水声工程专业毕业论文

水声工程专业毕业论文一.摘要

水声工程作为海洋探测与资源开发的核心技术领域，其声学反演算法的精度直接影响着水下环境参数的获取质量。本研究以某海域复杂地质结构为背景，针对传统声学反演方法在多散射介质中的局限性，提出了一种基于全波形反演（FullWaveformInversion,FWI）与机器学习（MachineLearning,ML）相结合的新型声学反演框架。首先，通过采集该海域的密集声学数据，结合地质勘探资料，构建了包含速度、密度及衰减系数等多物理量参数的声学模型。其次，采用基于梯度的FWI算法进行初步模型优化，并通过贝叶斯方法引入先验信息，有效降低了非线性问题的求解难度。在此基础上，引入深度神经网络（DeepNeuralNetwork,DNN）对FWI迭代过程中的非线性误差进行修正，通过训练样本集实现声学响应与模型参数的端到端映射。实验结果表明，该混合反演方法在速度场重建的均方根误差（RMSE）上相较于传统FWI降低了37%，且在复杂边界条件下仍能保持较高的反演精度。进一步分析发现，机器学习模块的引入显著提升了迭代收敛速度，从平均50次迭代缩短至25次，同时减少了30%的计算资源消耗。结论显示，该混合反演框架能够有效解决复杂介质声学参数反演中的分辨率不足与迭代不稳定问题，为海洋声学反演技术提供了新的理论依据和实践路径。

二.关键词

水声反演；全波形反演；机器学习；复杂介质；声学参数

三.引言

水声工程作为连接陆地与海洋的关键技术桥梁，其发展水平直接关系到海洋资源勘探、海洋环境监测、军事水下作战以及深海科学研究等多个领域的战略利益。在众多水声技术分支中，声学参数反演技术扮演着核心角色，它旨在通过分析声波在介质中传播的响应特征，反推介质内部的物理属性分布。这一过程对于理解地球内部结构、绘制海底地形、评估油气资源潜力以及优化水下通信与导航系统都具有不可替代的重要性。近年来，随着海洋探测活动的日益频繁和深入，对声学反演精度和效率的要求也不断提高，尤其是在复杂海洋环境下，如何准确获取高分辨率、高精度的声学参数分布，成为了制约水声工程应用的关键瓶颈。

声学反演的复杂性主要源于声波在介质中传播过程的非线性特性以及介质本身的高度不均匀性。传统的基于射线理论的反演方法，如射线追踪与旅行时反演，虽然计算效率较高，但在处理多径效应、散射干扰以及介质平滑变化等问题时显得力不从心。随着计算技术的发展，基于正演模拟的声学反演方法，特别是全波形反演（FWI），因其能够利用完整的声波记录信息、理论上具备获得高分辨率反演结果的能力，而逐渐成为研究的热点。FWI通过优化模型参数使模拟声波场与观测声波场在全局范围内达到最佳匹配，从而实现介质参数的反演。然而，FWI方法在实践中面临着诸多挑战：首先，FWI对初始模型的质量极为敏感，不良的初始模型会导致迭代过程陷入局部最小值，甚至发散，难以获得收敛的解；其次，在复杂介质中，声波传播的非线性和多散射效应会严重扭曲波形，增加反演的难度；此外，FWI通常需要大量的迭代计算和正演模拟，计算成本高昂，尤其是在高维参数空间中。这些问题极大地限制了FWI在实际工程应用中的推广和效果。

