1.一种联合U‑Net和Temporal Ensembling的信号初至拾取方法，其特征在于，所述方法包括：S1、获取原始微地震信号数据并进行预处理，得到微地震信号数据集；

S2、根据微地震信号数据集的部分数据制作有标签数据集，其余为无标签数据集；

S3、对所述有标签数据集和无标签数据集进行数据扩增，将扩增后的有标签数据集和无标签数据集添加随机噪声并投入U‑Net网络进行训练；

S4、对U‑Net网络添加丢弃正则化防止训练过拟合，计算交叉熵损失和均方差损失的加权损失；

S5、根据所述加权损失结合Temporal Ensembling模型进行半监督训练，得到训练好的联合U‑Net和Temporal Ensembling的微地震有效信号检测模型；

S6、获取待测信号，根据所述联合U‑Net和Temporal Ensembling的微地震有效信号检测模型进行有效信号初至拾取；

所述步骤S4中，所述加权损失函数为：

其中，crossentropy(z,y)为交叉熵损失函数：

为均方差损失函数：

上述公式中，i为样本编号，zi为当前输出的预测值， 为目标值，yi为有标签样本的真实值，B为随机选取的小批量样本集，L为有标签数据集，C是类的数量，ω(t)是随时间t变化的无监督权重上升函数；

所述步骤S5中，所述根据所述加权损失结合Temporal Ensembling模型进行半监督训练具体为：记Zi为预测值zi的历史累积加权值，Zi的更新方式为Zi←αZi+(1‑α)zi，目标值其中α为加权参数，0≤α＜1；

t＝0时，Zi、的初始值均为0，ω(t)＝0，此时不更新模型训练参数，进行有监督训练；

迭代的过程中将上一次的目标值 作为当前输入，进行无监督训练，采用梯度下降法，通过计算所述加权损失函数的梯度，沿着梯度下降不断调节模型训练参数重新进行训练计算，直到模型收敛。

2.根据权利要求1所述联合U‑Net和Temporal Ensembling的信号初至拾取方法，其特征在于，所述步骤S1具体包括：用matlab画出原始微地震信号数据的剖面图并标记信号的采样点，提取出有效信号道、剔除无效道，通过低通或高通滤波实现信号和噪音的分离；使用S变换对微地震信号进行时频分析，得到微地震信号数据集；所述S变换的公式为：其中 为高斯窗函数，t代表时间，f代表频率。

3.根据权利要求1所述联合U‑Net和Temporal Ensembling的信号初至拾取方法，其特征在于，所述步骤S3中，所述对所述有标签数据集和无标签数据集进行数据扩增具体为：将输入的一维信号进行数据扩充，通过添零补齐的方式转化为二维信号，然后使用弹性变换算法增强信号样本。

4.根据权利要求1所述联合U‑Net和Temporal Ensembling的信号初至拾取方法，其特征在于，所述梯度下降法公式为：公式中θ是迭代训练参数，y是函数输出量，h(θ)是求出的拟合函数，j是参数个数，θ′是沿θ梯度负方向更新的得到的训练参数。

5.一种联合U‑Net和Temporal Ensembling的信号初至拾取装置，其特征在于，所述装置包括：预处理模块：获取原始微地震信号数据并进行预处理，得到微地震信号数据集；数据标记模块：根据微地震信号数据集的部分数据制作有标签数据集，其余为无标签数据集；

模型训练模块：对所述有标签数据集和无标签数据集进行数据扩增，将扩增后的有标签数据集和无标签数据集添加随机噪声并投入U‑Net网络进行训练；对U‑Net网络添加丢弃正则化防止训练过拟合，计算交叉熵损失和均方差损失的加权损失；根据所述加权损失结合Temporal  Ensembling模型进行半监督训练，得到训练好的联合U‑Net和TemporalEnsembling的微地震有效信号检测模型；

初至拾取模块：获取待测信号，根据所述联合U‑Net和Temporal Ensembling的微地震有效信号检测模型进行有效信号初至拾取；

所述模型训练模块中，所述加权损失函数为：

其中，crossentropy(z,y)为交叉熵损失函数：

为均方差损失函数：

上述公式中，i为样本编号，zi为当前输出的预测值， 为目标值，yi为有标签样本的真实值，B为随机选取的小批量样本集，L为有标签数据集，C是类的数量，ω(t)是随时间t变化的无监督权重上升函数；

所述模型训练模块中，根据所述加权损失结合TemporalEnsembling模型进行半监督训练：记Zi为预测值zi的历史累积加权值，Zi的更新方式为Zi←αZi+(1‑α)zi，目标值其中α为加权参数，0≤α＜1；

t＝0时，Zi、 的初始值均为0，ω(t)＝0，此时不更新模型训练参数，进行有监督训练；

迭代的过程中将上一次的目标值 作为当前输入，进行无监督训练，采用梯度下降法，通过计算所述加权损失函数的梯度，沿着梯度下降不断调节模型训练参数重新进行训练计算，直到模型收敛。