{
  "id": "inverse-problem",
  "title": "反问题",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "反问题利用描述观测如何产生的模型，从观测数据中推断未知参数、结构或状态。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "逆问题"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/inverse-problem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/inverse-problem/",
      "json": "https://aiwiki.page/en/inverse-problem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "反问题是数学中根据观测到的效应推断系统未知性质的问题。它与正问题的求解方向相反：不是根据给定模型预测测量结果，而是利用测量结果恢复模型参数、源或状态。例如，根据投影重建图像，以及根据波动测量结果估计材料性质。其核心困难在于，不同的未知量可能产生无法区分的观测结果，而微小的测量误差也可能导致巨大的重建误差。(tristanvanleeuwen.github.io)"
    },
    {
      "heading": "数学表述",
      "text": "一种常见的观测模型为\n\n\\[y=F(x)+\\varepsilon,\\]\n\n其中，\\(x\\) 为未知量，\\(F\\) 为正向算子，\\(y\\) 为测量数据，\\(\\varepsilon\\) 表示观测误差。未知量可以是有限维参数向量，也可以是一个完整的函数，例如随空间位置变化的电导率。正向算子通常涉及求解偏微分方程，然后在测量位置计算其解的值。在函数空间表述中，未知量可以属于巴拿赫空间或希尔伯特空间。(web.stanford.edu)\n\n如果 \\(F\\) 是线性映射，离散化通常得到\n\n\\[y=Ax+\\varepsilon,\\]\n\n其中 \\(A\\) 是一个矩阵。这类似于线性方程组，但带噪声的数据不一定存在精确解。当预测结果以非线性方式依赖于未知量时，就会产生非线性反问题。因此，求解反问题并不一定意味着计算反函数：正向映射可能不存在唯一或稳定的逆映射。(tristanvanleeuwen.github.io)"
    },
    {
      "heading": "适定性与不稳定性",
      "text": "按照雅克·阿达马提出的定义，如果一个问题的解存在、唯一，并且连续依赖于数据，则称该问题是适定的。只要其中任一条件不满足，问题就是不适定的。当带噪声的观测值落在正向算子的值域之外时，解可能不存在；当多个符合条件的未知量产生相同数据时，解就不唯一。稳定性则取决于所采用的空间，以及用于衡量扰动的范数。(tristanvanleeuwen.github.io)\n\n对于线性问题，非平凡的零空间会导致解不唯一：若 \\(Az=0\\)，则 \\(x\\) 与 \\(x+z\\) 产生完全相同的预测结果。即使离散化后的矩阵可逆，较大的条件数也表明其对误差敏感。奇异值分解可以解释这种敏感性：直接求逆时，需要将数据分量除以相应的奇异值，从而放大与小奇异值对应的噪声。(tristanvanleeuwen.github.io)\n\n一个经典例子是，根据遵循热方程的后续观测恢复初始温度场。热传导的正向演化会抑制细微的空间变化。逆转这种平滑过程会放大高频误差，因此，即使理想数据对应的解唯一，也不意味着能从带噪声的测量中可靠地恢复初始状态。随着离散化不断加细，无限维问题中的不稳定性仍可能持续存在。(arxiv.org)"
    },
    {
      "heading": "正则化",
      "text": "正则化通过引入额外假设，用受控的重建过程取代不稳定的求逆过程。一种常见的表述为\n\n\\[x_\\alpha\\in\\operatorname*{arg\\,min}_{x} \\left\\{\\|F(x)-y\\|^2+\\alpha R(x)\\right\\},\\]\n\n其中，第一项衡量预测结果与观测之间的差异，\\(R(x)\\) 对不符合要求的解施加惩罚，\\(\\alpha>0\\) 控制两项之间的权衡。这是一个数学优化问题。正值约束或参数取值范围约束等，也可以表达关于未知量允许取值的信息。(tristanvanleeuwen.github.io)\n\n在吉洪诺夫正则化中，典型的惩罚项为 \\(R(x)=\\|L(x-x_0)\\|^2\\)，其中 \\(x_0\\) 是参考估计，\\(L\\) 决定对哪些特征施加惩罚。将 \\(L\\) 取为恒等算子，可以抑制相对于参考估计的较大偏离；基于导数的惩罚项则可以抑制不平滑性。其他惩罚项可以促进稀疏表示或保留边缘。截断奇异值方法则采用另一种方式，舍弃与小奇异值对应的分量。(tristanvanleeuwen.github.io)\n\n正则化需要在拟合数据与抑制不稳定性之间进行权衡。正则化过弱可能会重现噪声，过强则可能抹去真实结构。参数选择可以依据已知的噪声水平、偏差准则或验证程序。要使正则化方法收敛，必须在逐渐降低的噪声水平与正则化参数之间建立适当关系，而不能简单地将参数永久固定。(tristanvanleeuwen.github.io)"
    },
    {
      "heading": "统计与贝叶斯方法",
      "text": "贝叶斯推断通过先验分布描述未知量，并将其与表达观测模型的似然函数相结合。在概率密度存在的情况下，贝叶斯定理给出\n\n\\[p(x\\mid y)\\propto p(y\\mid x)\\,p(x).\\]\n\n由此得到的后验分布刻画了给定模型和观测条件下的不确定性。它可以描述多个合理的解，而不是仅给出一个重建结果。(authors.library.caltech.edu)\n\n当观测误差为相互独立的高斯误差时，负对数似然与残差平方成正比。适当的高斯先验会引入二次惩罚项，从而将最大后验估计与吉洪诺夫型优化联系起来。后验均值和不确定性估计则提供了其他概括后验分布的方式。对于大规模或非线性问题，马尔可夫链蒙特卡洛可以近似计算后验期望，但计算过程可能需要多次求值正向模型。(web.stanford.edu)"