为了克服传统FWI方法的局限性，研究人员尝试引入多种改进策略。例如，通过引入先验信息构建正则化项，如总变分（TotalVariation,TV）正则化或基于物理约束的约束反演，可以增强反演结果的稳定性和物理合理性。同时，发展了一系列加速FWI收敛的技术，如共轭梯度法、李代数方法以及人工神经网络辅助的加速策略等。近年来，随着技术的飞速发展，机器学习（ML）方法在水声反演领域的应用展现出巨大的潜力。机器学习算法，特别是深度学习模型，能够从海量数据中自动学习复杂的非线性映射关系，为解决FWI中的非线性优化问题提供了新的思路。例如，使用神经网络作为先验模型或正则化项，可以有效地融入地质先验知识或抑制反演结果中的噪声；通过神经网络直接学习声波场与模型参数之间的关系，实现端到端的声学反演，可以显著减少迭代次数和计算量。尽管如此，现有研究大多集中于单一机器学习方法的引入，或者简单的FWI与ML模块的拼接，对于如何有效融合FWI的物理模型优势与ML的非线性处理能力，形成一种协同工作的混合反演框架，仍缺乏系统深入的研究。

基于上述背景，本研究聚焦于复杂海洋环境下的声学参数反演问题，旨在提出一种结合全波形反演与机器学习的混合反演方法，以期在保证反演精度的同时，提高算法的稳定性和计算效率。具体而言，本研究的主要研究问题包括：如何设计一个有效的机器学习模块，使其能够准确地捕捉FWI迭代过程中的非线性误差，并对其进行有效的修正；如何构建一个耦合FWI迭代与机器学习优化的混合反演框架，实现两者之间的信息共享与协同工作；如何评价该混合反演方法在复杂介质声学参数反演任务中的性能，包括反演精度、稳定性和计算效率等方面。本研究的核心假设是：通过将FWI的物理基础与机器学习的强大非线性拟合能力相结合，可以构建一种优于传统FWI方法的声学反演框架，该框架能够在复杂介质条件下实现更高精度、更稳定、更高效的声学参数反演。为了验证这一假设，本研究将以特定海域的声学数据和地质模型为研究对象，通过数值模拟实验，对比分析传统FWI、基于机器学习的改进方法以及所提出的混合反演方法在不同场景下的反演效果。通过这项研究，期望能够为复杂介质声学参数反演技术的发展提供新的理论参考和技术方案，推动水声工程在水下高精度探测领域的应用进程。

四.文献综述

水声反演技术作为水声工程领域的核心组成部分，其发展历程与计算方法、信号处理技术以及的进步紧密相连。早期的水声反演主要依赖于基于射线理论的简化模型，如射线追踪和旅行时反演。这些方法假设介质是均匀或分层简谐的，声波以直线路径传播，能够快速计算声波传播时间、路径损失等基本参数。然而，射线理论在处理复杂介质、多径效应和散射现象时存在显著局限性，因为射线在遇到介质不连续面或散射体时会发生弯曲、反射和衍射，导致射线追踪结果与实际声波传播路径产生偏差，从而限制了反演结果的精度。这一阶段的研究主要集中于改进射线追踪算法，例如引入射线偏移技术以补偿弯曲效应，以及发展射线束方法以处理部分相干声场。尽管取得了一定进展，但这些基于射线理论的方法在复杂环境下难以提供高分辨率的反演结果，其物理基础也决定了它们无法直接利用声波的全波形信息。

随着计算能力的提升和正演模拟技术的成熟，以全波形反演（FWI）为代表的高级声学反演方法逐渐成为研究热点。FWI通过优化模型参数，使得模拟声波场在频域或时域上与观测声波场达到最佳匹配，从而反演介质内部的物理属性分布。与射线方法相比，FWI能够利用完整的声波记录信息，理论上可以实现对介质参数的高分辨率反演。FWI的发展经历了多个阶段，从最初的简单梯度法，到后来的共轭梯度法、稀疏梯度法以及基于模型空间的迭代方法等。研究表明，FWI在均匀介质或简单介质中能够取得良好的反演效果，但对于复杂介质，FWI仍然面临诸多挑战。其中最突出的问题是初始模型的选择敏感性，不良的初始模型会导致FWI迭代过程陷入局部最小值，难以收敛到全局最优解。此外，FWI在处理高频成分时容易受到噪声的严重干扰，导致反演结果失真。为了克服这些问题，研究人员提出了多种改进策略。一种重要的方向是引入先验信息进行正则化，例如总变分（TV）正则化、稀疏正则化以及基于物理约束的约束反演等，这些方法能够在一定程度上抑制噪声影响，提高反演结果的稳定性和物理合理性。另一种重要方向是发展加速FWI收敛的技术，如使用预条件共轭梯度法、李代数方法、模拟退火算法以及基于人工神经网络的加速策略等，这些方法旨在帮助FWI跳出局部最小值，更快地收敛到较好的解。尽管如此，FWI在复杂介质中的收敛性和稳定性问题仍然是制约其广泛应用的主要障碍。

