一、这篇笔记要解决什么问题
上一篇我整理了这本书的知识架构。这一篇不再按章节复述，而是专门提炼：
- 哪些结论最实用；
- 哪些结论应该从“书本知识”转化为“工作知识”；
- 做逆问题、散射反演、计算电磁项目时，哪些判断应该成为默认思维。
如果把整本书压缩成一句最值得带去工作的结论，我会写成：
逆散射不是“把数据倒过来算”的问题，而是“在不适定条件下，把前向模型、数据设计、正则化和优化绑在一起做稳定求逆”的问题。
这句话听起来抽象，但它几乎决定了后面所有建模和工程决策。
二、本书中最值得转化为工作知识的 14 条结论
| 书中的结论 | 应转化成的工作知识 | 对实际工作的直接影响 |
|---|---|---|
| 逆散射问题通常是非线性且不适定的 | 任何反演流程都不该默认“直接求逆” | 从第一天起就把正则化、约束和先验放进方案，而不是后补 |
| 正问题是逆问题的前提 | 没有可靠前向求解器，就不要谈可靠反演 | 先把 forward solver 做稳，再做 inversion |
| Far field pattern 是书中的标准数据接口 | 先明确你拿到的是远场、近场、还是混合数据 | 不同数据类型对应不同算子、不同病态程度、不同实验代价 |
| 线性化方法（如 Born）虽然方便，但依然病态 | 线性化不等于问题变简单，只是把非线性换成了线性病态 | 线性方法最多当弱散射近似、初始化或基线，不要过度承诺 |
| 物理光学近似能把问题线性化，但依赖高频和完整频率数据 | 高频近似不是“便宜捷径”，而是有强适用条件的近似工具 | 如果数据只在共振区或频带不完整，这条路基本不稳 |
| 非线性问题的线性化仍继承不适定性 | Newton / Gauss-Newton 也必须正则化 | 迭代反演里每一步都要考虑稳定化，而不是只做雅可比更新 |
| 多入射场能显著提升可识别性 | 入射多样性是信息预算，不是可有可无的锦上添花 | 预算有限时，优先争取更多入射方向/极化/频率，而不是只追单次精度 |
| 近场数据理论上略优于远场，但改善未必巨大 | 不要神化 near field | 选 near field 应主要出于实验可达性、尺寸先验、点源激励等现实原因 |
| 有限孔径会显著恶化重建 | limited aperture 不是“少一点角度”，而是问题性质变差 | 孔径受限时，必须加强先验、增加入射数或接受分辨率下降 |
| Transmission eigenvalues 会污染某些反演方法 | 频率选择本身就是算法设计的一部分 | 对低损耗或实介质，固定频率反演要特别小心“坏频率” |
| 有吸收时很多理论性质更友好 | lossy medium 通常比完全无耗介质更“好做” | 对有耗材料可以更大胆用某些完备性或 dual space 思路 |
| Dual space method 能把问题拆成“线性病态 + 非线性较低维优化” | 尽量把大问题分解，而不是把所有未知一次性扔进大优化 | 先解线性 ill-posed 子问题，再做低维非线性拟合 |
| 二维解析边界上 Nyström 方法很强，但角点要特殊处理 | 几何特征决定离散方案 | 光滑边界可用高阶积分；有角点就要 graded mesh，不要硬上均匀网格 |
| 三维表面积分比二维难很多 | 不要把二维里的数值直觉直接搬到三维 | 三维常要重新权衡 collocation、Galerkin、BEM 与几何参数化 |
三、真正要带走的“工作化理解”
下面这部分，我不再按教材语言说，而是按做项目时的判断方式说。
1. 默认前提：逆问题一定要“稳定化”
这本书最重要的实际提醒是：
- 逆散射几乎从来不是一个自然稳定的问题；
- 你看到的“可解”，和“可稳定计算”不是一回事；
- 只要数据带噪，裸求逆就会把噪声放大。
因此，在工作里要把下面这个目标函数视为默认思维，而不是特殊技巧：
$$ \min_q |F(q)-y^\delta|^2 + \alpha \mathcal{R}(q) $$
