3. 融合建模的数学基础

把物理方程和数据驱动模型放进同一个框架里，本质上是在做三件事：用线性代数描述“状态与观测之间的映射”，用概率统计描述“数据里有多少可信信息”，用优化理论决定“物理残差和数据误差如何折中”，最后用微分方程数值解把连续时间的物理规律变成可计算的离散步骤。这四类工具不是并列的知识点，而是一条从建模到求解的链条，本节按这条链条逐一展开，并说明每一环在融合建模中具体承担什么角色。

线性代数：把物理关系写成矩阵，把观测写成算子

融合建模中最常见的线性结构是“状态—观测”关系。设某系统在离散时刻的状态向量为 x ∈ R^n，观测向量为 y ∈ R^m，则观测模型可写为 y = Hx + ε，其中 H 是观测矩阵，ε 是观测噪声。物理约束若在离散网格上线性化，也常写成 Ax = b 的形式，例如一维稳态热传导的有限差分格式：节点温度 T_i 满足 T_{i-1} - 2T_i + T_{i+1} = -q_i Δx²/k，整条方程组装后就是一个三对角矩阵 A。此时“物理”体现为 A 的稀疏结构，“数据”体现为若干节点上的观测行，二者拼成同一个线性系统。

实际计算中要关注三个量：矩阵的条件数、秩和稀疏性。条件数过大意味着观测对状态某些方向的约束极弱，融合结果会对方程微小扰动敏感；秩亏则说明物理约束与观测存在冗余或冲突，需要正则化。工程上常用奇异值分解检查 H 或增广矩阵的可辨识性：若最小奇异值接近零，对应右奇异向量指示的方向就是“数据管不住、物理也没约束住”的薄弱方向，应补充观测或增加先验。

概率统计：用协方差表达“信谁多一点”

融合建模的折中不是拍脑袋定权重，而是由不确定性决定。设物理预测误差协方差为 Q，观测误差协方差为 R，在线性高斯假设下，融合估计就是最小化 (x - x_b)ᵀQ⁻¹(x - x_b) + (y - Hx)ᵀR⁻¹(y - Hx)，其解析解为 x = x_b + K(y - Hx_b)，增益 K = QHᵀ(HQHᵀ + R)⁻¹。这个式子清楚说明：Q 大（物理模型不可信）则更信数据，R 大（传感器噪声大）则更信物理。协方差矩阵因此是融合建模的“权重语言”。

示例性地，若某温度场先验误差标准差为 2.0 K、观测误差标准差为 0.5 K，单点标量情形下增益 K = 4/(4+0.25) ≈ 0.94，融合结果明显偏向观测；若观测误差升到 2.0 K，则 K = 0.5，两者等权。这一组数值仅用于说明量级关系，实际取值需由标定或残差统计得到。除高斯假设外，还需掌握最大似然与贝叶斯后验的基本形式，以便在非线性场合改用粒子滤波或变分推断。

优化理论：把“物理残差 + 数据误差”写成目标函数

融合建模的一般形式可写为 min_x ½‖y - Hx‖²_R + ½‖F(x)‖²_Q + λ‖Lx‖²，前两项分别是数据项与物理残差项，第三项是正则项。F(x) 表示把状态代入物理方程后的残差，例如 F(x) = Ax - b。求解时需判断问题类型：若 F 线性，则是带权最小二乘，可用正规方程或 QR 分解；若 F 非线性，则用高斯—牛顿或 Levenberg–Marquardt 迭代，每步解 (JᵀWJ + λI)Δx = -JᵀWr。这里 J 是残差对状态的雅可比矩阵，W 由 Q、R 的逆组成。

实操中要特别注意两点：一是残差量纲不一致时，必须先按各自标准差归一化，否则优化会被量级大的项主导；二是正则系数 λ 的选择应通过残差曲线或广义交叉验证确定，而不是固定常数。判断收敛不能只看目标函数下降，还要看物理残差是否降到与观测噪声相当的水平——若物理残差仍远大于噪声，说明模型结构或参数有系统偏差，继续调 λ 只是掩盖问题。

微分方程数值解：让物理约束在离散时间上可计算

物理方程多为微分方程，融合建模必须把它转成离散残差。以一维热传导 ∂T/∂t = α∂²T/∂x² 为例，显式格式为 T_i^{k+1} = T_i^k + αΔt/Δx² (T_{i-1}^k - 2T_i^k + T_{i+1}^k)，稳定性要求 αΔt/Δx² ≤ 0.5；隐式格式则需每步解三对角方程组，无条件稳定但计算量更大。融合建模中，离散格式的选择直接影响物理残差 F(x) 的形式和雅可比结构：显式格式残差局部、易并行，隐式格式残差耦合、需线性求解器。

此外要区分“离散误差”和“模型误差”。离散误差来自 Δt、Δx 截断，可通过网格收敛性检验估计；模型误差来自方程本身简化，需靠数据修正。融合建模的价值恰在于用观测约束模型误差，但前提是离散误差已被控制在观测噪声以下，否则数据会被数值误差污染。

四类工具如何在同一流程中配合

以一个一维瞬态热传导的参数反演为例说明配合方式。物理模型给出温度随时间的演化，用隐式差分离散后得到每步的线性方程组；观测是若干测点、若干时刻的温度，写成观测矩阵 H；待估参数是导热系数 k，它进入物理残差 F(x, k)。优化目标为 ½‖y - Hx‖²_R + ½‖F(x, k)‖²_Q，用高斯—牛顿迭代同时更新状态与参数，雅可比由离散方程的系数矩阵组装。迭代收敛后，检查两件事：物理残差是否降到与测温噪声（例如 0.5 K）相当；参数估计的置信区间是否由 (JᵀWJ)⁻¹ 给出且不过宽。若残差仍偏大，应回到离散格式检查 Δt、Δx 是否足够细，而不是继续调正则系数。

把这四类工具串起来看，融合建模的数学基础并不要求每一样都学到很深，但要求清楚每一环的输入输出和失效条件：线性代数负责可辨识性，概率统计负责权重，优化负责折中与收敛，数值解负责把连续物理变成可计算的残差。四者衔接处的量纲、噪声水平和离散精度，往往才是决定融合成败的关键。