1.一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，该方法包括以下步骤：
步骤s1：选取测船航迹周围一定海域内的历史水温、盐度及压力数据，采用声速经验公式计算得到相应的历史声速剖面v＝{v1,v2,v3,…,vn}，vn为第n个历史声速剖面；
步骤s2：采用akima插值方式标准化历史声速剖面群的垂向分层vi＝{v1,v2,v3,…,vn}，其中i＝{1,2,3,…,n}；
步骤s3：对步骤s2中标准化历史声速剖面群进行正交经验函数分析，获得重构系数范围与表征海区声速主要变化特征的特征向量；
步骤s4：初始化遗传算法、搭建神经网络模型，来构建遗传算法优化神经网络模型；
步骤s5：利用历史声速场信息：表层声速、位置信息、深度及特征向量数据，训练步骤s4构建的模型；
步骤s6：向步骤s5中完成训练作业的模型中输入实测表层声速、位置信息、深度及所选海区特征向量，获取反演声速剖面；
步骤s7：利用反演声速剖面，采用常梯度声线跟踪方式对水深数据进行声速改正，得到改正后的航渡式水深数据。
2.根据权利要求1所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s1中，依据航渡式测量工作中记录的位置信息，并按照行业规范要求或作业人员需要，选取需要进行声速剖面反演的站点，同时获取该站点周围2海里范围内的历史温度、盐度及压力信息，将这些信息采用chen-millero声速经验公式转换计算获得历史声速剖面群v＝{v1,v2,v3,…,vn}，vn为第n个历史声速剖面；所述chen-millero声速经验公式：
v＝cw(t,p)+a(t,p)s+b(t,p)s3/2+d(t,p)s2
cw(t,p)＝(c00+c01t+c02t2+c03t3+c04t4+c05t5)+(c10+c11t+c12t2+c13t3+c14t4)p+(c20+c21t+c22t2+c23t3+c24t4)p2+(c30+c31t+c32t2)p3
a(t,p)＝(a00+a01t+a02t2+a03t3+a04t4)+(a10+a11t+a12t2+a13t3+a14t4)p+(a20+a21t+a22t2+a23t3)p2+(a30+a31t+a32t2)p3
b(t,p)＝b00+b01t+(b10t2+b11t3)p
d(t,p)＝d00+d10p
其中，t表示温度，℃；s表示盐度；v表示声速剖面中的各层声速值，m/s；p为压力，bar；适用于t∈[0,35],s∈[5,40],p∈[0,1000]的海域。
3.根据权利要求1或2所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s3中，对标准化的历史声速剖面群进行eof分析，提取出能表征该海区声速主要变化特征的前k阶特征向量eofk＝{e1,e2,e3,…,ek}，其中，前k阶特征向量所表示声速剖面起伏的能量百分比高于95％；并获得重构系数范围
4.根据权利要求1或2所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s4中，遗传算法优化神经网络模型构建包括神经网络模型与遗传算法模型的构建：
所述神经网络模型包括输入表层声速、位置信息、深度与前k阶特征向量的输入层、调节权值与阈值的隐含层和输出反演声速剖面的输出层；
所述遗传算法模型依据神经网络的总节点数、前k阶重构系数的范围、确定种群个数和遗传代数来进行初始化，并通过每代中适应度值最高的个体替代上代中适应度值最低的个体，来加快寻找最优参数个体过程；其中，构造的适应度函数为：
其中，vij表示第i个站点样本的第j个声速值，v′ij表示相应位置处的反演声速值。
5.根据权利要求3所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s4中，遗传算法优化神经网络模型构建包括神经网络模型与遗传算法模型的构建：
所述神经网络模型包括输入表层声速、位置信息、深度与前k阶特征向量的输入层、调节权值与阈值的隐含层和输出反演声速剖面的输出层；
所述遗传算法模型依据神经网络的总节点数、前k阶重构系数的范围、确定种群个数和遗传代数来进行初始化，并通过每代中适应度值最高的个体替代上代中适应度值最低的个体，来加快寻找最优参数个体过程；其中，构造的适应度函数为：
其中，vij表示第i个站点样本的第j个声速值，v′ij表示相应位置处的反演声速值。
6.根据权利要求1、2或5所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s5中，将步骤s3得到的前k阶特征向量eofk、所选历史声速剖面群的表层声速数据、声速剖面位置数据、深度数据输入步骤s4中构建的模型中，调整模型中的权值与阈值，进行训练，得到最优的神经网络权值与阈值。
7.根据权利要求3所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s5中，将步骤s3得到的前k阶特征向量eofk、所选历史声速剖面群的表层声速数据、声速剖面位置数据、深度数据输入步骤s4中构建的模型中，调整模型中的权值与阈值，进行训练，得到最优的神经网络权值与阈值。
8.根据权利要求4所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s5中，将步骤s3得到的前k阶特征向量eofk、所选历史声速剖面群的表层声速数据、声速剖面位置数据、深度数据输入步骤s4中构建的模型中，调整模型中的权值与阈值，进行训练，得到最优的神经网络权值与阈值。
9.根据权利要求1、2、5、7或8所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s6中，依据船舶航行时测得的表层声速或间接通过遥感卫星得到的表层声速f1，结合各站点的位置信息、所选海域平均深度和步骤s3得到的前k阶特征向量，输入步骤s5中已训练完成的模型中，然后获取反演得到的声速剖面f＝[f1,f2,f3,...,fn]。
10.根据权利要求6所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤s6中，依据船舶航行时测得的表层声速或间接通过遥感卫星得到的表层声速f1，结合各站点的位置信息、所选海域平均深度和步骤s3得到的前k阶特征向量，输入步骤s5中已训练完成的模型中，然后获取反演得到的声速剖面f＝[f1,f2,f3,...,fn]。