地球物理反问题的非唯一性和局部平均

0

对于线性的反问题$\mathbf{G}\mathbf{m}=\mathbf{d}$，有三种不同的方法求解：

• 长度理论
• 广义逆
• 概率密度

上述三种方法从不同的角度出发，但其推导的最终结果是相同的。而且，对于反问题可以从向量空间的角度来进行考虑，这一观点对于上述三种方法均是适用的，用向量空间可以更容易和形象的去探索非唯一性的本质。

1 非唯一性和零向量的关系

假设，反问题$\mathbf{G}\mathbf{m}=\mathbf{d}$的解不是唯一的（非唯一性），那么必然至少存在两个不同的解，记为${\mathbf{m}}^{(1)},{\mathbf{m}}^{(2)}({\mathbf{m}}^{(1)}\ne {\mathbf{m}}^{(2)})$，则这两个解均满足方程：
$$\begin{array}{l}{\mathbf{G}\mathbf{m}}^{(1)}=\mathbf{d}\\ \mathbf{G}{\mathbf{m}}^{(2)}=\mathbf{d}\end{array}$$
那么，两式做差得到
$$\mathbf{G}\left({\mathbf{m}}^{(1)}-{\mathbf{m}}^{(2)}\right)=0$$
所以，存在零向量${\mathbf{m}}^{\mathbf{n}\mathbf{u}\mathbf{l}\mathbf{l}}={\mathbf{m}}^{(1)}-{\mathbf{m}}^{(2)}$（${\mathbf{m}}^{\mathbf{n}\mathbf{u}\mathbf{l}\mathbf{l}}$是非零的）。
那么，齐次方程$\mathbf{G}\mathbf{m}=0$存在非平凡解。
反过来也是正确的，假设齐次方程$\mathbf{G}\mathbf{m}=0$存在非平凡解${\mathbf{m}}^{\mathbf{n}\mathbf{u}\mathbf{l}\mathbf{l}}$，那么存在多个满足以下形式的解(以两个为例)：
${\mathbf{m}}^{(1)}=\mathbf{m}+{\alpha }_1{\mathbf{m}}^{\mathbf{n}\mathbf{u}\mathbf{l}\mathbf{l}}$
${\mathbf{m}}^{(2)}=\mathbf{m}+{\alpha }_2{\mathbf{m}}^{\mathbf{n}\mathbf{u}\mathbf{l}\mathbf{l}}$
则有，
$$\begin{array}{l}{\mathbf{G}\mathbf{m}}^{(1)}=\mathbf{d}\\ \mathbf{G}{\mathbf{m}}^{(2)}=\mathbf{d}\end{array}$$
所以，反问题$\mathbf{G}\mathbf{m}=\mathbf{d}$的解是不唯一的。

从以上的论述可知，反问题的非唯一性意味着存在零向量。

如果一个给定的反问题具有$q$个不同的零解，那么解的一般形式为：
$${\mathbf{m}}^{\mathrm{g}\mathrm{e}\mathrm{n}}={\mathbf{m}}^{\mathrm{p}\mathrm{a}\mathrm{r}}+\sum _{i=1}^q{\alpha }_i{\mathbf{m}}^{\mathrm{n}\mathrm{u}\mathrm{l}\mathrm{l}(i)}$$
其中，$0\le q\le M$，$M$为模型参数的个数，也就是说线性不相关的零向量的数量不会多于未知量（模型参数）的数量。

