1.一种基于数据增广训练深度神经网络压制地震多次波的方法，设计具有卷积编码和卷积解码过程的压制地震多次波深度神经网络模型；将包含多次波原始数据和随机噪声数据组成的增广数据集作为模型训练数据集，用于学习神经网络参数，得到训练好的压制地震多次波深度神经网络模型；再利用训练好的压制地震多次波深度神经网络模型进行测试，通过网络模型的卷积编码提取地震数据中的连续信号特征并区分一次波和多次波，通过网络模型的卷积解码并使用提取到的特征重建消除多次波和随机噪声的地震数据，实现基于数据增广训练深度神经网络压制地震多次波；包含以下步骤：
步骤1，预处理训练数据集；
首先去除地震数据中的直达波，再通过多次波压制方法去除共炮点道集数据中的多次波，并生成标签数据；
步骤2，制作常规训练集；
将输入数据记为x，真实输出数据记为ylabel；将输入数据与真实输出数据组成训练集数据对{x,ylabel}；
含多次波的共炮点地震数据记为数据集hm；对应的不含多次波的共炮点地震数据记为数据集ho；在训练过程中，训练集数据的振幅被归一化到[-1,1]之间；在数据集hm和ho中相同位置等间隔抽取num1个共炮点道集，分别记为hmk和hok,k＝1,2,3,…,num1，得到的训练集为常规训练集对
步骤3，制作增广训练集；
在每个输入数据hmk中加入num2种不同强度的随机噪声
步骤4，构建压制地震多次波深度神经网络，并采用数据增广训练法训练压制地震多次波深度神经网络；
构建压制地震多次波深度神经网络包括：由卷积层和下采样层组成的卷积编码器和由卷积层和上采样层组成的卷积解码器；所述卷积编码器用于提取地震数据的一次波特征；所述卷积解码器用于将包含一次波信号的低维特征数据映射回高维空间，重构一次波地震数据；在除最后一层外的卷积运算后通过激活函数处理进行非线性映射；并使用损失函数表示训练模型与训练样本的匹配程度，并采用自适应矩估计优化算法最小化损失函数；
步骤5，保存参数最佳的神经网络，得到训练好的压制地震多次波深度神经网络；
步骤6，测试数据预处理；
将待测试数据中的直达波去掉，将数据振幅归一化为[-1,1]之间，得到用于测试的输入数据；
步骤7，重建不带噪声的一次波数据；
将预处理后用于测试的输入数据直接输入参数最佳的训练好的压制地震多次波深度神经网络中，重构出只含一次波的输出数据；该输出数据中的随机噪声也被有效压制。
通过上述步骤，实现基于数据增广训练深度神经网络压制地震多次波。
2.如权利要求1所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，在步骤1中，具体通过radon多次波压制方法或自由表面多次波压制srme方法去除少量共炮点道集数据中的多次波数据。
3.如权利要求1所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，步骤4构建压制地震多次波深度神经网络，在除最后一层外的卷积运算后具体通过激活函数relu处理进行非线性映射；最后一层的激活函数采用双曲正切函数tanh；具体使用平均绝对误差作为损失函数表示训练模型与训练样本的匹配程度。
4.如权利要求1所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，在步骤4中，构建的压制地震多次波深度神经网络深度具体包括31层，其中有23个卷积层、4个下采样层和4个上采样层。
5.如权利要求4所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，前10个卷积层和4个下采样层组成卷积编码器；后13个卷积层和4个上采样层组成卷积解码器。
6.如权利要求5所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，将第2个卷积层和第4个上采样层得到的结果经过融合后输入第20个卷积层，将第4个卷积层和第3个上采样层得到的结果经过融合后输入第17个卷积层，将第6个卷积层和第2个上采样层得到的结果经过融合后输入第14个卷积层，将第8个卷积层和第1个上采样层得到的结果经过融合后被输入第11个卷积层。
7.如权利要求6所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，卷积运算使用的卷积核大小均为3×3。
8.如权利要求6所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，使用平均绝对误差作为损失函数表示训练模型与训练样本的匹配程度，具体使用的平均绝对误差损失函数表示为：
其中，f(xi)表示输入深度神经网络f的数据为xi时的预测值；右上标1表示对符号||·||内数据进行1范数计算；当n个输入数据送入深度神经网络后，得到的输出结果与真实输出数据直接相减并取绝对值得到绝对误差值，再计算绝对误差值的平均值，使用平均绝对误差来刻画深度神经网络的输出结果与真实输出数据的差异程度。
9.如权利要求8所述基于数据增广训练深度神经网络压制地震多次波的方法，其特征是，具体采用adam自适应矩估计优化算法调整深度神经网络参数，从而最小化损失函数。