3. 先验信息的数学表示

在反演问题中，“先验信息”如果只停留在口头描述——比如“模型应该比较平滑”“参数不应为负”“相邻道之间应连续”——就无法进入求解器。先验信息必须被翻译成数学对象，才能与数据残差一起参与优化或采样。本节要解决的核心问题就是：同一份先验知识，可以用哪几种数学形式表达，它们之间如何对应、如何互换，以及在什么场合该选哪一种。

反演问题的一般形式可写为数据方程 d = G(m) + ε，其中 m 是模型参数向量，d 是观测数据。先验信息的作用是给 m 的可行范围“加料”，使欠定问题变得可解或更稳定。常见的四种数学表示是：概率分布、正则化项、约束集合、以及按确定性程度划分的贝叶斯先验与确定性先验。它们并非彼此独立，而是同一枚硬币的不同侧面。

一、概率分布：把“相信什么”写成密度函数

概率分布是最完整的先验表示。若我们认为模型参数服从均值 m₀、协方差 Cₘ 的高斯分布，则先验密度为

p(m) ∝ exp[ -½ (m - m₀)ᵀ Cₘ⁻¹ (m - m₀) ]

这里 m₀ 是先验期望模型（例如平滑背景或测井外推结果），Cₘ 描述参数之间的相关性与不确定度：对角元大表示该参数先验约束弱，非对角元非零表示相邻参数倾向于同向变化。高斯先验的优点是解析方便、可与高斯似然共轭，后验仍是高斯分布；缺点是它无法表达“参数必须为正”这类硬性知识，只能通过截断或变换近似。

对于稀疏性先验（如地质界面反演中希望模型分段常数），常用拉普拉斯分布 p(m) ∝ exp(-λ‖Dm‖₁)，其重尾特性鼓励大部分差分接近零、少数位置出现跳变。概率分布形式的选择，本质上是在声明“我认为什么样的模型更可能出现”。

二、正则化项：把先验写成惩罚函数

在确定性反演框架下，我们通常不直接构造概率密度，而是求解

m̂ = argmin ‖G(m) - d‖² + α R(m)

其中 R(m) 就是正则化项，α 是权衡数据拟合与先验约束的权重。常见形式包括：Tikhonov 零阶 R = ‖m - m₀‖²（偏好接近参考模型）、一阶 R = ‖∇m‖²（偏好平滑）、二阶 R = ‖∇²m‖²（偏好线性趋势），以及全变差 R = ‖∇m‖₁（偏好分段常数、保留界面）。

关键对应关系是：正则化项就是先验概率密度的负对数。若 p(m) ∝ exp(-R(m))，则最大后验估计（MAP）等价于“数据残差 + 正则化项”的最小化。高斯先验对应二次正则化，拉普拉斯先验对应 L1 正则化。因此，写正则化项时，其实已经在隐式地选择一个先验分布；反过来，给定先验分布，也能立刻写出对应的惩罚函数。

三、约束集合：把先验写成可行域

有些先验是“硬”的，不允许违反。例如电阻率必须为正、孔隙度介于 0 与 1 之间、某断层两侧的模型必须满足不连续条件。这类知识用约束集合表达最自然：

m ∈ C,  C = { m | m_min ≤ m ≤ m_max,  A m = b }

约束集合可以看作“无限陡峭”的先验：在集合内概率均等，在集合外概率为零。它对应的是均匀分布先验与指示函数的乘积。在优化中，约束集合通过投影、罚函数或拉格朗日乘子实现；在贝叶斯采样中，则表现为拒绝域或截断分布。约束集合与正则化项常常配合使用：用约束保证物理可行性，用正则化在可行域内挑选“最像”的解。

四、贝叶斯先验与确定性先验的对应关系

把上述内容串起来，可以得到一张清晰的对应表。所谓“贝叶斯先验”，强调的是以概率分布 p(m) 描述不确定性，并通过贝叶斯公式得到后验；所谓“确定性先验”，强调的是以惩罚项或约束集合直接进入优化目标，不显式谈论概率。二者在 MAP 意义下是等价的：

• 高斯先验 N(m₀, Cₘ) ⇔ 二次正则化 ½(m-m₀)ᵀCₘ⁻¹(m-m₀)；
• 拉普拉斯先验 ⇔ L1 正则化 λ‖Dm‖₁；
• 均匀分布 + 指示函数 ⇔ 约束集合 m ∈ C；
• 先验越“宽”（方差大），正则化权重应越小；先验越“窄”，约束越强。

需要强调的是，这种等价只在 MAP 点估计层面成立。若关心后验的不确定度、置信区间或参数相关性，就必须保留完整的概率分布，而不能只留下一个惩罚项。确定性反演给出的是“一个解”，贝叶斯反演给出的是“解的分布”，这是两者最本质的区别。

五、实际选择：从知识到数学形式的落地

面对一个具体反演任务，可以按以下思路选择表示形式。第一，先问“这条先验是硬约束还是软偏好”。物理可行性（正性、上下界、等式关系）优先写成约束集合，避免优化过程中出现非物理中间解。第二，对“偏好平滑”“偏好接近参考模型”这类软知识，写成二次正则化，并明确参考模型 m₀ 与平滑算子 D。第三，若希望保留尖锐界面，改用 L1 或全变差正则化，并注意此时目标函数非光滑，需要迭代重加权或近端算法。第四，若任务还需要评估不确定度，则必须回到概率分布，用 MCMC 或集合卡尔曼等方法采样后验，而不能只报告一个 MAP 解。

举个教学示例（参数为合理假设，非实测）：某一维层状介质反演，模型为 20 层电阻率，先验认为电阻率在 10～1000 Ω·m 之间、相邻层对数电阻率差异较小。可设约束集合 10 ≤ m_i ≤ 1000，同时设一阶差分正则化 R = ‖Dm‖²，参考模型取测井外推的平滑曲线。若发现反演结果过度平滑、界面模糊，可把 R 换为 ‖Dm‖₁ 并适当增大 α，观察数据残差与模型粗糙度的权衡曲线（L 曲线）来选择权重。判断依据是：残差已接近噪声水平而模型仍保留合理界面，即为可接受解。

最后需要提醒一个常见误区：把正则化权重 α 当作纯调节参数随意试凑，而不追溯它对应的先验强度。实际上 α 与先验协方差 Cₘ、噪声方差 σ² 之间存在明确关系（在高斯情形下 α = σ²/Cₘ 的量级）。理解这层对应，才能在换数据、换工区时合理地迁移参数，而不是每次从零调参。