3. 病态性的来源与表现

在讨论可辨识性时，我们真正关心的往往不是“方程有没有解”，而是“解能不能被稳定地找出来”。一个反问题即使理论上存在唯一解，只要输入数据中极小的扰动会导致解发生巨大变化，它在数值上就是不可辨识的。这种对扰动的放大能力，正是病态性的核心。本节通过反卷积和反源项识别两个典型问题，说明病态性从哪里来、如何通过奇异值谱被“看见”，以及它在解上表现为什么样子。

一、病态性的来源：紧算子的奇异值衰减

大多数反问题可以写成第一类算子方程

K u = f,    u ∈ U,  f ∈ F

其中 K 是正演算子，u 是待反演的源或参数，f 是观测数据。对反卷积，K 是卷积核；对反源项识别，K 是“源到边界/内部测点”的传播算子。这类算子通常是紧算子，其奇异值 σ₁ ≥ σ₂ ≥ … → 0。奇异值衰减到零，意味着 K 的逆算子 K⁻¹ 无界：数据中沿小奇异值方向的分量会被放大 1/σᵢ 倍。

把数据 f 按右奇异向量展开，解可写成

u = Σ (⟨f, vᵢ⟩ / σᵢ) · uᵢ

只要观测带有噪声 δf，误差项 ⟨δf, vᵢ⟩/σᵢ 就会随 σᵢ 变小而爆炸。这就是病态性的来源：不是数据不够多，而是算子把某些方向压得太扁，反演时必须把这些方向重新“撑开”。奇异值谱因此成为判断病态程度最直接的“体检报告”。

二、反卷积：高频分量为何最先失守

以一维高斯型卷积核为例，设观测是真实信号与核 g 的卷积再加噪声：

f(x) = (g * u)(x) + n(x),   g(x) = exp(-x²/(2s²)) / (√(2π)s)

在傅里叶域，卷积变成乘法：F(ω) = G(ω)·U(ω) + N(ω)，其中 G(ω) = exp(-s²ω²/2)。反卷积就是除以 G(ω)：

Û(ω) = F(ω)/G(ω) = U(ω) + N(ω)/G(ω)

关键就在这里：G(ω) 随频率 ω 增大而指数衰减，因此噪声项 N(ω)/G(ω) 在高频被指数放大。取 s = 2（示例参数），当 ω = 3 时 G ≈ exp(-18) ≈ 1.5×10⁻⁸，即使噪声只有 10⁻³ 量级，放大后也达到 10⁵ 量级，完全淹没真实信号。这解释了为什么直接反卷积得到的解总是布满高频振荡——那些振荡不是真实结构，而是被放大的噪声。奇异值谱在这里的对应物就是 G(ω) 的衰减曲线，小奇异值方向恰好对应高频。

三、反源项识别：远离测点的源最难定

考虑一维稳态热传导中的反源项识别：杆内分布热源 q(x)，两端或若干点测得温度。正演关系可写为

T(x_m) = ∫ G(x_m, ξ) q(ξ) dξ

其中格林函数 G 随“测点与源点距离”增大而迅速衰减。若源位于远离所有测点的区域，它对测点温度的贡献极小，对应奇异值很小；反演时该区域的 q 值几乎由噪声决定，表现为解在远离测点处剧烈抖动、幅值失真。这与反卷积的高频失守是同一机制的不同外衣：正演算子把某些空间/频率方向压扁，反演就必须用放大来补偿。

四、解的不稳定性如何表现与判读

病态性在解上的表现有很强的辨识特征，可作为排障依据：

• 高频振荡：反卷积结果出现细密波纹，且网格越细振荡越剧烈，说明小奇异值方向被噪声主导。
• 幅值爆炸：解的范数远超物理合理范围，通常伴随残差 ‖Ku−f‖ 很小，这是“过拟合噪声”的典型信号。
• 对数据微扰高度敏感：给观测加 0.1% 随机扰动，解的形状发生肉眼可见变化，说明条件数过大。
• 远离测点区域失真：反源项识别中，源强在无测点覆盖区出现非物理负值或尖峰。

需要强调的是，这些表现不是算法写错了，而是问题本身的信息结构决定的。正确的应对不是“把网格加密、把迭代次数加大”，而是引入正则化（如 Tikhonov、截断奇异值分解 TSVD），主动放弃那些 σᵢ 低于噪声水平的方向。以 TSVD 为例，保留前 k 个奇异值、丢弃其余方向，相当于把解限制在可稳定恢复的子空间内，用少量偏差换取方差的急剧下降。

综上，病态性源于正演算子奇异值的快速衰减，它在反卷积中表现为高频噪声放大，在反源项识别中表现为远离测点区域不可定。奇异值谱与噪声水平的相对位置，决定了哪些方向可恢复、哪些必须正则化舍弃；而解的振荡、幅值爆炸与微扰敏感性，则是我们在实践中识别病态性、判断反演结果是否可信的直接依据。