1.一种基于滤波器增强的多相流流量测量方法，其特征在于，所述方法包括：获取多相流流量数据样本；所述多相流流量数据样本包括差压式流量计模块采集的第一数据和电容层析成像传感器采集的第二数据；利用多层感知机将所述第一数据和所述第二数据融合，获得融合数据；利用滤波器增强模块对所述融合数据逐个通道地进行自适应滤波处理，获得滤波数据；利用多尺度卷积神经网络对所述滤波数据进行处理，得到多个不同尺度的特征向量，并将多个不同尺度的特征融合获得多尺度特征向量；通过多个全连接层对所述多尺度特征向量进行处理，对应输出多相流的多个单相流量值。
2.根据权利要求1所述的基于滤波器增强的多相流流量测量方法，其特征在于，所述多层感知机包括两层全连接层；所述利用多层感知机将所述第一数据和所述第二数据融合，获得融合数据，包括：利用两层全连接层将所述第一数据和所述第二数据融合，获得融合数据。
3.根据权利要求1所述的基于滤波器增强的多相流流量测量方法，其特征在于，所述滤波器增强模块包括多个滤波块，多个滤波块串行地叠加设置，所述滤波块包括过滤层，所述过滤层的输入和输出之间使用跳跃连接；所述利用滤波器增强模块对所述融合数据逐个通道地进行自适应滤波处理，获得滤波数据，包括：利用所述过滤层将所述融合数据沿通道进行自适应滤波，获得去噪数据；基于跳跃连接、层归一化操作和随机失活操作处理去噪数据，获得单次滤波输出数据；以当前滤波块的输出作为下一个滤波块的输入，并将最后一个滤波块对应的单次滤波输出数据作为所述滤波数据。
4.根据权利要求3所述的基于滤波器增强的多相流流量测量方法，其特征在于，所述利用所述过滤层将所述融合数据沿通道进行自适应滤波，获得去噪数据，包括：在所述过滤层，将所述融合数据沿通道进行快速傅里叶变换，转换到频域；对频域中的每个通道进行自适应滤波，获得调制频谱；利用逆快速傅里叶变换将所述调制频谱变换到时域，获得所述去噪数据。
5.根据权利要求1所述的基于滤波器增强的多相流流量测量方法，其特征在于，所述多尺度卷积神经网络包括多个不同卷积核大小的卷积神经网络模块，每个卷积神经网络模块均利用扩张卷积和因果卷积。
6.根据权利要求1所述的基于滤波器增强的多相流流量测量方法，其特征在于，所述通过多个全连接层对所述多尺度特征向量进行处理，对应输出多相流的多个单相流量值之后，所述方法还包括：利用预设的多任务损失函数进行训练；所述多相流的多个单相流量值包括气相流量值和液相流量值，所述多任务损失函数表示为：其中， 和 分别为气相流量值测量任务的第一损失函数值和液相流量值测量任务的第二损失函数值。λ和μ是调节对应任务影响的超参数。
7.根据权利要求6所述的基于滤波器增强的多相流流量测量方法，其特征在于，所述第一损失函数值和第二损失函数值均通过休伯损失函数计算获得；所述休伯损失函数表示为：其中，y i 为对应任务的目标值， 为对应任务的估计值，即输出获得的单相流量值；超参数δ表示对异常值的敏感性。
8.一种基于滤波器增强的多相流流量测量装置，其特征在于，所述装置包括：数据采集模块，用于获取多相流流量数据样本；所述多相流流量数据样本包括差压式流量计模块采集的第一数据和电容层析成像传感器采集的第二数据；数据融合模块，用于利用多层感知机将所述第一数据和所述第二数据融合，获得融合数据；滤波器增强模块，用于对所述融合数据逐个通道地进行自适应滤波处理，获得滤波数据；特征提取模块，用于利用多尺度卷积神经网络对所述滤波数据进行处理，得到多个不同尺度的特征向量，并将多个不同尺度的特征融合获得多尺度特征向量；预测模块，用于通过多个全连接层对所述多尺度特征向量进行处理，对应输出多相流的多个单相流量值。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