这里最关键的不是公式本身，而是它代表的工作习惯：
- 数据拟合项只负责“解释观测”；
- 正则项负责“控制病态”；
- 参数 $\alpha$ 不是装饰，而是稳定性旋钮。
如果把这条习惯建立起来，很多项目一开始就不会走偏。
2. 先做正问题，不要一上来就做反演
书里整体结构已经说明了这一点，但把它转成工作知识更重要：
在你开始做反演以前，至少要能明确回答下面五个问题：
- 给定参数或几何后，正问题是否存在唯一解？
- 辐射条件是什么？
- 你的可测数据到底是由哪个算子输出的？
- 这个算子在数值上怎么离散？
- 正向误差会怎样传进反演误差？
如果这五件事没想清楚，后面的优化、机器学习、神经算子，都会建立在不稳的地基上。
3. 线性化不是万能药，Born 近似只能在弱散射下用
书里对 Born 近似的态度其实很清楚：
- 它把非线性逆介质问题变成线性积分方程；
- 这是它最大的优点；
- 但核是解析的，所以问题仍然严重不适定；
- 更重要的是，它只在弱散射条件下才合理。
工作化以后，这条结论可以写成一句硬规则：
Born 近似适合做 baseline、初始化、弱对比度场景，不适合拿去解释强散射、高对比、强多次散射的数据。
如果你的项目里存在：
- 高折射率对比；
- 强导体响应；
- 明显多次散射；
- 共振增强；
那么 Born 基本不该被当成主力模型。
4. 高频近似也不是“便宜替代”，它依赖完整频率信息
书中对 physical optics approximation 的讨论特别值得记住。
它告诉我们：
- 高频近似能在一定程度上把障碍物反演线性化；
- 但它需要很理想的数据条件；
- 实际上经常只拥有部分频率范围的数据；
- 一旦频带不完整，原本看起来已经“线性化”的问题，病态性会重新回来。
因此，实际工作里要形成一个判断：
高频近似不是低成本捷径，而是一个对数据完整性高度敏感的特定 regime。
这对实验设计很重要。很多时候真正值得投入的不是换个近似，而是争取更完整的频率覆盖。
5. Newton、Gauss-Newton 也必须被正则化
第 4 章一个很实用的观点是：
- 非线性问题如果本身不适定；
- 那么它的线性化也会继承这种不适定性；
- 所以任何基于线性化的迭代方法，都不能裸跑。
换成工作语言就是：
不要把“有雅可比”误以为“可以稳定迭代”。
真正应该默认的是：
- regularized Newton；
- regularized Gauss-Newton；
- Tikhonov 型步长控制；
- trust region / damping；
- 或者 quasi-solution 约束。
这条原则在今天也仍然有效，即使用自动微分和神经网络替代部分求解器，病态性并不会自动消失。
6. 数据设计比优化器更重要
这本书反复告诉读者：信息量来自数据，而不是优化器。
特别是下面几条：
- 多个入射场可以显著改善重建；
- 多个方向、多个极化、多个频率，本质上是在增加可识别性；
- 单次测量如果信息不够，再复杂的反演器也补不回来。
因此，做项目时如果预算有限，优先级通常应该是：
- 增加入射多样性；
- 增加可观测角度；
- 优化频率覆盖；
- 然后才是替换优化器、堆更复杂网络结构。
这是非常“反直觉但实用”的一条工作原则。
7. limited aperture 会让问题迅速变坏
书中明确指出：
- 远场只在部分观测角度已知时，重建质量会明显变差；
- 二维数值实验甚至提示，想要可接受的结果，孔径通常不能太小；
- 同时往往还需要多个 incident waves。
工作化以后，可以直接记成一句：
孔径受限不是“小降级”，而是“识别结构被破坏”。
这意味着如果实验上无法获得足够视角，就必须主动补救：
- 加强几何先验；
- 限缩参数空间；
- 增加入射场数量；
- 接受只能恢复低频形状、难以恢复细节。
8. near field 比 far field 略好，但没有魔法提升
