4. 线性反问题的可辨识性判据

对线性反问题而言，可辨识性不再是一个只能靠经验判断的模糊概念，它可以被精确地写成代数条件。设正演模型为

K m = d,   K ∈ R^(M×N),  m ∈ R^N,  d ∈ R^M

其中 m 是待反演的模型参数向量，d 是观测数据向量，K 是离散化后的正演算子（敏感度矩阵）。所谓“可辨识”，核心问题是：数据 d 能否唯一确定 m？ 答案完全由 K 的零空间与奇异值谱决定。

一、零空间判据：唯一性的代数刻画

若存在非零扰动 δm 使得 K δm = 0，则 m 与 m + δm 产生完全相同的观测数据，二者在数据层面不可区分。所有这类扰动构成 K 的零空间：

N(K) = { δm : K δm = 0 }

由此得到最直接的判据：当且仅当 N(K) = {0}（即 K 列满秩，rank(K) = N）时，线性反问题在无噪声条件下具有唯一解。 若 N(K) 非平凡，则不可辨识，且不可辨识的“方向”正是零空间中的向量——它们对应那些对数据毫无影响的模型变化模式。例如在层析成像中，零空间向量往往表现为正负交替的棋盘状图案，这类高频结构在有限角度投影下完全“隐身”。

需要注意，零空间判据只回答唯一性，不回答稳定性。即使 N(K) = {0}，若 K 的某些奇异值极小，微小噪声也会被放大成巨大的模型误差，这就是“唯一但不可靠”的情形，必须借助奇异值分解进一步分析。

二、奇异值分解：把可辨识性拆成方向与强度

对 K 作奇异值分解：

K = U Σ V^T = Σ_i σ_i u_i v_i^T,   σ_1 ≥ σ_2 ≥ … ≥ σ_r > 0

其中 v_i 是模型空间的正交基（右奇异向量），u_i 是数据空间的正交基（左奇异向量），σ_i 是奇异值，r = rank(K)。SVD 给出了一个非常清晰的图像：

• 模型沿 v_i 方向的分量 m_i = v_i^T m，在数据中只以 σ_i m_i 的形式出现在 u_i 方向上；
• 若 σ_i = 0，则 v_i 落入零空间，对应分量完全不可辨识；
• 若 σ_i 很小但非零，则该分量可辨识但极度病态，噪声放大倍数为 1/σ_i。

因此可辨识性应分两层表述：结构性可辨识由 r 与 N 的关系决定（r = N 时结构可辨识）；数值可辨识由奇异值谱的衰减速度决定，常用条件数 κ = σ_1/σ_r 或有效秩（奇异值累计能量达到某阈值时的项数）来度量。工程上常设定一个截断阈值 σ_c，把 σ_i < σ_c 的方向视为“实际不可辨识”，这直接对应正则化中的截断奇异值方法。

三、离散化带来的影响

连续反问题与离散反问题的可辨识性并不等价，离散化会从三个层面改变判据。

第一，网格加密使零空间“变小”但条件数“变坏”。 以第一类 Fredholm 积分方程为例，连续算子的奇异值往往按 σ_n ~ O(n^(-p)) 衰减至零，理论上存在无穷维零空间。离散到 N 个参数后，矩阵 K 通常列满秩，N(K) = {0}，看似“可辨识”了；但最小奇异值随 N 增大而迅速减小，条件数急剧上升。也就是说，离散化把“结构性不可辨识”转化成了“数值上不可辨识”，加密网格并不能真正恢复信息，只是把病态藏进了小奇异值里。

第二，离散基函数的选择改变零空间的具体形态。 同一物理问题，用分片常数基与用分片线性基，得到的 K 不同，零空间向量也不同。若基函数本身无法表达某类结构（例如用粗网格表示高频扰动），则该结构在离散模型中直接落入零空间，形成“假性不可辨识”。因此判断不可辨识性时，必须区分它是物理限制（数据本身不含该信息）还是离散化伪影（网格或基函数不足）。

第三，观测算子与网格的匹配影响有效秩。 测点数量 M、测点位置与参数节点 N 的相对关系决定了 K 的形状。当 M < N 时，K 必然行满秩而列不满秩，零空间维数至少为 N − M，这是纯代数层面的硬限制；此时无论算法多精巧，都无法唯一确定全部 N 个参数，只能确定 M 个可观测组合。

四、判据的实操流程

把上述理论落成可执行的分析步骤，通常如下：

1. 组装敏感度矩阵 K，明确其行列对应的物理量（行=观测，列=参数）；
2. 计算 rank(K) 与 null(K)，若零空间非平凡，提取零空间基向量并解释其物理形态；
3. 做 SVD，绘制奇异值谱，观察衰减拐点，确定有效秩与条件数；
4. 设定与噪声水平匹配的截断阈值 σ_c（经验上取 σ_c ≈ 噪声标准差 / 模型先验幅度），统计可辨识方向数；
5. 对不可辨识方向，检查是物理限制还是离散化伪影，据此决定加密网格、增加测点、改变基函数或引入正则化先验。

综上，线性反问题的可辨识性判据可以浓缩为一句话：零空间决定“能不能唯一确定”，奇异值谱决定“能确定得多准”，而离散化则在两者之间引入了网格与基函数依赖的中间层。 只有把三者放在一起分析，才能对反演结果的可信度作出有依据的判断。