1.一种基于BP神经网络的大地电磁信号噪声压制方法，其特征在于：包括如下步骤：S1：构建大地电磁干扰数据的噪声轮廓样本和无干扰数据的纯净信号样本；

S2：将噪声轮廓样本与纯净信号样本相加得到带噪数据样本，再将所述带噪数据样本和所述纯净信号样本、所述带噪数据样本和所述纯净信号样本的样本分类标签输入第一个BP神经网络，训练得到BP信噪辨识模型，所述BP信噪辨识模型的输入数据为信号，输出数据为信号的分类标签；

S3：再将所述带噪数据样本、所述噪声轮廓样本输入第二个BP神经网络，训练得到BP去噪模型，所述BP去噪模型的输入数据为噪声信号，输出数据为噪声信号的噪声轮廓；

S4：将实测大地电磁数据均匀分段，并分别输入至所述BP信噪辨识模型中，保留辨识出的无干扰数据段，再将辨识出的干扰数据段输入至所述BP去噪模型中；

S5：所述BP去噪模型输出干扰数据段的噪声轮廓，再将所述干扰数据段的数据减去对应的噪声轮廓得到去噪后的数据；

S6：将步骤S4中保留的无干扰数据段和步骤S5中去噪后的数据进行重构拼接得到去噪后的大地电磁信号。

2.根据权利要求1所述的方法，其特征在于：步骤S1中构建所述噪声轮廓样本的过程，如下：

S11：根据数学函数生成单个噪声轮廓波形，所述噪声轮廓波形至少包括：脉冲波、类三角波、类方波的轮廓波形；

S12：改变单个波形的幅值以及滑动窗口截取单个波形的部分形状得到若干的噪声轮廓样本；

步骤S1中构建所述纯净信号样本的过程为：生成与实测大地电磁无干扰数据幅值接近的高斯白噪声，用以模拟无干扰大地电磁数据，并均匀分段作为纯净信号样本。

3.根据权利要求2所述的方法，其特征在于：若步骤S11生成了单个噪声轮廓波形，步骤S12中增加轮廓样本数量及多样性的过程，均执行如下步骤：S121：设单个噪声轮廓波形的数据矩阵A如下：A＝[α1,α2,...,αq]式中，αq表示数据矩阵A中的第q个元素，q也表示单个噪声轮廓波形的数据长度；

S122：改变样本的幅值即对A乘以不同常数μ，针对不同μ值可以得到对应不同幅值的样本A′如下：

A′＝μ×A＝[μα1,μα2,...,μαq]S123：左右滑动窗口截取样本A以增加样本多样性和数量，设滑动步长为λ，其中为整数，表示样本长度为滑动步长的整数倍，分别得到样本矩阵A1和A2如下：式中，矩阵A1和A2中元素均来源于原始样本A，αq‑λ表示A中的第q‑λ个元素，矩阵A1和A2中每一行均表示一个由A变换之后得到噪声轮廓样本。

4.根据权利要求1所述的方法，其特征在于：步骤S2中BP信噪辨识模型训练的过程执行如下步骤：

S21：设置第一个BP神经网络的训练参数，所述训练参数包括：网络层设计、隐含层数、初始学习率、训练周期和训练算法；

S22：分别为所述带噪数据样本和所述纯净信号样本添加分类标签；

S23：选择部分所述带噪数据样本和所述纯净信号样本用以构建测试集，部分所述带噪数据样本和所述纯净信号样本用以构建训练集；

S24：将所述训练集中的所述带噪数据样本和所述纯净信号样本、分类标签输入所述第一个BP神经网络，训练得到BP信噪辨识模型，并基于所述测试集中的所述带噪数据样本和所述纯净信号样本对辨识模型进行校验。

5.根据权利要求1所述的方法，其特征在于：步骤S3中BP去噪模型训练的过程执行如下步骤：

S31：设置第二个BP神经网络训练参数，所述训练参数包括；网络层设计、隐含层数、初始学习率、训练周期和训练算法；

S32：选取部分所述带噪数据样本和所述噪声轮廓样本用以构建测试集，部分所述带噪数据样本和所述噪声轮廓样本用以构建训练集；

S33：将所述训练集中的所述带噪数据样本、噪声轮廓样本输入第二个BP神经网络，进行训练得到BP去噪模型，并基于所述测试集中的所述带噪数据样本和所述噪声轮廓样本对去噪模型进行校验。

6.根据权利要求1所述的方法，其特征在于：若实测大地电磁数据M表示如下：M＝[m1,m2,...,mn]式中，mn为一段实测大地电磁数据M中的第n个元素，n也为该段实测大地电磁数据M的数据长度；

