1.一种基于离子迁移谱的痕量爆炸物识别方法，其特征在于，包括以下步骤：第一步，通过离子迁移分析仪，按照t秒的采样周期对样本分别进行H次采样，获得H个离子图谱；

第二步，分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值，按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量；

第三步，将H个离子图谱所分别对应的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵；

第四步，利用训练好的一维卷积神经网络模型对原始特征矩阵进行爆炸物类别识别，获得样本属于各爆炸物的概率值；

第五步，输出概率值最大的类别为待识别样本的爆炸物预测类别；

所述训练好的一维卷积神经网络模型按照如下方式训练：

S1，先准备训练模型所需样本，一共N个不同的爆炸物，作为训练数据集，每个爆炸物对应一个真实的爆炸物类别；

S2，将训练集中的数据送入离子迁移图谱仪，通过离子迁移仪，生成离子图谱；每个样本根据间隔时间t采样H次生成H个图谱，每个图谱统一在横坐标轴上缩放到W范围，并生成W维特征作为该图谱的特征，所以训练集数据总的数据格式为，N * H * W；将其按照时间和位点顺序排列得到所有样本的特征矩阵，对于每个样本来说需要间隔t秒采样H次生成H个图谱，每个图谱横坐标缩放到W范围，并生成W个数值，从而每个样本对应一个H*W的矩阵作为原始特征；

S3，根据训练集和一维卷积神经网络模型，对训练集进行网络训练；该模型一共L层，每层K个卷积核，T个步长，池化层序列长度T，训练给定的模型；

S4,输出模型预测结果，包括属于每个具体爆炸物类别的概率值，根据概率值与样本本身所标记的爆炸物种类之间的偏差修正一维卷积神经网络模型， 根据具体的爆炸物数据特征进行调整，直至模型获得正确的类型识别输出结果。

2.如权利要求1所述的基于离子迁移谱的痕量爆炸物识别方法，其特征在于，所述一维卷积神经网络模型由以下步骤训练获得：步骤s1，采集N个不同种类的爆炸物样本，并分别将其爆炸物类别标记为第1至第X号；

步骤s2，通过离子迁移分析仪，按照t秒的采样周期对每一个样本分别进行H次采样，获得N个样本所分别对应的H个离子图谱；

步骤s3，分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值，按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量；

步骤s4，对每个爆炸物样本，分别将其所对应的H个离子图谱的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵，并按照爆炸物样本的类别标记该原始特征矩阵；

步骤s5，将各爆炸物样本所对应的原始特征矩阵输入一维卷积神经网络模型，对一维卷积神经网络模型进行训练，调整一维卷积神经网络模型层数L以及每层的卷积核个数、时间序列长度和池化层序列长度，直至一维卷积神经网络模型根据原始特征矩阵识别获得的爆炸物预测类别匹配于对应爆炸物样本的类别标记编号。

3.如权利要求2所述的基于离子迁移谱的痕量爆炸物识别方法，其特征在于，所述一维卷积神经网络模型的第一层为输入层，接收H*W的原始特征矩阵；

第二层为一维卷积层，包括K1=32个卷积核，卷积核长度T1=24；

第三层为第一池化层，其长度为Tc1=12；

第四层为第二卷积层，包括K2=64个卷积核，卷积核长度T2=24；

第五层为第二池化层，其长度为Tc2=6；

第六层、第七层分别为两个全连接层，其神经元个数均为S=32，爆炸物预测类别由训练步骤获得。

4.如权利要求2所述的基于离子迁移谱的痕量爆炸物识别方法，其特征在于，第二步中，还在提取W个横坐标位点所对应的纵坐标数值之前，先将每个离子图谱统一缩放为W个位点，然后顺序提取每一个位点所对应的纵坐标数值，将其按照提取顺序排列为W维的向量。

