3. 不适定性的本质与表现

在正问题中，我们通常习惯一种“输入确定、输出唯一、结果稳定”的世界观：给定模型参数，仿真或计算总能得到唯一且可重复的解。反问题恰恰相反——我们拿到的是观测数据，希望倒推出模型或参数。Hadamard 在 20 世纪初提出，一个数学问题若被称为“适定”（well-posed），必须同时满足三个条件：解存在、解唯一、解连续依赖于数据。反问题建模中大量困难，本质上都是这三条中的某一条或几条被破坏。

先厘清三个条件的含义。存在性要求对任意允许的数据，问题都有解；唯一性要求解只有一个；稳定性（连续依赖性）要求数据发生微小扰动时，解也只发生微小变化。第三条最容易被忽视，却在实际工程中最致命：真实测量总带噪声，如果数据里 1% 的扰动能让解变化几十倍，那么即便解在数学上存在且唯一，数值上也无法可靠获得。这类问题被称为“病态”（ill-conditioned），它是不适定性在数值层面的典型表现。

一维反卷积：把不适定性“看见”

考虑一个最简洁的线性反问题——一维离散卷积。设真实信号为 x，测量系统（如传感器响应、光学模糊核）的冲激响应为 h，观测数据为 y，则正问题为：

y = h * x + n        （* 表示离散卷积，n 为测量噪声）

反问题就是已知 h 和 y，求 x。在频域中，卷积变为乘法：Y(ω) = H(ω)·X(ω) + N(ω)，于是形式上的反解为 X(ω) = Y(ω)/H(ω)。问题就出在这个除法上：许多实际系统的 H(ω) 在高频段迅速衰减趋近于零，而噪声 N(ω) 通常在全频段都有能量。当 H(ω) 很小时，N(ω)/H(ω) 会被急剧放大，高频噪声被“除以一个接近零的数”后淹没真实信号。这就是噪声放大现象，也是反卷积病态性的核心机制。

用一个可复现的教学示例说明（以下数值为示例设定，非实测）。取长度 N=64 的信号，真实 x 为若干高斯脉冲叠加；卷积核 h 取宽度约 5 个采样点的高斯核，其频域幅值在高频处衰减到 10⁻³ 量级。对 y 加入标准差为 0.01 的高斯白噪声，然后直接做频域除法反卷积。可以预期：低频段恢复较好，高频段解出现剧烈振荡，且噪声水平越高、核越“模糊”（高频衰减越快），振荡越严重。若把噪声标准差从 0.01 提高到 0.02，解的误差往往不是翻倍，而是成倍甚至数量级增长——这正是“解不连续依赖数据”的直接体现。

三种表现如何区分

解的不唯一性与不稳定性常被混为一谈，但成因不同。不唯一性来自正问题算子的零空间非平凡：存在非零的 δx 使 h * δx = 0，于是 x 与 x + δx 产生相同数据，仅凭 y 无法区分。离散反卷积中，若卷积核的频域响应在某些频点严格为零，对应频段的信号分量就完全不可辨识。不稳定性则来自算子“接近奇异”：零空间虽为空，但小奇异值使逆算子范数极大，数据微小扰动被放大。前者是“信息缺失”，后者是“信息被噪声污染后放大”，对应的处理策略也不同——前者需要额外先验约束缩小解空间，后者需要正则化抑制放大。

下面的图示把 Hadamard 三条件、两类典型破坏方式，以及一维反卷积中噪声沿频域被放大的路径放在同一张关系图中，便于对照理解。

从现象到判断：怎样确认自己遇到了不适定

实际建模时，可以用几个低成本检查快速定位问题性质。第一，扰动测试：对观测数据加入与测量噪声同量级的随机扰动，重复反演若干次，观察解的离散程度。若解的方差远大于数据扰动方差，说明稳定性条件被破坏。第二，零空间探测：对正问题算子做奇异值分解，检查最小奇异值是否接近零、是否存在明显为零的奇异值。最小奇异值极小对应病态，存在零奇异值对应不唯一。第三，分辨率检查：用已知的合成信号（如单个脉冲）走一遍正演再反演，看恢复出的脉冲是否被展宽、振铃或分裂，这直接反映系统可辨识的频段范围。

需要强调的是，不适定不是“算法没写好”，而是问题本身的结构属性。换更精确的求解器、提高浮点精度，都无法消除噪声放大——因为放大来自 1/H(ω) 的物理与数学结构，而非舍入误差。正确的应对方向是引入额外信息：正则化（如 Tikhonov 加入解的范数惩罚）、截断小奇异值、贝叶斯先验、稀疏约束等，用先验把解空间限制在合理范围内，以可控的偏差换取方差的显著下降。理解 Hadamard 三条件，正是为了在动手写反演代码之前，先判断“这个问题能不能直接反”，以及“需要补什么样的先验”。