则步骤S4的执行过程如下：

S41：将所述实测大地电磁数据M按照长度k均匀分段，设j＝n/k为整数，则可得到分成j段数据后的大地电磁数据矩阵M′如下：式中，大地电磁数据矩阵M′中的元素均来源于所述实测大地电磁数据M，mjk表示M中的第j×k个元素，大地电磁数据矩阵M′由j个长度为k的数据段构成；

S42：将大地电磁数据矩阵M′中每一行数据依次输入至所述BP信噪辨识模型中，模型输出对应数据段的分类标签，所述分类标签表示对应数据段为无干扰数据段或干扰数据段；

S43：依据分类标签，将干扰数据段输入至所述BP去噪模型中；将无干扰数据段保留在大地电磁数据M的原始位置。

7.根据权利要求1所述的方法，其特征在于：利用所述BP信噪辨识模型辨识出的所述实测大地电磁数据中干扰数据段，若辨识出的所有干扰数据段构成的数据矩阵H表示如下：式中，hck为数据矩阵H中的第c行第k列个元素，c表示辨识出的所述实测大地电磁数据中干扰数据段的数量；

则将所述数据矩阵H输入至BP去噪模型，所述BP去噪模型的输出数据矩阵H的噪声轮廓矩阵W，表示如下：

式中，wck表示W中的第c×k个元素，且与矩阵H中元素位置对应。

8.根据权利要求7所述的方法，其特征在于：步骤S6中将步骤S4中保留的无干扰数据段和步骤S5中去噪后的数据进行重构拼接得到去噪后的大地电磁信号的过程，执行如下步骤：

S61：使用数据矩阵H减去BP去噪模型输出的对应噪声轮廓矩阵得到去噪矩阵M″如下：S62：将BP信噪辨识模型辨识为无干扰数据段与去噪数据矩阵M″中的每一行数据进行拼接即得到去噪后的大地电磁信号，其中，所述无干扰数据段和去噪后的数据的拼接位置与其在原始实测大地电磁数据M中的位置一一对应。

9.根据权利要求4或5所述的方法，其特征在于：BP神经网络的训练算法包括BP网络输出误差判定规则(最小二乘法)，具体公式如下：式中，E表示期望输出和网络实际输出的误差，L表示BP网络具有L个输出节点，dg表示第g个节点的期望输出值，Og表示第g个节点的网络实际输出值；

其中，BP神经网络的训练算法还包括BP网络加权系数的调整规则，具体公式如下：式中，vf,g、vp,f、Δvf,g和Δvp,f分别表示f节点和g节点间的加权系数、p节点和f节点间的加权系数、f节点和g节点间的加权系数的修正值和p节点和f节点间的加权系数的修正值，η表示学习速率，且规定η>0，t表示时间；

其中，BP神经网络训练过程通过上述两个公式对BP神经网络中各节点的权值调整和修正，最终获得最佳的权值参数。

10.一种基于权利要求1‑9任一项所述方法的系统，其特征在于：包括如下：样本库构建模块：用于构建大地电磁信号的噪声轮廓样本库、纯净信号样本库和带噪数据样本库，所述噪声轮廓样本库、纯净信号样本库和带噪数据样本库分别包含大地电磁干扰数据的噪声轮廓样本、无干扰数据的纯净信号样本、带噪数据样本。

BP信噪辨识模型构建模块：用于将噪声轮廓样本与纯净信号样本相加得到带噪数据样本，再将所述带噪数据样本和所述纯净信号样本、所述带噪数据样本和所述纯净信号样本的样本分类标签输入第一个BP神经网络，训练得到BP信噪辨识模型，所述BP信噪辨识模型的输入数据为信号，输出数据为信号的分类标签；

所述BP信噪辨识模型用于鉴别信号段为干扰数据段还是无干扰数据段；

识别模块：用于将待辨识的实测大地电磁数据输入至所述BP信噪辨识模型识别出干扰数据段和无干扰数据段；

BP去噪模型构建模块：用于将所述带噪数据样本、所述噪声轮廓样本输入第二个BP神经网络，训练得到BP去噪模型，所述BP去噪模型的输入数据为噪声信号，输出数据为噪声信号的噪声轮廓；

所述BP去噪模型用于输出干扰数据段的噪声轮廓；

去噪模块：利用BP信噪辨识模型辨识的干扰数据段减去对应BP去噪模型输出的噪声轮廓即得到去噪后的大地电磁数据。

重构模块：用于将保留的无干扰数据段与去噪后的数据进行拼接重构得到去噪的大地电磁信号。