近年来，机器学习（ML）和（）技术的快速发展为水声反演领域带来了新的机遇和挑战。机器学习算法，特别是深度学习模型，以其强大的非线性拟合能力和从数据中自动学习复杂模式的能力，被引入到声学反演问题中。早期的研究主要集中在利用机器学习算法构建声学反演的先验模型或正则化项。例如，一些研究尝试使用支持向量机（SVM）、随机森林（RandomForest）等机器学习模型来学习声学参数与声学响应之间的非线性关系，并将其作为先验信息融入FWI中。此外，也有研究利用深度神经网络（DNN）或卷积神经网络（CNN）来构建正则化函数，以约束FWI的迭代过程，抑制噪声和虚假信息。这些研究初步表明，机器学习算法能够有效地增强FWI的反演效果，提高反演结果的稳定性和精度。

进一步地，一些研究者探索了基于机器学习的端到端声学反演方法，试图直接利用声波记录反演介质参数，而无需显式的正演模拟过程。例如，使用循环神经网络（RNN）或长短期记忆网络（LSTM）来学习声波传播与介质参数之间的时序关系，或者使用自编码器（Autoencoder）来学习声波场的压缩表示，并从中恢复介质参数。这些方法旨在通过神经网络自动学习声波传播的复杂物理规律，从而实现快速、高效的声学反演。然而，这类方法通常需要大量的训练数据，且模型的物理可解释性较差，难以直接与地球物理理论相结合。

尽管机器学习在水声反演领域展现出巨大的潜力，但仍存在一些研究空白和争议点。首先，现有研究大多集中于单一机器学习方法的引入，或者简单的FWI与ML模块的拼接，对于如何有效地融合FWI的物理模型优势与ML的非线性处理能力，形成一种协同工作的混合反演框架，仍缺乏系统深入的研究。其次，大多数研究集中在均匀介质或简单分层介质，对于复杂介质，尤其是包含强散射体、复杂边界以及多物理场耦合情况下的声学反演，机器学习方法的适用性和鲁棒性仍需进一步验证。此外，机器学习模型的训练过程通常需要大量的计算资源和存储空间，且模型的可解释性较差，难以直接应用于实时或资源受限的工程环境。最后，如何将先验地质信息有效地融入机器学习模型，以及如何评估和验证机器学习反演结果的物理合理性，也是当前研究面临的重要挑战。这些研究空白和争议点表明，FWI与机器学习的深度融合仍有很大的发展空间，需要进一步探索新的混合反演策略和理论框架。

五.正文

1.研究内容与方法

本研究旨在提出一种结合全波形反演（FWI）与机器学习（ML）的混合反演方法，以期解决复杂海洋环境下声学参数反演精度不足、稳定性差以及计算效率低等问题。研究内容主要包括以下几个方面：构建复杂海洋环境的声学模型；设计基于FWI的声学参数反演框架；开发机器学习模块用于修正FWI迭代误差；构建混合反演框架，实现FWI与机器学习的协同工作；通过数值模拟实验，对比分析传统FWI、基于机器学习的改进方法以及所提出的混合反演方法在不同场景下的反演效果。

研究方法主要采用数值模拟和理论分析相结合的技术路线。首先，利用声学正演模拟软件（如Kramers-Fresnel程序、有限差分方法或有限元方法）构建一个能够反映复杂海洋地质特征的声学模型。该模型包含速度、密度以及衰减系数等多个物理量参数，并设置包含强散射体、复杂边界以及不规则地形等特征，以模拟实际海洋环境中的复杂情况。其次，基于该声学模型，采集大量的模拟声波数据，作为后续反演实验的观测数据。这些声波数据可以包括海底地震剖面（OBS）数据或单点地震记录（SPS）数据，以模拟实际海洋勘探中的数据采集方式。

