迭代反演（iterative inversion）是根据已知地质、地球物理信息，确定一个初始模型，然后正演计算模型的场效应。利用计算值与观测值的差值（剩余值）修改初始模型，然后再正演计算场值，根据比较结果再作模型修改。这样反复迭代，直到计算值与观测值的差值（或均方误差）达到预置精度，最终得到反演结果。迭代反演的关键问题是模型修改方法的选择，这将直接影响迭代收敛速度和结果的正确性。
Combined with very strong self-learning,self-adapting,self-organizing and fault-tolerant ability of neural network,the prediction power of conventional iterative inversion method is enhanced effectively.
由于神经网络具有很强的自学习、自适应、自组织和容错能力,它的反演预测能力非常强大,能够较精确地预测出所要求解的目标数据,同时结合传统迭代反演方法的优点,增强了该方法的反演预测能力。
参考来源 - 基于神经网络的面波迭代反演应用研究·2,447,543篇论文数据，部分数据来源于NoteExpress
为更好地消除表层多次波，应采用迭代反演的方法。
The surface-related multiples could be removed more effectively with the iterative inversion method.
引入模型约束的迭代反演方法求解该非线性问题的反演。
A model constrained linear iteration inversion method was introduced to dissolve the nonlinear problem.
计算量及计算机内存量过大是波动方程迭代反演中所面临的主要困难之一。
Too much computation and too big internal storage to be used are the main troubles we face in the iterative inversion of wave equation.
应用推荐