1.一种基于UNet++的微地震有效信号识别方法，其特征在于，所述方法包括：S1、获取微地震原始信号集，提取出原始信号中的有效信号道，并实现信号和噪音分离；

S2、确定所述有效信号道中有效信号的初至位置，做成标签，并制作训练数据集；

S3、构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入数据集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充；

S4、将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练，得到训练好的UNet++网络模型；

S5、通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有效信号初至点。

2.根据权利要求1所述基于UNet++的微地震有效信号识别方法，其特征在于，所述步骤S1具体包括：S11、运用matlab读取并绘出原始信号的剖面图，从中观察信号的采样点，从中提取出有效信号道、剔除无效道；

S21、采用S变换对所述有效信号进行时频分析，通过低通或高通滤波实现信号和噪音的分离；所述时频分析的公式为：其中， 为高斯窗函数，t代表时间，f代表频率，j为虚数

单位，τ为高斯窗函数在时间轴上的位置。

3.根据权利要求1所述基于UNet++的微地震有效信号识别方法，其特征在于，所述步骤S4中，所述UNet++网络模型包括上采样层、下采样层、跳层结构以及层与层之间的特征融合并且加入剪枝操作，利用UNet++网络端对端的特点对信号不同层次的特征进行像素级的提取。

4.根据权利要求1所述基于UNet++的微地震有效信号识别方法，其特征在于，所述步骤S5中，通过UNet++网络模型中的softmax层对待检测信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非初至位置，1表示初至位置，获取有效信号的初至点；softmax计算概率的公式为：其中i＝0,1分别代表初至点和非初至点。

5.一种基于UNet++的微地震有效信号识别装置，其特征在于，所述装置包括：数据集制作模块：获取微地震原始信号集，提取出原始信号中的有效信号道，并实现信号和噪音分离；确定所述有效信号道中有效信号的初至位置，做成标签，并制作训练数据集；

数据集扩充模块：构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入的训练数据集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充；

模型训练模块：将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练，得到训练好的UNet++网络模型；

信号识别模块：通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有效信号初至点。

6.根据权利要求5所述基于UNet++的微地震有效信号识别装置，其特征在于，所述数据集制作模块具体包括：预处理单元：运用matlab读取并绘出所述原始信号的剖面图，从中观察信号的采样点，从中提取出有效信号道、剔除无效道；

信噪分离单元：采用S变换对所述有效信号进行时频分析，通过低通或高通滤波实现信号和噪音的分离；所述时频分析的公式为：其中， 为高斯窗函数，t代表时间，f代表频率，j为虚数

单位，τ为高斯窗函数在时间轴上的位置；

标签制作单元：确定所述有效信号道中有效信号的初至位置，做成标签，根据所述有效信号道及对应的标签制作训练数据集。

7.根据权利要求5所述基于UNet++的微地震有效信号识别装置，其特征在于，所述信号识别模块中，通过UNet++网络模型中的softmax层对待检测信号进行二分类，预测有效信号初至点的所在位置x的概率，0表示非初至位置，1表示初至位置，获取有效信号的初至点；

softmax计算概率的公式为：

其中i＝0,1分别代表初至点和非初至点。