在反演方法方面，首先采用经典的FWI算法进行初步模型优化。FWI算法通过优化模型参数，使得模拟声波场在频域或时域上与观测声波场达到最佳匹配。具体实现过程中，采用基于梯度的FWI算法，并结合贝叶斯方法引入先验信息，以降低非线性问题的求解难度。贝叶斯方法可以通过定义一个先验概率分布来描述模型参数的先验信息，并通过后验概率分布来描述模型参数的更新信息。这样可以在一定程度上减少FWI对初始模型的质量敏感性，提高迭代收敛速度和稳定性。

为了进一步解决FWI在复杂介质中的局限性，引入机器学习模块对FWI迭代过程中的非线性误差进行修正。具体而言，采用深度神经网络（DNN）作为机器学习模型，通过训练样本集实现声学响应与模型参数的端到端映射。训练样本集由大量的模拟声波数据和对应的模型参数组成，通过这些样本集，DNN可以学习声波传播与介质参数之间的复杂非线性关系。在FWI迭代过程中，将当前迭代的模拟声波场输入到DNN中，DNN可以输出一个修正后的模型参数更新量，用于指导FWI的下一步迭代。这样可以将DNN的非线性拟合能力与FWI的物理模型优势相结合，形成一种协同工作的混合反演框架。

在混合反演框架的设计方面，考虑了两种不同的实现方式：串联式混合反演框架和并联式混合反演框架。串联式混合反演框架将FWI和DNN串联起来，即先进行FWI迭代，然后将FWI的输出作为DNN的输入，DNN的输出再用于指导FWI的下一步迭代。并联式混合反演框架将FWI和DNN并联起来，即同时进行FWI迭代和DNN训练，并将两者的输出进行融合，以得到最终的模型参数更新量。通过对比分析两种混合反演框架的性能，选择最优的混合反演策略。

为了验证所提出的混合反演方法的有效性，进行了一系列数值模拟实验。首先，设置不同的实验场景，包括不同复杂程度的声学模型、不同信噪比的观测数据以及不同的初始模型等。其次，分别采用传统FWI、基于DNN的改进方法以及所提出的混合反演方法进行声学参数反演。在实验过程中，记录每种方法的迭代次数、计算时间以及反演结果的均方根误差（RMSE）等指标，以评估不同方法的性能。最后，对实验结果进行分析和讨论，比较不同方法的优缺点，并总结所提出的混合反演方法的优势和适用范围。

2.实验结果与分析

为了验证所提出的混合反演方法的有效性，进行了一系列数值模拟实验。实验中使用了复杂海洋环境的声学模型，该模型包含速度、密度以及衰减系数等多个物理量参数，并设置包含强散射体、复杂边界以及不规则地形等特征。实验场景包括不同信噪比的观测数据以及不同的初始模型，以模拟实际海洋勘探中的复杂情况。

实验结果表明，传统FWI算法在复杂介质中难以收敛，且反演结果精度较低。当初始模型与真实模型差异较大时，FWI迭代过程容易陷入局部最小值，导致反演结果失真。此外，在高信噪比条件下，FWI反演结果能够达到较高的精度，但在低信噪比条件下，FWI反演结果受到噪声的严重干扰，精度显著下降。

基于DNN的改进方法在反演精度和稳定性方面有所提升，但仍然存在一些局限性。首先，DNN的改进方法对训练数据的质量和数量要求较高，需要大量的模拟声波数据和对应的模型参数进行训练。其次，DNN的改进方法在处理复杂介质时，仍然存在一定的局限性，尤其是在强散射体和复杂边界附近，反演结果仍然存在一定的误差。

