1.一种基于深度学习的瑞雷波频散曲线反演方法，其特征在于，包括以下步骤：(1)搭建用于反演的深度学习网络；

(2)建立由地层数据组成的数据集用于训练网络；进行关于瑞雷波的数据模型建立，并以此来训练学习网络；在进行数据构建时，根据对大自然中的多种模型种类的总结，设置不同情况模型所占比例；

(3)训练深度学习网络并验证；深度学习网络为CNN‑LSTM混合网络结构，网络结构运行包括训练数据和测试网络两个部分；在开始时将样本数据库随机分为训练数据和测试数据两组，对应比例为10∶1；在训练前，需要将输入和输出值通过激活函数进行标准化，使其变化在[0，1]范围内；激活函数包括sigmoid函数fsigmoid(x)、tanh函数ftanh(x)和ReLU函数fReLU(x)，数学表达式如下：‑x

fsigmoid(x)＝1/(1+e )

x ‑x x ‑x

ftanh(x)＝(e‑e )/(e+e )

fReLU(x)＝max(x，0)

对瑞雷波进行地震数据采集，采集的地震数据叠加形成频散曲线能量图，利用深度学习的方法在能量谱中提取频散曲线，反演频散曲线以获取地下各层的剪切波速。

2.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，对瑞雷波进行地震数据采集，是通过在地面上击锤的方法制造人工震源，再通过检波器接受震源发生的地震波来获取地震信息。

3.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，用于反演的深度学习网络包括卷积神经网络、深度置信网络、循环神经网络及生成对抗网络中的至少一种。

4.根据权利要求1所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，将大自然中的地层模型分为逐层递增、从某层开始发生异常并延续、某几层发生突变三种情况，并根据所述三种情况设置数据集类型。

5.根据权利要求4所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，将所述三种情况进行合理配比时引入了马尔科夫决策理论，通过马尔科夫决策理论决定出发生异常情况的某一层或几层，为所述一层或几层赋予新的横波波速来控制其变化。

6.权利要求1‑5任一项所述的基于深度学习的瑞雷波频散曲线反演方法，其特征在于，所述基于深度学习的瑞雷波频散曲线反演方法应用在隧道工程中。