5.如权利要求4所述的基于离子迁移谱的痕量爆炸物识别方法，其特征在于，位点个数W=4000，采样次数H=40；

训练步骤中的爆炸物样本个数N不少于爆炸物类别标记编号总数。

6.一种基于离子迁移谱的痕量爆炸物识别系统，其特征在于，包括：

离子迁移分析仪，其用于对样本分别进行至少1次采样，获得H个离子图谱；

向量提取单元，其用于分别在同一样本的每个离子图谱上提取W个横坐标位点所对应的纵坐标数值，按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量；

原始特征矩阵生成单元，其用于将H个离子图谱所分别对应的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵；

识别模型，其用于原始特征矩阵进行爆炸物类别识别，获得样本属于各爆炸物的概率值，并输出概率值最大的类别为待识别样本的爆炸物预测类别；

所述识别模型按照如下方式训练：

S1，先准备训练模型所需样本，一共N个不同的爆炸物，作为训练数据集，每个爆炸物对应一个真实的爆炸物类别；

S2，将训练集中的数据送入离子迁移图谱仪，通过离子迁移仪，生成离子图谱；每个样本根据间隔时间t采样H次生成H个图谱，每个图谱统一在横坐标轴上缩放到W范围，并生成W维特征作为该图谱的特征，所以训练集数据总的数据格式为，N * H * W；将其按照时间和位点顺序排列得到所有样本的特征矩阵，对于每个样本来说需要间隔t秒采样H次生成H个图谱，每个图谱横坐标缩放到W范围，并生成W个数值，从而每个样本对应一个H*W的矩阵作为原始特征；

S3，根据训练集和一维卷积神经网络模型，对训练集进行网络训练；该模型一共L层，每层K个卷积核，T个步长，池化层序列长度T，训练给定的模型；

S4,输出模型预测结果，包括属于每个具体爆炸物类别的概率值，根据概率值与样本本身所标记的爆炸物种类之间的偏差修正一维卷积神经网络模型， 根据具体的爆炸物数据特征进行调整，直至模型获得正确的类型识别输出结果。

7.如权利要求6所述的基于离子迁移谱的痕量爆炸物识别系统，其特征在于，所述识别模型由以下步骤训练获得：步骤s1，采集N个不同种类的爆炸物样本，并分别将其爆炸物类别标记为第1至第X号；

步骤s2，通过离子迁移分析仪，按照t秒的采样周期对每一个样本分别进行H次采样，获得N个样本所分别对应的H个离子图谱；

步骤s3，分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值，按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量；

步骤s4，对每个爆炸物样本，分别将其所对应的H个离子图谱的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵，并按照爆炸物样本的类别标记该原始特征矩阵；

步骤s5，将各爆炸物样本所对应的原始特征矩阵输入识别模型，对识别模型进行训练，调整识别模型层数L以及每层的卷积核个数、时间序列长度和池化层序列长度，直至识别模型根据原始特征矩阵识别获得的爆炸物预测类别匹配于对应爆炸物样本的类别标记编号。

8.如权利要求7所述的基于离子迁移谱的痕量爆炸物识别系统，其特征在于，所述离子迁移分析仪按照t秒的采样周期对样本分别进行H次采样，获得H个离子图谱。

9.如权利要求8所述的基于离子迁移谱的痕量爆炸物识别系统，其特征在于，所述向量提取单元，其先将每个离子图谱统一缩放为W个位点，然后顺序提取每一个位点所对应的纵坐标数值，按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量。

10.如权利要求9所述的基于离子迁移谱的痕量爆炸物识别系统，其特征在于，位点个数W=4000，采样次数H=40；

识别模型为一维卷积神经网络模型或长短时记忆网络模型，其第一层为输入层，接收H*W的原始特征矩阵；

第二层为一维卷积层，包括K1=32个卷积核，卷积核长度T1=24；

第三层为第一池化层，其长度为Tc1=12；

第四层为第二卷积层，包括K2=64个卷积核，卷积核长度T2=24；

第五层为第二池化层，其长度为Tc2=6；

第六层、第七层分别为两个全连接层，其神经元个数均为S=32。