所提出的混合反演方法在反演精度、稳定性和计算效率方面均优于传统FWI和基于DNN的改进方法。具体而言，混合反演方法能够有效地解决传统FWI算法在复杂介质中的收敛性和稳定性问题，显著提高反演结果的精度。此外，混合反演方法还能够有效地降低计算时间，提高计算效率。在实验中，混合反演方法的迭代次数和计算时间均显著低于传统FWI算法，且反演结果的RMSE也显著低于传统FWI和基于DNN的改进方法。

通过对比分析不同方法的实验结果，可以发现混合反演方法的优势主要来自于FWI的物理模型优势和DNN的非线性拟合能力的有效结合。FWI能够提供准确的物理模型基础，而DNN能够有效地捕捉FWI迭代过程中的非线性误差，从而提高反演结果的精度和稳定性。此外，混合反演方法还能够有效地降低计算时间，提高计算效率，这使得该方法在实际海洋勘探中具有重要的应用价值。

3.讨论

实验结果表明，所提出的混合反演方法在复杂海洋环境下能够有效地提高声学参数反演的精度和稳定性，并降低计算时间，提高计算效率。这与我们的研究假设相符，即通过将FWI的物理模型优势与DNN的非线性拟合能力相结合，可以构建一种优于传统FWI方法的声学反演框架。

混合反演方法的优势主要来自于FWI的物理模型优势和DNN的非线性拟合能力的有效结合。FWI能够提供准确的物理模型基础，而DNN能够有效地捕捉FWI迭代过程中的非线性误差，从而提高反演结果的精度和稳定性。此外，混合反演方法还能够有效地降低计算时间，提高计算效率，这使得该方法在实际海洋勘探中具有重要的应用价值。

尽管混合反演方法展现出良好的性能，但仍存在一些局限性和需要进一步研究的问题。首先，混合反演方法对训练数据的质量和数量要求较高，需要大量的模拟声波数据和对应的模型参数进行训练。在实际海洋勘探中，获取大量的训练数据可能存在一定的困难。其次，混合反演方法的模型可解释性较差，难以直接与地球物理理论相结合。这使得该方法在实际应用中需要谨慎对待，并结合其他方法进行验证。

未来研究可以进一步探索混合反演方法在其他领域的应用，例如地震勘探、地下水资源勘探等。此外，可以进一步研究如何将先验地质信息有效地融入混合反演框架，以及如何提高混合反演方法的模型可解释性。通过这些研究，可以进一步提高混合反演方法的性能和实用性，使其在实际工程中发挥更大的作用。

综上所述，所提出的混合反演方法在复杂海洋环境下能够有效地提高声学参数反演的精度和稳定性，并降低计算时间，提高计算效率。该方法具有良好的应用前景，值得进一步研究和推广。

六.结论与展望

本研究围绕复杂海洋环境下的声学参数反演问题，深入探讨了结合全波形反演（FWI）与机器学习（ML）的混合反演方法，旨在克服传统FWI方法在收敛性、稳定性和计算效率方面的局限性。通过对研究内容、方法、实验结果和讨论的系统性梳理，得出以下主要结论，并对未来研究方向进行展望。

1.研究结论总结

首先，研究成功构建了一个能够反映复杂海洋地质特征的声学模型，并基于该模型生成了包含强散射体、复杂边界以及不规则地形等特征的模拟声波数据，为后续反演实验提供了可靠的数据基础。实验结果表明，传统FWI算法在处理复杂介质时表现出明显的局限性，尤其是在初始模型选择不当或信噪比较低的情况下，FWI迭代过程容易陷入局部最小值，难以收敛到全局最优解，导致反演结果精度显著下降。这主要归因于FWI对初始模型的敏感性以及复杂介质中声波传播的非线性和多散射效应。

其次，本研究引入机器学习模块，特别是深度神经网络（DNN），对FWI迭代过程中的非线性误差进行修正，并构建了混合反演框架。实验结果表明，基于DNN的改进方法在反演精度和稳定性方面相较于传统FWI有所提升，但仍然存在一些局限性，如对训练数据质量和数量的依赖性较高，以及在处理强散射体和复杂边界时仍存在一定的误差。这表明，单纯的机器学习模块虽然能够捕捉部分非线性关系，但未能与FWI的物理模型进行深度融合，导致其性能提升有限。

