1. 课程导入与问题界定
地球物理、医学成像、无损检测、大气遥感乃至金融参数标定，都会遇到同一类困境：我们真正想知道的模型参数藏在观测数据背后，而观测本身既不完整又带噪声。把“由观测数据推断模型参数”这件事形式化，就是反演问题。本课程聚焦的不是某一种具体反演算法，而是贯穿所有反演任务的一条主线——先验信息如何被设计、表达并注入反演过程。理解这条主线，才能在面对病态、欠定、多解的实际问题时，知道该往哪里加约束、加什么样的约束、加多少才合适。
反演问题的基本形式
设模型参数为向量 m（如地层速度、介质密度、源位置），观测数据为向量 d（如走时、振幅、投影值），正演算子 G 描述从模型到数据的物理映射，则观测方程可写为：
d = G(m) + n其中 n 为观测噪声与模型误差的综合。线性情形下 G 退化为矩阵，d = Gm + n；非线性情形下需在工作点附近线性化，用雅可比矩阵 J 代替 G，形成迭代格式。反演的任务就是求 m 的估计 m̂，使预测数据 G(m̂) 与实测数据 d 在某种范数意义下尽量接近。
问题在于，仅靠“数据拟合得好”往往不足以确定唯一解。当 G 的奇异值谱快速衰减、存在接近零的奇异值时，数据对某些模型方向几乎不敏感，微小的噪声会被放大成巨大的模型扰动，这就是病态性；当未知参数个数多于独立观测个数时，满足拟合要求的解有无穷多个，这就是欠定性。二者共同导致反演的多解性。一个只追求残差最小的最小二乘解，常常是剧烈振荡、物理上不可接受的模型。
先验信息在反演中的角色
先验信息是“在观测数据之外，我们本来就知道或合理相信的关于模型的知识”。它可以是定量的，如参数取值范围、平滑程度、参考模型；也可以是定性的，如“速度随深度单调增加”“异常体是连通的”“反射界面不超过三层”。在数学上，先验信息通常被编码为正则化项或约束条件，把反演从“拟合数据”变为“在数据拟合与先验符合之间求平衡”：
m̂ = argmin ‖G(m) − d‖² + λ·R(m)其中 R(m) 度量模型偏离先验的程度，λ 是权衡因子。以最常用的 Tikhonov 正则化为例，若先验是“模型应平滑”，则 R(m) = ‖Lm‖²，L 取一阶或二阶差分算子；若先验是“模型应接近参考模型 m₀”，则 R(m) = ‖m − m₀‖²。不同的 R 对应不同的先验假设，也直接决定了反演结果的结构特征——平滑先验给出渐变模型，稀疏先验给出块状或尖峰模型，全变差先验则倾向于保留界面而压制噪声。
需要强调的是，先验不是“随便加点东西让结果好看”。它必须与物理事实一致，并且其强度要可调、可检验。先验过强，数据的信息被压制，结果退化为先验本身；先验过弱，病态性重新暴露，噪声被放大。因此先验设计本质上是一个建模决策：选择什么形式的先验、用多大权重、如何验证先验是否合理，都需要结合数据残差、模型分辨率与物理可解释性综合判断。
一个可操作的示例：一维层状介质走时反演
为把上述概念落到可计算的程度，考虑一个简化示例（以下参数为教学假设，非实测数据）：某近地表两层介质，第一层厚度 h₁、速度 v₁，第二层速度 v₂，在 5 个炮检距上观测到初至走时。未知量为 m = [h₁, v₁, v₂]，共 3 个；观测 5 个，看似超定，但由于浅层走时对 v₂ 的敏感度很弱，雅可比矩阵的某一奇异值接近零，实际有效信息不足 3 个，问题仍呈病态。
此时若直接做最小二乘，v₂ 的估计会对走时中 1～2 ms 量级的拾取误差极其敏感，可能给出物理上不合理的跳变。引入先验“速度随深度递增且变化平缓”，即令 R(m) = (v₂ − v₁)² 并附加 v₂ ≥ v₁ 的约束，再取 λ = 0.1（示例取值，需按数据方差调整），反演结果会稳定得多。判断是否合理的依据不是单一残差，而是三条同时看：数据残差是否落在拾取误差量级内、模型是否满足 v₂ ≥ v₁、以及改变 λ 一个量级后解是否发生剧烈漂移。若 λ 从 0.01 变到 1 时解几乎不变，说明数据本身已足够约束；若解随 λ 大幅摆动，则说明先验权重需要更谨慎地标定。
课程目标与学习路径
本课程的目标可以概括为三层能力：看得清——能识别一个反演任务的病态性来源与多解性表现；设计得出——能针对具体物理问题选择合适的先验形式（平滑、稀疏、参考模型、硬约束、结构约束），并写出对应的正则化项；验证得了——能用残差分析、分辨率分析、参数扫描与物理合理性检查来判断先验设计是否恰当。
学习路径按“问题—工具—设计—验证—应用”推进：先建立反演问题与先验角色的统一框架（本章），再依次掌握正则化的数学表达与求解、不同先验类型的适用条件与实现、权衡因子的选取与不确定性评估，最后在若干典型场景中完成从问题分析到先验设计再到结果判读的完整闭环。每一章都会围绕真实的反演对象展开，而不是停留在公式推导。请带着一个你熟悉的反演场景进入后续学习——无论是地震走时、电阻率成像还是图像重建——把每章的方法对照到自己的问题上，先验设计的能力才会真正长出来。