1.一种基于深度T-Net网络的微地震P波初至拾取方法，其特征在于，所述方法包括：S1、准备原始数据集并制作有标签数据集和无标签数据集，用张量对数据进行压缩；

S2、通过一个高阶低秩的张量来参数化表示HG网络结构中的权重，所述高阶低秩的张量各维数分别表示HG网络的各类架构设计参数，得到优化的HG网络模型；

S3、通过使用协同训练的方式进行半监督学习，将所述有标签数据集和无标签数据及分别放入两个优化的HG网络模型中训练，并将一个模型训练结果置信度最高的数据放入另一个模型的数据集中进行迭代训练，得到训练好的HG网络优化模型；

S4、通过所述训练好的HG网络优化模型提取有效信号的P波初至点。

2.根据权利要求1所述基所述于深度T-Net网络的微地震P波初至拾取方法，其特征在于，所述步骤S1具体为：S11、利用有限差分地震生成不同模型下主频范围20～1000Hz的大量模拟信号，与实际资料共同构成原始数据集；

S12、通过matlab绘出原始信号剖面图，观图提取有效信号道，确定已提取的各信号道中有效信号的初至位置，做成标签，制作一部分有标签数据集，其余为无标签数据集；

S13、用张量对所述有标签数据集和无标签数据集进行压缩。

3.根据权利要求1所述基于深度T-Net网络的微地震P波初至拾取方法，其特征在于，所述步骤S2中，所述高阶低秩的张量各维数分别表示HG网络的各类架构设计参数具体为：所述高阶低秩的张量每一维度依次对应HG网络结构的数量、HG的深度、三个信号路径、每个残差模块卷积层数、输入特征、输出特征、每个卷积核的高度和宽度；所述三个信号路径分别为跳层连接、下采样和上采样。

4.根据权利要求3所述基所述于深度T-Net网络的微地震P波初至拾取方法，其特征在于，所述步骤S2中，使用Tucker分解将所述高阶低秩的张量分解成一个低阶核张量和每一维矩阵的投影因子的乘积，公式为：表示权重张量， 表示核张量，U(0),…,U(7)表示8阶张量每一维的投影因子

5.根据权利要求4所述基所述于深度T-Net网络的微地震P波初至拾取方法，其特征在于，所述步骤S3中，采用随机梯度下降法反向传播训练网络模型，其中随机梯度下降法公式为：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。

6.一种基于深度T-Net网络的微地震P波初至拾取装置，其特征在于，所述装置包括：预处理模块：用于准备原始数据集并制作有标签数据集和无标签数据集，用张量对数据进行压缩；

建模模块：用于通过一个高阶低秩的张量来参数化表示HG网络结构中的权重，所述高阶低秩的张量各维数分别表示HG网络的各类架构设计参数，得到优化的HG网络模型；

训练模块：用于通过使用协同训练的方式进行半监督学习，将所述有标签数据集和无标签数据集分别放入两个优化的HG网络模型中训练，并将一个模型训练结果置信度最高的数据放入另一个模型的数据集中进行迭代训练，得到训练好的HG网络优化模型；

识别模块：用于通过所述训练好的HG网络优化模型提取有效信号的P波初至点。

7.根据权利要求6所述基于深度T-Net网络的微地震P波初至拾取装置，其特征在于，所述建模模块中，所述高阶低秩的张量每一维度依次对应HG网络结构的数量、HG的深度、三个信号路径、每个残差模块卷积层数、输入特征、输出特征、每个卷积核的高度和宽度；所述三个信号路径分别为跳层连接、下采样和上采样。

8.根据权利要求7所述基于深度T-Net网络的微地震P波初至拾取装置，其特征在于，所述建模模块中，使用Tucker分解将所述高阶低秩的张量分解成一个低阶核张量和每一维矩阵的投影因子的乘积，公式为：表示权重张量， 表示核张量，U(0),…,U(7)表示8阶张量每一维度的投影因子