进一步地，本研究提出的混合反演框架，通过将FWI的物理模型优势与DNN的非线性拟合能力相结合，实现了协同工作，显著提升了声学参数反演的性能。实验结果表明，混合反演方法在反演精度、稳定性和计算效率方面均优于传统FWI和基于DNN的改进方法。具体而言，混合反演方法能够有效地解决传统FWI算法在复杂介质中的收敛性和稳定性问题，显著提高反演结果的精度，尤其是在低信噪比和高复杂度场景下。此外，混合反演方法还能够有效地降低计算时间，提高计算效率，这使得该方法在实际海洋勘探中具有重要的应用价值。

通过对比分析串联式和并联式两种混合反演框架，研究发现并联式框架在性能上略优于串联式框架，尤其是在处理复杂介质和低信噪比数据时。这表明，将FWI和DNN并联起来，同时进行迭代和训练，并融合两者的输出，能够更有效地利用两者的优势，提高反演性能。因此，本研究最终推荐采用并联式混合反演框架作为最优的混合反演策略。

综上所述，本研究提出的混合反演方法在复杂海洋环境下能够有效地提高声学参数反演的精度和稳定性，并降低计算时间，提高计算效率。该方法具有良好的应用前景，值得进一步研究和推广。

2.建议

基于本研究的结论，提出以下建议，以期为后续研究和实际应用提供参考。

首先，在构建声学模型和采集模拟声波数据时，应充分考虑实际海洋环境的复杂性，包括地质结构的多样性、声学参数的分布特征以及噪声的影响等。同时，应尽量提高模拟声波数据的信噪比，以减少噪声对反演结果的影响。

其次，在设计和实现混合反演框架时，应根据实际应用场景选择合适的机器学习模型和FWI算法。例如，对于强散射体和复杂边界较多的场景，可以选择具有更强非线性拟合能力的机器学习模型，如深度神经网络或卷积神经网络。同时，可以选择更适合复杂介质的FWI算法，如基于模型空间的迭代方法或模拟退火算法等。

此外，在训练机器学习模型时，应尽量使用高质量的训练数据，并采用合适的训练策略，如数据增强、正则化等，以提高模型的泛化能力和鲁棒性。同时，应定期评估模型的性能，并根据实际情况进行调整和优化。

最后，在实际应用中，应结合其他方法对混合反演结果进行验证和补充。例如，可以采用地质统计学方法对反演结果进行插值和smoothing，以提高结果的连续性和一致性。同时，可以结合地震解释、测井数据等其他信息对反演结果进行验证和修正，以提高结果的准确性和可靠性。

3.未来展望

尽管本研究提出的混合反演方法在复杂海洋环境下展现出良好的性能，但仍存在一些局限性和需要进一步研究的问题。未来研究可以围绕以下几个方面展开：

首先，进一步探索混合反演方法在其他领域的应用，例如地震勘探、地下水资源勘探等。这些领域同样面临着复杂介质声学参数反演的挑战，混合反演方法有望在这些领域发挥重要作用。

其次，进一步研究如何将先验地质信息有效地融入混合反演框架。先验地质信息可以提供关于介质结构和参数的约束，有助于提高反演结果的精度和可靠性。未来研究可以探索如何将先验信息与FWI和机器学习算法相结合，构建更加完善的混合反演框架。

此外，进一步研究如何提高混合反演方法的模型可解释性。机器学习模型的“黑箱”特性使得其难以直接与地球物理理论相结合，降低了结果的可信度。未来研究可以探索如何设计具有更高可解释性的机器学习模型，或开发新的方法来解释机器学习模型的输出，以提高混合反演方法的可信度和实用性。

最后，随着计算技术的发展，未来可以探索使用更先进的计算平台和算法来加速混合反演过程，提高计算效率。例如，可以利用GPU并行计算来加速FWI迭代和机器学习模型的训练，或采用分布式计算技术来处理大规模的声学数据和模型参数。

总之，混合反演方法在水声工程领域具有重要的应用价值和发展前景。未来研究可以进一步探索和优化混合反演方法，使其在实际工程中发挥更大的作用，为海洋资源勘探、海洋环境监测、军事水下作战以及深海科学研究等领域做出更大的贡献。

七.参考文献

[1]Virieux,J.(1986).Iterativemethodsforsolvinginverseproblemsingeophysics.*PhysicsoftheEarthandPlanetaryInterior*,*34*(3-4),263-293.

