Численное решение интегральных уравнений Фредгольма и регуляризация Тихонова

Обратные задачи и некорректность по Адамару

Многие инженерные и научные проблемы формулируются как обратные задачи. Например: в томографии мы измеряем ослабление рентгеновских лучей, прошедших через тело, и хотим восстановить внутреннюю плотность тканей. В спектроскопии мы фиксируем размытый сигнал прибором и хотим узнать истинный спектр источника. В сейсморазведке мы регистрируем отраженные волны на поверхности и пытаемся восстановить структуру земных недр. Математически большинство таких задач сводится к решению интегрального уравнения Фредгольма первого рода, где искомая функция находится только под знаком интеграла.

В начале 20 века французский математик Жак Адамар сформулировал три условия корректно поставленной физической задачи: решение должно существовать, оно должно быть единственным, и оно должно непрерывно зависеть от исходных данных (устойчивость). Уравнения Фредгольма первого рода грубо нарушают третье условие. Интегрирование — это процесс сглаживания. Обратная операция (поиск подынтегральной функции) аналогична дифференцированию. Как следствие, даже микроскопический шум или погрешность в измерениях правой части уравнения приводит к гигантским, неконтролируемым осцилляциям в вычисленном решении. При попытке решить такую задачу обычным методом дискретизации мы получим матрицу, число обусловленности которой стремится к бесконечности.

Регуляризация: искусство разумного компромисса

Долгое время считалось, что некорректные задачи вообще не имеют физического смысла и не подлежат численному решению. Революция произошла в 1963 году, когда академик Андрей Николаевич Тихонов разработал теорию регуляризации. Идея Тихонова гениальна и философски глубока: если точная математическая задача неустойчива, давайте заменим ее близкой задачей, которая устойчива, и пожертвуем математической точностью ради физического смысла.

В методе Тихонова вместо того, чтобы искать функцию, которая строго обнуляет невязку интегрального уравнения, мы минимизируем специальный функционал (функционал Тихонова). Этот функционал состоит из двух частей. Первая часть — это квадрат нормы невязки (требование, чтобы решение соответствовало экспериментальным данным). Вторая часть — это стабилизатор (штрафной член), который обычно представляет собой квадрат нормы производной искомой функции. Стабилизатор наказывает алгоритм за излишнюю «изрезанность» и осцилляции решения, принудительно заставляя ответ быть гладким.

Выбор параметра регуляризации и L-кривая

Эти две части функционала связаны множителем — параметром регуляризации (альфа). Выбор этого параметра является самой сложной и важной частью процесса. Если альфа слишком мало, мы возвращаемся к исходной некорректной задаче, и решение тонет в высокочастотном шуме. Если альфа слишком велико, стабилизатор подавляет все, и мы получаем абсолютно гладкое, но бессмысленное решение (сглаживаются даже истинные пики сигнала).

Для поиска оптимального баланса разработаны мощные численные критерии. Наиболее известным является принцип невязки Морозова: параметр подбирается так, чтобы невязка решения была в точности равна уровню погрешности измерительного прибора. Другим популярным графическим методом является анализ L-кривой (зависимости нормы решения от нормы невязки в логарифмическом масштабе). Точка максимальной кривизны (угол буквы «L») обычно указывает на оптимальный параметр. Метод регуляризации Тихонова (и его статистический аналог — гребневая регрессия) стал фундаментом для всей современной вычислительной томографии, радиолокации и обработки изображений с телескопов.