2. 反问题的不适定性与正则化思想
在贝叶斯反问题的语境里，“后验估计”之所以必要，根源在于反问题本身往往不适定。如果一个问题适定，数据足够、解唯一且连续依赖数据，那么直接求解即可，后验分布只会退化为一个尖峰。真正让贝叶斯方法大显身手的，是那些解不唯一、对噪声极度敏感的病态问题。本节先厘清 Hadamard 适定性的三条判据，再剖析病态性的来源，最后把确定性正则化与贝叶斯正则化放在同一框架下对照。
一、Hadamard 适定性的三条判据
Hadamard 提出，一个数学物理问题称为适定（well-posed），当且仅当同时满足：
- 存在性：对允许的数据，至少存在一个解；
- 唯一性：解是唯一的；
- 稳定性：解连续依赖于数据，即数据的小扰动只引起解的小扰动。
三者缺一即为不适定（ill-posed）。反问题最常违反的是稳定性，其次是唯一性。以第一类 Fredholm 积分方程为例：
d(s) = ∫ K(s,t) m(t) dt , t∈Ω , s∈Γ其中 m 是待反演的模型参数（如介质电导率、源强度分布），d 是观测数据，K 是正演核。离散化后得到 d = Gm。若 G 的奇异值谱快速衰减，则最小奇异值对应的方向被严重压缩，数据中微小噪声在反演时被放大成巨大误差——这正是稳定性的丧失。
二、病态性的来源
病态性并非数值实现的缺陷，而是问题物理结构的反映，主要来源有三类：
（1）算子本身的光滑化效应。积分算子 K 通常把粗糙的 m 映射为光滑的 d，高频信息被衰减。反演要恢复高频，就必须放大被衰减的分量，噪声随之被放大。离散后表现为 G 的条件数 κ(G)=σ_max/σ_min 极大。
（2）数据有限与欠定。观测点 s 的数量远少于模型参数 m 的自由度，G 是宽矩阵，零空间非平凡，存在无穷多解精确拟合数据，唯一性丧失。
（3）噪声与模型误差。实际数据 d_obs = Gm_true + ε，ε 包含测量噪声与正演模型误差。反演若追求残差 ‖Gm−d_obs‖ 最小，会把 ε 也当作信号拟合，产生过拟合的振荡解。
三、确定性正则化：以先验约束换稳定
确定性正则化的核心思路是：在残差项之外加入惩罚项，把解限制在“合理”的子空间内。Tikhonov 正则化是最典型的代表：
m_λ = argmin ‖Gm − d_obs‖² + λ‖Lm‖²
解：m_λ = (GᵀG + λLᵀL)⁻¹ Gᵀ d_obsλ>0 使矩阵可逆并改善条件数，L 常取单位阵（偏好小范数解）或一阶/二阶差分（偏好光滑解）。λ 的选择是偏差—方差权衡：λ 过大则解过度光滑、偏离真实结构；λ 过小则噪声放大。常用 L 曲线法、广义交叉验证（GCV）或 Morozov 偏差原则来定 λ。
另一类是截断奇异值分解（TSVD）：直接把小于阈值的奇异值截掉，等价于在谱域做硬阈值。此外还有全变差（TV）正则化，用 ‖∇m‖₁ 替代二次惩罚，能保留块状边界，适合分层介质反演。
四、贝叶斯正则化：把惩罚项解释为先验
贝叶斯视角下，同样的目标函数有了概率含义。设噪声为零均值高斯 ε~N(0,Σ_ε)，则似然为：
p(d|m) ∝ exp[ −½ (Gm−d)ᵀ Σ_ε⁻¹ (Gm−d) ]设先验 m~N(m_0, Σ_m)，则后验：
p(m|d) ∝ exp[ −½ (Gm−d)ᵀΣ_ε⁻¹(Gm−d) − ½ (m−m_0)ᵀΣ_m⁻¹(m−m_0) ]取负对数，最大化后验（MAP）等价于最小化：
‖Gm−d‖²_{Σ_ε⁻¹} + ‖m−m_0‖²_{Σ_m⁻¹}对比 Tikhonov 形式可见：先验协方差逆 Σ_m⁻¹ 扮演了正则化算子 LᵀL 的角色，噪声协方差逆 Σ_ε⁻¹ 则对残差做了加权。换言之，确定性正则化是贝叶斯正则化在“高斯先验 + 高斯噪声”下的点估计特例。但贝叶斯框架更进一步：它给出整个后验分布，而不仅是一个点估计，从而能定量刻画不确定性。
五、联系与区别：一张对照表
| 维度 | 确定性正则化 | 贝叶斯正则化 |
|---|---|---|
| 约束形式 | 惩罚项 λ‖Lm‖² | 先验分布 p(m) |
| 参数含义 | λ 为调节系数，需人工选取 | Σ_m、Σ_ε 有统计意义，可由数据或分层模型估计 |
| 输出 | 单点估计 m_λ | 后验分布 p(m|d) |
| 不确定性 | 通常不直接给出 | 后验协方差、可信区间自然可得 |
| 噪声处理 | 隐含在 λ 中 | 显式建模 Σ_ε，可处理异方差 |
| 关系 | 高斯先验 + 高斯噪声下，MAP 估计与加权 Tikhonov 解完全一致 | |
六、实践中的取舍
实际反演中，两者并非对立。一个常见的工程做法是：先用确定性正则化快速获得稳定解并确定合理的 λ 量级，再把该 λ 对应的惩罚算子解释为先验精度矩阵，转入贝叶斯框架做不确定性量化。例如在一维直流电阻率反演的教学示例中（参数为合理假设），取 20 个电极、模型层厚 1 m 分 15 层，正演核 G 的条件数约为 10⁶；若直接最小二乘，噪声 1% 会导致深层电阻率误差超过 300%。引入一阶差分先验（Σ_m⁻¹ 对应拉普拉斯型平滑算子）后，MAP 解的相对误差可降至 10% 量级，同时后验标准差在深部明显增大，正确反映了深部信息不足——这正是贝叶斯正则化相对确定性方法的核心增值。
总结来说：Hadamard 适定性给出了判断问题难度的标尺；病态性来源决定了我们必须引入额外信息；确定性正则化以惩罚项的形式注入这些信息，贝叶斯正则化则把它升格为概率先验，并在给出点估计的同时交付不确定性。理解这一层对应关系，是后续构建似然、选择先验、采样后验的概念基础。