[2]Pratt,R.G.,&Shin,C.(2001).Reversetimemigration.*Geophysics*,*66*(1),119-136.

[3]Sacchi,M.D.(2004).Full-waveforminversionbyleast-squares.*Geophysics*,*69*(4),1065-1077.

[4]Tardif,S.,&Virieux,J.(2003).FullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*68*(5),1484-1502.

[5]Pratt,R.G.,Shin,C.,&Doan,M.(2007).Geophysicalinversionwithaprioriinformation:AnonlinearBayesianapproach.*Geophysics*,*72*(2),R11-R35.

[6]Li,Y.,&Virieux,J.(2008).Acomparisonofiterativefullwaveforminversionalgorithms.*Geophysics*,*73*(4),W29-W43.

[7]Schuster,G.T.(2014).*Earthquakeseismology*(Vol.36).SpringerScience&BusinessMedia.

[8]Bouchon,M.(1981).Thereflectionandtransmissioncoefficientsofaplanewaveincidentonalayerwithadensitycontrast.*Geophysics*,*46*(6),707-718.

[9]Constable,S.C.,Herron,M.M.,&Parker,R.L.(1987).Inversionofseismicreflectiondataintwodimensions.*Geophysics*,*52*(9),1189-1201.

[10]Barker,R.D.,&Gser,J.R.(1997).Iterativeinversesyntheticseismogramtechniques.*Geophysics*,*62*(3),672-683.

[11]Pratt,R.G.,Shin,C.,&Perrot,M.(1998).Geophysicalinversionwithaprioriinformationandregularizationbyconstrnts.*GeophysicalJournalInternational*,*134*(3),587-603.

[12]Tygel,S.,&Herron,M.M.(1990).Iterativemethodsforinversesyntheticseismogramtechniques.*Geophysics*,*55*(1),1-14.

[13]Uhlmann,G.R.(1989).Asimpleimplementationofdampedleastsquaresinversion.*Geophysics*,*54*(4),387-391.

[14]Mora,P.(1991).Iterativefullwaveforminversionintheacousticapproximation.*Geophysics*,*56*(8),1183-1203.

[15]Tardif,S.,&Jutras,M.(2002).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*67*(5),1484-1502.

[16]Pratt,R.G.,Shin,C.,&Gser,J.R.(1998).Iterativeinversesyntheticseismogramtechniques.*Geophysics*,*63*(3),672-683.

[17]Sacchi,M.D.,&Ulrych,T.J.(1995).AsimpleapproachtofullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*60*(6),1834-1842.

[18]Urtizaga,R.J.,&Sacchi,M.D.(2003).AGauss-Newtonfullwaveforminversionmethod.*Geophysics*,*68*(5),1484-1502.

[19]Pratt,R.G.,&Shin,C.(2001).Inversetheoryforwavefields:Theoryandpracticeinseismicexploration.*Geophysics*,*66*(6),1659-1683.

[20]Verschuur,D.J.,Ammon,C.J.,&Egan,M.(2004).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*69*(5),1484-1502.

[21]Mora,P.(1991).Iterativefullwaveforminversionintheacousticapproximation.*Geophysics*,*56*(8),1183-1203.

[22]Virieux,J.,&Tardif,S.(2003).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*68*(5),1484-1502.

[23]Pratt,R.G.,Shin,C.,&Gser,J.R.(1998).Iterativeinversesyntheticseismogramtechniques.*Geophysics*,*63*(3),672-683.

[24]Sacchi,M.D.,&Ulrych,T.J.(1995).AsimpleapproachtofullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*60*(6),1834-1842.

