2. 信号与系统基础回顾

反卷积与噪声抑制反演的所有推导，最终都要落回到一个朴素的观测模型上：我们手里只有被系统“改造”过、又被噪声污染的输出，却想还原从未直接见过的输入。要把这件事说清楚，必须先回答三个问题：系统对信号做了什么（卷积的物理意义）、用什么刻画系统（线性时不变与冲激响应）、以及如何在频域把“改造”变成可逆或可正则化的代数关系（传递函数）。本节围绕这三件事建立从观测模型到反演问题的统一数学表述。

一、卷积不是抽象运算，而是“记忆的加权叠加”

设系统输入为 x(t)，输出为 y(t)。连续时间卷积写作

y(t) = ∫ x(τ)·h(t−τ) dτ = x(t) * h(t)

它的物理含义可以逐层拆开。把输入看成无数个窄脉冲的叠加：在时刻 τ 处，输入近似为 x(τ)dτ 的冲激。系统对单位冲激的响应是 h(t)，由时不变性，在 τ 时刻施加的冲激产生的响应就是 h(t−τ)。再由线性，把所有时刻的响应叠加，就得到上式。因此卷积的本质是：当前输出是过去所有输入按系统冲激响应加权、并按时间延迟对齐后的累加。h 就是系统的“记忆核”，它决定了每个历史输入对当前输出的贡献权重。

离散情形同理：y[n] = Σ x[k]·h[n−k]。工程上常把 h 称为系统的脉冲响应或核函数。若 h 是有限长的（FIR），记忆长度有限；若 h 是无限长或含反馈（IIR），则存在更长的拖尾。这一点直接决定了反演的难度：记忆越长、核越“模糊”，反演越病态。

二、线性时不变系统：两个假设撑起整套理论

线性包含齐次性与可加性：输入放大 a 倍，输出也放大 a 倍；两个输入之和的响应等于各自响应之和。时不变性指系统参数不随时间漂移：输入延迟 t₀，输出只延迟 t₀ 而波形不变。二者合起来（LTI）带来一个关键结论：LTI 系统完全由冲激响应 h(t) 唯一确定，任意输入的输出都可由卷积得到。这正是反演问题能够被“参数化”的前提——我们不需要知道系统内部结构，只要拿到 h 或它的频域形式，就能写出输入输出关系。

需要提醒的是，真实系统往往只在有限范围内近似 LTI：放大器可能饱和（非线性），器件温漂会使 h 缓慢变化（时变）。反演前应确认工作区间，否则模型失配会以系统误差的形式混入结果，且很难与噪声区分。

三、冲激响应与传递函数：时域与频域的一对镜像

对卷积做傅里叶变换，卷积定理给出频域乘法：

Y(f) = H(f)·X(f) + N(f)
H(f) = Y(f)/X(f)   （无噪声、X(f)≠0 时）

H(f) 即传递函数（频率响应），它是 h(t) 的傅里叶变换，描述系统对各频率分量的幅度缩放与相位偏移。时域的“加权叠加”在频域变成“逐点相乘”，这让反演看起来极其简单：X(f) = Y(f)/H(f)。但问题恰恰藏在这里——当 |H(f)| 在某些频段接近零时，除法会把该频段的噪声放大到不可接受的程度。这就是反卷积病态性的频域根源。

下图把“观测模型—频域除法—病态放大”这条主线画成一条信号链，并标出噪声在何处被放大。

四、从观测模型到反演问题：把“求逆”写成优化

综合以上，观测模型可统一写成

y = H x + n

其中 H 是由 h 构造的卷积矩阵（或频域对角算子），n 为噪声。反演的目标不是机械地求 H⁻¹y，而是寻找在数据拟合与解的合理性之间平衡的估计：

x̂ = argmin_x  ||y − Hx||² + λ·R(x)

第一项要求估计能重现观测，第二项 R(x) 是正则项（如 Tikhonov 的 ||x||²、全变分的梯度稀疏、稀疏先验的 L1 等），λ 控制两者权衡。λ 过小则噪声被放大、结果剧烈振荡；过大则过度平滑、丢失细节。这个“偏差—方差”权衡，正是后续章节要反复处理的核心。

五、一个可手算的示例：两点核与频域零点

设离散系统为两点平均核 h = [0.5, 0.5]，输入 x = [1, 3, 2, 0]，无噪声时输出为 y = [0.5, 2, 2.5, 1, 0]（按零填充卷积）。其频率响应为 H(ω) = 0.5 + 0.5e^{−jω} = cos(ω/2)·e^{−jω/2}，在 ω = π（即最高离散频率）处 |H| = 0。这意味着该频率分量被系统完全抹掉，任何反演都无法从 y 中恢复它；若此时叠加了噪声，1/|H| 在该频点趋于无穷，直接反演会得到发散的结果。这个例子说明：反演的可行性由 H 的谱特性决定，而不是由算法复杂度决定。实际处理时，我们通常在该频段施加正则化或直接限带，而不是强行求逆。