简单反问题的零向量，举例
如下一个非常简单的方程，该方程表明数据是对四个模型参数均值的测量：
$$\mathbf{G}\mathbf{m}=\left[\begin{array}{llll}\frac{1}{4}& \frac{1}{4}& \frac{1}{4}& \frac{1}{4}\end{array}\right]\left[\begin{array}{l}{m}_1\\ m_2\\ m_3\\ m_4\end{array}\right]=\left[d_1\right]$$
这个方程的一个明显的解(实际上，这是最小长度解)是
$$\mathbf{m}=[d_1,d_1,d_1,d_1{]}^T$$
有三个线性无关的零解：
$${\mathbf{m}}^{\text{null }(1)}=\left[\begin{array}{r}1\\ -1\\ 0\\ 0\end{array}\right]{\mathbf{m}}^{\text{null }(2)}=\left[\begin{array}{r}1\\ 0\\ -1\\ 0\end{array}\right]{\mathbf{m}}^{\text{null }(3)}=\left[\begin{array}{r}1\\ 0\\ 0\\ -1\end{array}\right]$$
那么，一般解是：
$${\mathbf{m}}^{\mathrm{g}\mathrm{e}\mathrm{n}}=\left[\begin{array}{c}{d}_1\\ d_1\\ d_1\\ d_1\end{array}\right]+{\alpha }_1\left[\begin{array}{r}1\\ -1\\ 0\\ 0\end{array}\right]+{\alpha }_2\left[\begin{array}{r}1\\ 0\\ -1\\ 0\end{array}\right]+{\alpha }_3\left[\begin{array}{r}1\\ 0\\ 0\\ -1\end{array}\right]$$
如果选择最小化解的长度$\Vert \mathbf{m}{\Vert }_2$，则获得最小长度解。从一般解很明显可以看出，最小长度解从来不包括任何零向量。但需要注意的是，如果使用解的简单程度的其他定义（如平直度/光滑度）,那么这些解将包含零向量。

2 模型参数的局部平均

模型参数的求解有两种方法：

• 估计模型参数$\mathbf{m}$的元素
• 估计模型参数的平均$⟨m⟩={\mathbf{a}}^{\mathbf{T}}\mathbf{m}$

对于模型参数的平均$⟨m⟩={\mathbf{a}}^{\mathbf{T}}\mathbf{m}$，其中${\mathbf{a}}^{\mathbf{T}}$的作用就是在模型参数向量中选取某些元素，并取平均。如果这个“平均向量”大部分是由$0$构成，非零元素仅“聚集在某个局部”，那么这个平均是局部的。
例如，当$M=8$，平均向量$a=[0,0,1/4,1/2,1/4,0,0,0]$，是关于三个模型参数的局部平均。注意，平均向量通常要归一化从而使它的元素之和为单位$1$。

估计模型参数平均值而不估计直接估计模型参数本身的优势在于，即使模型参数本身是非唯一的，也有可能识别唯一的平均值。
如：
$$⟨\mathrm{m}⟩={\mathbf{a}}^{\mathrm{T}}{\mathbf{m}}^{\mathrm{g}\mathrm{e}\mathrm{n}}={\mathbf{a}}^{\mathrm{T}}{\mathbf{m}}^{\mathrm{p}\mathrm{a}\mathrm{r}}+\sum _{i=1}^q{\alpha }_i{\mathbf{a}}^{\mathrm{T}}{\mathbf{m}}^{\mathrm{n}\mathrm{u}\mathrm{l}\mathrm{l}(i)}$$
如果${\mathbf{a}}^{\mathrm{T}}{\mathbf{m}}^{\mathrm{n}\mathrm{u}\mathrm{l}\mathrm{l}(i)}=0,i=1,2,\cdots ,q$,那么$⟨\mathrm{m}⟩$是唯一的，平均的过程完全移除了问题的非唯一性。
$\mathbf{a}$拥有$M$个元素，并且存在$q$个约束施加在$\mathbf{a}$上，那么总可以找到至少一个向量与零向量抵消（或湮灭）。尽管如此，人们无法保证平均向量在某个特定模型参数周围是局部的。但是，如果$q<M$，那么在选择$\mathbf{a}$时将拥有一定的自由度，并且存在一定的可能性使平均向量至少在某种程度上是局部的。这是否能够实现取决于零向量的结构，它反过来又依赖于数据核$\mathbf{G}$的结构。模型的小尺度特征在许多问题中是不可求解的，所以经常求解唯一的局部平均。