要求3所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4.2和步骤4.3中，计算概率分布的Softmax函数公式表示为：其中，k＝1～6001表示采样点个数，qk(x)表示每个点为初至的概率。

5.根据权利要求3所述的结合U-net网络和DenseNet网络的微地震有效信号检测方法，所述步骤4.3和步骤4.4中，调整网络参数损失函数的公式表示为：其中，H(p,q)表示损失函数，pi(x)表示真实标签，qi(x)表示预测标签，通过最小化损失函数取得最优网络参数，所述真实标签为步骤2初至拾取所制作的one-hot标签，所述预测标签为步骤4通过网络学习识别出来的初至位置。

6.一种结合U-net网络和DenseNet网络的微地震有效信号检测系统，其特征在于，包括：原始数据集生成模块：用于结合有限差分正演生成的不同地层模型下的模拟信号与实际采集到的实际资料，共同构成原始数据集；

数据集标定模块：用于对所述原始数据集进行初至拾取，选区初至和非初至处的信号波形并分别进行标定；

MSNet网络构建模块：用于在原有的U-net网络中添加两个Denseblock；

网络参数调整模块：用于将标定后的信号数据集输入MSNet网络中进行学习，对学习后输出的信号作Softmax函数计算，将计算结果与标定后的数据集作交叉熵计算损失函数，最小化损失函数以调整网络参数；

学习后初至点标定模块：Softmax计算后的输出信号通过网络参数调整，所得概率峰值点所在的位置，即为输入信号通过MSNet学习后标定的初至点。

7.如权利要求6所述的结合U-net网络和DenseNet网络的微地震有效信号检测系统，其特征在于，所述数据集标定模块具体包括：利用STA算法对信号进行初至拾取，选取拾取曲线峰值处对应的点作为初至点，制作one-hot标签，将初至位点置标为1。

8.如权利要求6所述的一种结合U-net网络和DenseNet网络的微地震有效信号检测系统，其特征在于，所述MSNet网络构建模块具体包括：U-net收缩路径单元：用于输入信号，信号数据集通过U-net网络的收缩路径，以获取信号的上下文信息；

Denseblock1单元：信号数据集通过U-net网络里添加的第一个Dense block模块，再通过U-net网络本来所具备的上采样结构，实现原信号特征向量的恢复，最终输出与输入信号向量一模一样的向量，实现端对端识别；

卷积单元：用于信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；

池化单元：用于信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；

Denseblock2单元：用于信号数据集通过U-net网络里添加的第二个Dense block模块，与所述通过Denseblock1方法相同；

卷积单元：用于信号数据集通过卷积层，卷积核在信号上滑过，得到各个通道的特征图，即学习信号的特征；

池化单元：用于信号数据集通过池化层，对信号进行下采样，减少特征的维度，以减少网络参数；

U-net扩张路径单元：用于信号数据集通过U-net网络的扩张路径，对数据集中所需要分割出来的部分进行精准定位，输出信号。

9.如权利要求6所述的结合U-net网络和DenseNet网络的微地震有效信号检测系统，其特征在于，所述网络参数调整模块具体包括：学习单元：将信号数据集输入MSNet网络中进行学习；

概率分布计算单元：根据公式 对学习后输出的信号作Softmax函数计算，其中，k＝1～6001表示采样点个数，qk(x)表示每个点为初至的概率，用Softmax函数计算输出概率，得到每一个点的二分类概率，0分类为非初至，1分类为初至，选取初至类别的概率峰值为初至点；

交叉熵计算单元：将Softmax计算后的输出信号作为函数的预测标签，将初至拾取制作的one-hot标签作为真实标签，根据公式 将预测标签和真实标签作交叉熵计算得到损失函数其中，H(p,q)表示损失函数，pi(x)表示真实标签(初至拾取所制作的one-hot标签)，qi(x)表示预测标签；

损失函数计算单元：用Adam算法最小化损失函数以调整网络参数。