2. 线性反演问题的数学表述

反演问题的第一步不是选算法，而是把物理问题写成可计算的数学形式。对绝大多数地球物理、无损检测与参数辨识任务而言，观测是有限个离散采样，模型也需要离散化，因此最自然的载体是离散线性系统。本节围绕数据核矩阵、模型参数与观测方程三要素展开，说明超定、欠定与混定问题的判别方式，并解释为什么最小二乘解在不适定情形下会失效。

从物理关系到观测方程

设模型参数离散为 m 个分量 m = [m₁, m₂, …, m_M]ᵀ，观测数据为 n 个分量 d = [d₁, d₂, …, d_N]ᵀ。若第 i 个观测可写成模型参数的线性组合，则

d_i = Σ_j G_ij · m_j + ε_i ,  i = 1…N

矩阵形式：  d = G m + ε

其中 G 为 N×M 的数据核矩阵（也称敏感度矩阵、雅可比矩阵），元素 G_ij 表示第 j 个模型参数对第 i 个观测的贡献权重；ε 为观测误差与离散化误差的合成。核矩阵的每一行对应一个观测的“采样方式”，每一列对应一个模型参数的影响分布，这一行列结构决定了问题的可解性。

以直流电阻率层析的线性化反演为例：模型取 4 个网格单元的电阻率扰动 Δρ₁…Δρ₄，观测取 3 个四极装置的视电阻率变化。按灵敏度公式可算得核矩阵（示例数值，用于说明结构而非实测）：

G = [ 1.00  0.30  0.05  0.00
      0.30  1.00  0.30  0.05
      0.05  0.30  1.00  0.30 ]

该矩阵为 3×4，行数小于列数，说明观测少于未知量；同时第一列与第四列几乎不重叠，而中间列彼此耦合较强。这种“行少、列相关”的结构正是后续讨论的出发点。

超定、欠定与混定的判别

按 N 与 M 的关系以及 G 的秩，可把线性问题分为三类：

• 超定问题：N > M 且 rank(G) = M。方程多于未知量，一般无精确解，只能求残差最小的折中解，最小二乘在此有意义。
• 欠定问题：N < M 或 rank(G) < M。存在无穷多组模型精确拟合数据，必须引入额外约束（如最小范数、平滑性）才能选出唯一解。
• 混定问题：N > M 但 rank(G) < M，即方程数量足够却存在零空间方向。此时既有数据冗余，又有模型不可辨识的分量，是最常见也最棘手的情形。

判别时不能只看行列数，必须计算 rank(G) 或奇异值谱。若最小奇异值相对最大奇异值小若干数量级（条件数极大），即使名义上满秩，实际也接近混定，需要按不适定问题处理。

最小二乘解及其失效机理

对超定问题，最小二乘通过最小化残差平方和 ‖Gm − d‖² 得到正规方程 GᵀG m = Gᵀd，解为 m_LS = (GᵀG)⁻¹Gᵀd。这一推导只要求 GᵀG 可逆，而可逆性恰恰是问题所在。

把 G 做奇异值分解 G = UΣVᵀ，则 m_LS = Σ (uᵢᵀd / σᵢ) vᵢ。可见每个奇异值方向上的解分量被 1/σᵢ 放大：当 σᵢ 很小时，数据中同方向的微小噪声 uᵢᵀε 会被放大成巨大的模型扰动。这正是混定与欠定问题中最小二乘失效的根源——不是公式错了，而是问题本身对噪声过度敏感。

用上例的 3×4 核矩阵可直观看到：由于 N < M，GᵀG 为 4×4 但秩最多为 3，必然奇异，(GᵀG)⁻¹ 不存在，直接求逆会报错或给出数值上无意义的巨大解。若把观测增加到 5 个而第四列仍近似为零列，则 rank(G)=3 < 4，属于混定：Δρ₄ 完全不可辨识，任何数据都无法约束它，最小二乘解在该方向上由噪声主导。

从数学表述到求解策略

把问题写成 d = Gm + ε 并完成秩分析后，求解策略自然浮现：超定且良态时用最小二乘；欠定时补充最小范数或平滑约束；混定时在残差项之外加入模型范数惩罚，即 Tikhonov 形式 min ‖Gm − d‖² + α‖Lm‖²。正则化参数 α 的作用，正是在被噪声放大的小奇异值方向上压制解的振荡，用可控的偏差换取方差的显著下降。

因此，本节的核心不是记住三类名称，而是养成“先建核矩阵、再查秩与奇异值、后选解法”的习惯。核矩阵的结构决定了问题是否适定，奇异值谱决定了最小二乘能否可信，而这两步分析正是后续 Tikhonov 正则化参数选取与稳定泛函设计的直接依据。