4. 超定与欠定问题的统一处理

在实际反演中，数据个数与模型参数个数很少恰好相等。当观测数据多于未知参数时，方程组超定；当观测数据少于未知参数时，方程组欠定。最小二乘框架的真正价值，在于它能把这两类看似对立的问题纳入同一套“带约束的优化”语言中处理：超定问题追求残差最小，欠定问题追求范数最小，而两者都可以写成同一个带权目标函数的不同特例。

两类问题的本质差异

设线性化后的观测方程为 Gm = d，其中 G 为 N×M 敏感度矩阵，m 为 M 维模型参数，d 为 N 维观测数据。超定情形 N > M，方程通常无精确解，因为噪声和模型误差使数据不可能被完全拟合；此时我们接受“没有完美解”的事实，转而寻找使残差 ‖Gm − d‖₂ 最小的模型，即经典最小二乘解 m = (GᵀG)⁻¹Gᵀd。欠定情形 N < M，方程有无穷多个精确解，因为未知量多于约束；此时残差可以为零，问题变成“在满足 Gm = d 的所有模型中挑哪一个”，自然的选择是范数最小的那个，即最小范数解 m = Gᵀ(GGᵀ)⁻¹d。

关键认识是：超定解在数据空间做投影，欠定解在模型空间做投影。前者把观测向量投影到 G 的列空间，后者把模型向量投影到 G 的行空间。二者互为对偶，这正是统一处理的数学基础。

统一形式：阻尼最小二乘

把两种诉求写进同一个目标函数，就得到阻尼最小二乘（也称 Tikhonov 正则化）：

min  ‖Gm − d‖₂² + λ²‖m‖₂²
解：m(λ) = (GᵀG + λ²I)⁻¹Gᵀd
     = Gᵀ(GGᵀ + λ²I)⁻¹d

当 λ → 0 且 N > M 时，解退化为普通最小二乘解；当 λ → 0 且 N < M 时，解退化为最小范数解。也就是说，λ 不是两种方法的补丁，而是连接两者的连续桥梁：它同时压制残差和模型范数，在数据不足时提供唯一性，在数据充足时抑制噪声放大。实际实现中通常对 G 做奇异值分解 G = UΣVᵀ，则 m(λ) = Σᵢ (σᵢ/(σᵢ²+λ²)) vᵢuᵢᵀd，滤波因子 σᵢ²/(σᵢ²+λ²) 直观显示了大奇异值成分被保留、小奇异值成分被压制的机制。

案例对比：一维直流电阻率测深

考虑一个教学示例：地下三层水平层状介质，待反演参数为各层电阻率与厚度，共 6 个参数。假设采用温纳装置，电极距从 2 m 到 32 m。

超定场景：若布置 12 个电极距，得到 12 个视电阻率观测值，N=12 > M=6。此时雅可比矩阵 G 为 12×6，GᵀG 可逆。用高斯-牛顿迭代求解，初始模型取均匀半空间 100 Ω·m，迭代 5 次后残差 RMS 从初始的 38% 降到约 4%。由于数据充足，模型对初值不敏感，但需注意：若某两层厚度-电阻率组合的灵敏度列近似共线，GᵀG 条件数会很大，解对噪声敏感，此时应引入小 λ（如 0.01 倍最大奇异值）稳定求解。

欠定场景：若只布置 4 个电极距，N=4 < M=6。方程有无穷多解，直接求 (GᵀG)⁻¹ 会因奇异而失败。改用最小范数解，得到的是在满足 4 个观测值前提下模型参数偏离参考模型（如均匀半空间）最小的那个解。实际计算中，先对 G 做 SVD，保留 4 个非零奇异值对应的成分，再按 m = Gᵀ(GGᵀ)⁻¹d 求解。结果通常表现为“平滑但分辨率低”的模型：浅部信息由短极距数据约束，深部则被范数约束拉向参考模型，无法分辨薄层。

两种情形的对比可归纳为下表（示例参数，非实测）：

实践中的统一操作流程

无论 N 与 M 谁大，工程上推荐统一走“SVD + 阻尼”的路径，而不是先判断类型再分支：

1. 对敏感度矩阵做 SVD，得到奇异值谱 σ₁ ≥ σ₂ ≥ … ≥ σᵣ，r 为有效秩。
2. 观察奇异值衰减：若 σᵣ/σ₁ 低于约 10⁻⁶，说明存在近零空间，问题实际欠定或病态。
3. 选取 λ 使滤波因子在噪声水平附近截断，常用 L 曲线法：以 ‖Gm−d‖ 为横轴、‖m‖ 为纵轴，取曲率最大点。
4. 用 m(λ) = Σᵢ (σᵢ/(σᵢ²+λ²)) vᵢuᵢᵀd 计算解，并检查残差是否落在观测噪声量级内。
5. 若残差远大于噪声，说明 λ 过大或模型不足；若残差远小于噪声，说明过拟合，应增大 λ。

统一处理的意义不在于抹平两类问题的差异，而在于让同一套代码、同一套诊断指标（残差、模型范数、奇异值谱、L 曲线）覆盖从数据充足到数据稀缺的全过程。超定与欠定不是两种方法，而是同一个正则化目标在 λ 两端的不同表现。