1. 课程导入与反问题认知
在工程与科学计算中，我们习惯的思维方式通常是“已知原因，求结果”。给定材料参数、边界条件和初始状态，通过物理模型计算温度分布、位移场或图像成像结果——这类问题称为正问题。它之所以“正”，是因为从输入到输出的映射是明确的、适定的：解存在、唯一且连续依赖于输入数据。
反问题则把这条因果链倒过来：我们观测到了结果（温度、位移、模糊图像、传感器读数），希望反推导致这一结果的原因（热源位置、材料参数、原始清晰图像、系统内部结构）。这一“倒推”看似只是把公式反解，实际上却带来了本质困难——反问题通常不适定：解可能不存在、不唯一，或对观测数据的微小扰动极度敏感。理解这一点，是整门课程的认知起点。
正问题与反问题的对照
以热传导为例。正问题：一块厚度为 L 的平板，已知导热系数 k、初始温度分布 T(x,0) 和边界热流 q(t)，求解任意时刻的温度场 T(x,t)。这是标准的热传导方程初边值问题，数值上可用有限差分稳定求解。反问题则可能是：在平板内部布置若干温度传感器，测得 T(x_i,t)，反推边界热流 q(t) 或内部热源分布。此时传感器数量有限、测量含噪声，且热传导本身具有“平滑”效应——高频信息在正向传播中被衰减，反向恢复时就被放大，噪声因此被剧烈放大。
再看图像去模糊。正问题：清晰图像经过已知模糊核（如高斯核或运动模糊核）卷积，再叠加噪声，得到模糊图像。反问题：仅凭模糊图像和模糊核，恢复清晰图像。若模糊核未知，则还需同时估计核与图像，称为盲去模糊。参数辨识同样如此：已知系统结构和输入输出数据，估计模型中的未知参数（如弹簧刚度、阻尼系数、电池内阻）。
反问题的三类典型形态
从数学结构看，本课程涉及的反问题大致分为三类，它们共享“不适定”这一核心难点，但求解策略各有侧重：
- 函数反演型：待求量是一个函数或场，如热传导中的边界热流 q(t)、分布参数 k(x)。未知量维度高，通常需要正则化约束。
- 参数辨识型：待求量是有限个参数，如刚度、阻尼、传热系数。维度低，但模型可能非线性，常用最小二乘、优化或贝叶斯方法。
- 逆卷积/去噪型：待求量是原始信号或图像，正向过程是卷积或线性算子。核心是抑制噪声放大。
下图展示了正问题与反问题在同一因果链上的方向差异，以及三类反问题在“待求对象”上的分布。请注意图中箭头方向：正问题沿模型正向传播，反问题则从观测数据逆向回溯，并需要额外的先验或正则化信息来稳定求解。
为什么反问题“难”：一个可感知的示例
设一维热传导中，观测温度带有标准差 σ=0.1℃ 的随机噪声。正向过程中，边界热流的高频分量经过热扩散后被强烈衰减；反过来，当我们试图从温度反推热流时，这些被衰减的高频分量需要除以一个很小的数才能恢复，噪声也随之被放大数十倍甚至上百倍。结果就是：直接反解得到的 q(t) 剧烈振荡，完全不可用。这正是“不适定”的直观含义，也是为什么反问题求解几乎总离不开正则化——用先验知识（如光滑性、稀疏性、参数范围）约束解空间，在“拟合数据”和“保持合理解”之间取得平衡。
参数辨识型问题的不适定性表现略有不同。例如用输入输出数据辨识二阶系统的刚度 k 和阻尼 c，若激励信号频率远离系统共振区，则不同参数组合可能产生几乎相同的响应，导致参数不可辨识或估计方差极大。此时需要从实验设计入手，选择能激发系统关键模态的激励，而不是单纯依赖算法。