3. 参数反演问题的数学表述
在动力系统参数反演中，我们面对的从来不是一个孤立的“拟合”任务，而是一对相互定义的数学问题。先把这对问题说清楚，后面的目标函数、约束和求解算法才有立足点。
正问题与反问题：一对互为镜像的映射
设动力系统由参数化模型描述：状态量 x(t) 满足 ẋ = f(x, θ, u, t)，观测方程为 y = h(x, θ) + ε。其中 θ ∈ ℝ^p 是待反演的参数（如惯量、阻尼、增益、时间常数），u 是已知输入，ε 是观测噪声。
正问题是：给定 θ、初值 x₀ 和输入 u，通过数值积分求出状态轨迹与观测输出 y。它是一个“由因推果”的映射 F: θ ↦ y，通常良定义、可唯一求解，但可能对参数敏感。反问题则是：给定观测数据 y_obs，寻找使 F(θ) 与 y_obs 最接近的 θ。它“由果溯因”，往往是不适定的——解可能不存在（噪声与模型误差导致无精确解）、不唯一（不同参数组合产生几乎相同的输出）、或不稳定（观测的微小扰动引起参数剧烈变化）。
理解这一点非常关键：反演的困难并不来自优化算法不够强，而来自反问题本身的结构性缺陷。算法只能缓解，不能消除。
适定性分析：先判断问题能不能解
Hadamard 意义下的适定性要求解存在、唯一、且连续依赖于数据。工程中更实用的判据是局部可辨识性：在真值 θ* 附近，输出对参数的灵敏度矩阵
S = ∂y/∂θ = [∂y/∂θ₁, ∂y/∂θ₂, …, ∂y/∂θ_p]若 S 列满秩且最小奇异值 σ_min 不过小，则参数局部可辨识；若某两列近似线性相关（例如两个时间常数相近的一阶环节串联），对应参数组合几乎不可分，反演结果会沿某个方向大幅漂移。此时应通过条件数 κ(S) = σ_max/σ_min 量化病态程度，并据此决定是否需要补充激励、增加测点或减少待辨识参数。
优化视角：目标函数与约束的构造
把反问题转化为优化问题，是最通用的工程路径。核心是构造一个标量目标函数，度量模型输出与观测的偏离：
J(θ) = Σᵢ wᵢ · ‖y_model(tᵢ; θ) − y_obs(tᵢ)‖² + λ·R(θ)其中 wᵢ 是时间加权（可突出关键工况段），R(θ) 是正则项（如 ‖θ‖² 或 ‖θ − θ_prior‖²），λ 控制正则强度。正则化的作用正是把不适定问题“拉回”适定：它在目标函数中引入对参数幅值或先验的偏好，抑制那些对输出影响微弱、却能被噪声随意推动的参数方向。
约束条件同样不可省略，且应来自物理与工程事实：参数上下界（阻尼必须为正、时间常数有物理范围）、参数间关系（如 θ₁ + θ₂ = 1 的分配系数）、状态约束（中间变量不得越界）。写成标准形式：
min_θ J(θ)
s.t. θ_min ≤ θ ≤ θ_max
g(θ) ≤ 0 （参数间等式/不等式关系）求解时，梯度类方法（如 Levenberg–Marquardt）需要 ∂J/∂θ，可通过灵敏度方程或有限差分获得；若目标函数非凸、参数维度较高，可先用全局搜索（如差分进化）定位初值，再用局部方法精修。判断收敛不能只看 J 下降，还要看参数是否落在约束边界、残差是否已接近噪声水平——若残差远大于噪声，说明模型结构有误，继续调参只会过拟合。
一个可复现的示例：二阶系统双参数反演
考虑一个典型教学示例（以下数值为合理假设，非实测）：二阶系统 ẍ + 2ζωₙẋ + ωₙ²x = u(t)，待辨识 θ = [ζ, ωₙ]，真值设为 ζ*=0.15、ωₙ*=8 rad/s。输入为幅值 1 的阶跃，采样 0.01 s，观测叠加标准差 0.01 的高斯噪声。
第一步做灵敏度检查：对 ζ 施加 ±5% 扰动，输出峰值变化约 3%；对 ωₙ 施加 ±5%，振荡周期变化约 5%。两者灵敏度量级相近，条件数约 12，属于可辨识但偏病态的情形，需要正则化辅助。
第二步构造目标函数：取 wᵢ=1，R(θ)=‖θ−θ_prior‖²，先验取 [0.3, 6]，λ=0.01。约束设为 0.01≤ζ≤1.0、1≤ωₙ≤30。用 Levenberg–Marquardt 从初值 [0.5, 5] 迭代，约 20 步后 J 从 0.42 降至 0.0031，残差均方根约 0.011，与噪声水平 0.01 相当，说明拟合已到位而非过拟合。反演结果 ζ̂≈0.16、ω̂ₙ≈7.9，与真值偏差在 7% 以内。
若去掉正则项重跑，ζ̂ 会漂到 0.22 附近、ω̂ₙ 降到 7.6，残差反而略小——这正是过拟合的典型信号：残差低于噪声水平、参数偏离真值。因此判断反演质量不能只看 J 的大小，必须结合噪声水平、参数边界和物理合理性综合判断。
综上，参数反演的数学表述可以概括为：以正问题为可计算的正向映射，以适定性分析判断反问题是否值得求解、哪些参数可辨识，再以带正则项和物理约束的优化问题把反演落地为可执行的计算任务。三者缺一不可，顺序也不宜颠倒。