    },
    {
      "heading": "应用与解释",
      "text": "在X射线计算机断层成像中，利用衰减投影重建空间分布。在图像处理中，去模糊根据模糊且带噪声的观测估计原始图像。这些应用的正向模型和测量几何不同，但都面临信息不完整、稳定性和正则化等共同问题。(tristanvanleeuwen.github.io)\n\n地震反演根据波动观测估计地下介质性质；高维表述还可以量化重建参数场中的不确定性。在各类应用中，重建质量不仅取决于测量噪声，也取决于正向模型及其数值近似是否充分反映实际情况。仅仅与观测高度吻合，并不能证明恢复出的未知量是唯一或准确的：解释结果时，必须区分哪些信息来自测量，哪些假设来自约束或先验。(arxiv.org)"
    }
  ],
  "links": [
    "mathematics",
    "partial-differential-equation",
    "banach-space",
    "hilbert-space",
    "linear-map",
    "matrix",
    "system-of-linear-equations",
    "inverse-function",
    "norm-mathematics",
    "null-space",
    "condition-number",
    "singular-value-decomposition",
    "heat-equation",
    "regularization",
    "mathematical-optimization",
    "bayesian-inference",
    "prior-distribution",
    "likelihood-function",
    "bayes-theorem",
    "posterior-distribution",
    "maximum-a-posteriori-estimation",
    "markov-chain-monte-carlo",
    "x-ray-computed-tomography",
    "image-processing"
  ],
  "sources": [
    {
      "title": "tristanvanleeuwen.github.io/IP_and_Im_Lectures/what_is.html",
      "url": "https://tristanvanleeuwen.github.io/IP_and_Im_Lectures/what_is.html"
    },
    {
      "title": "web.stanford.edu/class/ee378a/REFS/stuart.pdf",
      "url": "https://web.stanford.edu/class/ee378a/REFS/stuart.pdf"
    },
    {
      "title": "tristanvanleeuwen.github.io/IP_and_Im_Lectures/discrete_ip_regularization.html",
      "url": "https://tristanvanleeuwen.github.io/IP_and_Im_Lectures/discrete_ip_regularization.html"
    },
    {
      "title": "arxiv.org/abs/1302.6989",
      "url": "https://arxiv.org/abs/1302.6989"
    },
    {
      "title": "tristanvanleeuwen.github.io/IP_and_Im_Lectures/variational_formulations.html",
      "url": "https://tristanvanleeuwen.github.io/IP_and_Im_Lectures/variational_formulations.html"
    },
    {
      "title": "tristanvanleeuwen.github.io/IP_and_Im_Lectures/ip_function_spaces.html",
      "url": "https://tristanvanleeuwen.github.io/IP_and_Im_Lectures/ip_function_spaces.html"
    },
    {
      "title": "authors.library.caltech.edu/records/fk9j9-5tq15",
      "url": "https://authors.library.caltech.edu/records/fk9j9-5tq15"
    },
    {
      "title": "tristanvanleeuwen.github.io/IP_and_Im_Lectures/tomography.html",
      "url": "https://tristanvanleeuwen.github.io/IP_and_Im_Lectures/tomography.html"
    },
    {
      "title": "arxiv.org/abs/1308.1313",
      "url": "https://arxiv.org/abs/1308.1313"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}