1. 课程导入与问题界定

在工程与科学计算中，我们经常遇到这样一类任务：已知系统的响应或观测结果，希望反推出导致该结果的内部参数、边界条件或源项。例如，通过结构表面的温度测量反推内部热源强度，通过地表形变观测反演地下介质参数，通过探测器接收到的信号重建目标图像。这类“由果求因”的问题统称为反问题。而本课程关注的，是其中最难处理、也最贴近真实工程的一类——病态反问题。

要理解“病态”，先要理解“适定”。法国数学家阿达马提出，一个数学问题若满足三个条件，则称为适定的：解存在、解唯一、解连续依赖于数据。第三条尤为关键：当观测数据发生微小扰动时，解只应发生微小变化。病态反问题恰恰在这一点上失效——测量中不可避免的噪声，经过反演过程会被急剧放大，导致反推结果面目全非。这不是算法不够聪明，而是问题本身的结构性缺陷。

那么，可辨识性分析要回答什么？它并不直接求解反问题，而是在求解之前或求解过程中，判断“哪些参数能够被现有观测数据可靠地确定”“在什么精度下可确定”“哪些参数之间存在无法区分的耦合”。换句话说，可辨识性分析是反演之前的“可行性体检”。它把问题从“我该怎么算”推进到“我值不值得算、能算到什么程度”。

为了把这一抽象概念落到具体对象上，考虑一个教学示例（以下参数为合理假设，用于说明原理，非实测数据）：一维杆长 L = 1 m，热导率 k = 50 W/(m·K)，两端温度固定为 0 ℃，内部存在一个待反演的空间分布热源 q(x)。若只在杆的一端布置一个温度传感器，测得稳态温度 T₁。此时我们试图反推 q(x) 的完整分布——显然，无穷多个不同的热源分布都能产生同一个端点温度，解不唯一；即便加上两个、三个测点，测点之间的区域仍然“看不见”。这就是可辨识性不足的直观体现：观测信息量少于待定参数的自由度。

上图把本节的知识框架压缩为一条判断链：正问题提供“参数→响应”的映射，反问题试图沿映射反向走，而可辨识性分析在反向走之前先检查这条路是否“可走、可走多远”。图中一维杆示例的“盲区”正是可辨识性不足的典型来源——观测自由度小于参数自由度。

病态性的来源可以归纳为三类，理解它们有助于后续选择对策。第一类是信息缺失型：测点太少或位置不当，某些参数对观测几乎无影响，导致灵敏度接近零。第二类是平滑效应型：正问题算子（如热传导、扩散、积分）本身具有平滑作用，高频信息在正向过程中被衰减，反向恢复时噪声被放大。第三类是参数耦合型：两个参数以近似相同的模式影响观测，数据无法区分二者，例如同时反演热导率与热源强度时，若温度场形态相似，二者会“此消彼长”。

面对病态性，工程上有三条主线：正则化（引入先验约束，把不适定问题转化为近似适定问题）、实验设计（增加或优化测点，从源头提升可辨识性）、降维参数化（减少待定自由度，例如把 q(x) 用少数基函数展开）。而可辨识性分析正是决定“该用哪条线、用到什么程度”的依据。常用的量化工具包括灵敏度矩阵及其条件数、Fisher 信息矩阵、参数协方差估计等。以灵敏度矩阵 S 为例，若 S 的列近似线性相关，则对应参数不可分辨；条件数越大，反演对噪声越敏感。