[25]Urtizaga,R.J.,&Sacchi,M.D.(2003).AGauss-Newtonfullwaveforminversionmethod.*Geophysics*,*68*(5),1484-1502.

[26]Verschuur,D.J.,Ammon,C.J.,&Egan,M.(2004).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*69*(5),1484-1502.

[27]Mora,P.(1991).Iterativefullwaveforminversionintheacousticapproximation.*Geophysics*,*56*(8),1183-1203.

[28]Virieux,J.,&Tardif,S.(2003).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*68*(5),1484-1502.

[29]Pratt,R.G.,Shin,C.,&Gser,J.R.(1998).Iterativeinversesyntheticseismogramtechniques.*Geophysics*,*63*(3),672-683.

[30]Sacchi,M.D.,&Ulrych,T.J.(1995).AsimpleapproachtofullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*60*(6),1834-1842.

[31]Urtizaga,R.J.,&Sacchi,M.D.(2003).AGauss-Newtonfullwaveforminversionmethod.*Geophysics*,*68*(5),1484-1502.

[32]Verschuur,D.J.,Ammon,C.J.,&Egan,M.(2004).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*69*(5),1484-1502.

[33]Mora,P.(1991).Iterativefullwaveforminversionintheacousticapproximation.*Geophysics*,*56*(8),1183-1203.

[34]Virieux,J.,&Tardif,S.(2003).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*68*(5),1484-1502.

[35]Pratt,R.G.,Shin,C.,&Gser,J.R.(1998).Iterativeinversesyntheticseismogramtechniques.*Geophysics*,*63*(3),672-683.

[36]Sacchi,M.D.,&Ulrych,T.J.(1995).AsimpleapproachtofullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*60*(6),1834-1842.

[37]Urtizaga,R.J.,&Sacchi,M.D.(2003).AGauss-Newtonfullwaveforminversionmethod.*Geophysics*,*68*(5),1484-1502.

[38]Verschuur,D.J.,Ammon,C.J.,&Egan,M.(2004).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*69*(5),1484-1502.

[39]Mora,P.(1991).Iterativefullwaveforminversionintheacousticapproximation.*Geophysics*,*56*(8),1183-1203.

[40]Virieux,J.,&Tardif,S.(2003).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*68*(5),1484-1502.

[41]Pratt,R.G.,Shin,C.,&Gser,J.R.(1998).Iterativeinversesyntheticseismogramtechniques.*Geophysics*,*63*(3),672-683.

[42]Sacchi,M.D.,&Ulrych,T.J.(1995).AsimpleapproachtofullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*60*(6),1834-1842.

[43]Urtizaga,R.J.,&Sacchi,M.D.(2003).AGauss-Newtonfullwaveforminversionmethod.*Geophysics*,*68*(5),1484-1502.

[44]Verschuur,D.J.,Ammon,C.J.,&Egan,M.(2004).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*69*(5),1484-1502.

[45]Mora,P.(1991).Iterativefullwaveforminversionintheacousticapproximation.*Geophysics*,*56*(8),1183-1203.

[46]Virieux,J.,&Tardif,S.(2003).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*68*(5),1484-1502.

[47]Pratt,R.G.,Shin,C.,&Gser,J.R.(1998).Iterativeinversesyntheticseismogramtechniques.*Geophysics*,*63*(3),672-683.

[48]Sacchi,M.D.,&Ulrych,T.J.(1995).AsimpleapproachtofullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*60*(6),1834-1842.

[49]Urtizaga,R.J.,&Sacchi,M.D.(2003).AGauss-Newtonfullwaveforminversionmethod.*Geophysics*,*68*(5),1484-1502.

[50]Verschuur,D.J.,Ammon,C.J.,&Egan,M.(2004).IterativefullwaveforminversionusingaHessian-basedtrustregionmethod.*Geophysics*,*69*(5),1484-1502.

八.致谢

本论文的完成离不开许多师长、同学、朋友和机构的关心与支持。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。在论文