书里给出的判断非常成熟：
- near field 的病态程度理论上略轻一些；
- 但数值实验表明，精度提升未必非常显著；
- 不应把它理解成“换近场就根治病态”。
这条结论转成工作知识后非常有用：
选 near field 的核心理由，通常是实验现实性，而不是幻想它自动把逆问题变简单。
near field 更适合的真实场景反而是：
- 点源比平面波更容易实现；
- 测量面天然提供散射体尺寸先验；
- 样品处在导电背景中，远场测量本来就不现实；
- 人体组织、介质容器、水槽实验等场景。
9. 吸收通常让问题“更听话”，无耗介质要更谨慎
这是书里一个非常实用但容易被忽略的观点。
在若干关键理论结果里：
- 有吸收时，某些 transmission eigenvalue 问题会消失；
- 某些完备性结论更容易成立；
- 某些 dual space 方法更稳定。
工作上就该形成下面这个直觉：
lossy medium 往往是更友好的研究对象，real-valued / weakly lossy medium 则更容易踩到坏频率和数值不稳定。
所以在做：
- 无耗介质反演；
- 低损耗电磁介质；
- 固定频率重建；
时，要默认自己面对的是更难的问题，而不是标准难度。
10. Transmission eigenvalues 是必须前置排查的风险项
这本书把 transmission eigenvalues 放在很关键的位置，不是偶然。
从工作角度看，它代表一种非常具体的失败机制：
- 某些频率下，完备性出问题；
- 某些恒等式会退化；
- 某些 dual space 方法会被污染；
- 重建会变差，甚至会误导你以为算法实现错了。
因此它应该进入你的项目 checklist：
- 当前介质是否低损耗？
- 当前频率是否可能落在坏区间？
- 是否需要换频率扫描？
- 是否需要改用 modified dual space method 或其他绕开机制？
这比单纯调超参数要重要得多。
11. 把大问题拆成“线性病态 + 非线性低维”通常是更好的路线
书中 dual space method 的一个核心价值，是它不是直接暴力拟合全部未知，而是：
- 先求解一个线性 ill-posed 子问题；
- 再把非线性优化压缩到更低维的参数空间。
这条思想非常值得迁移到今天的工作流里。
无论你是在做：
- 传统 PDE 反演；
- surrogate-assisted optimization；
- PINN / neural operator 辅助反演；
- differentiable simulator；
都值得问一句：
有没有办法把“最病态的一部分”和“最非线性的一部分”拆开？
如果能拆开，问题规模和调参难度通常都会明显下降。
12. 二维光滑边界上 Nyström 很强，但角点必须上 graded mesh
这本书在数值部分给出的结论非常实操：
- 二维光滑解析边界时，Nyström 方法简单、收敛快；
- 但一旦边界存在角点，均匀网格会明显变差；
- 这时就要改用 graded mesh 或变量代换。
工作化以后，这条规则非常简单：
离散方案应该服从几何，而不是服从代码习惯。
如果几何里有：
- corners；
- edges；
- cusp-like singular behavior；
- 参数化不均匀；
就不该默认均匀采样足够。
13. 三维问题不能照搬二维直觉
书里明确指出：
- 三维边界积分方程的数值实现复杂度显著增加；
- 二维里很自然的全局逼近和简单求积，不一定还能直接用；
- 在三维上，collocation / BEM / specially designed Nyström / spherical harmonic techniques 需要重新权衡。
这在工作里意味着：
先在二维验证思想可以，但不要用二维上的“收敛直觉”和“工程预算”估计三维成本。
尤其是：
- 矩阵装配成本；
- 奇异积分处理；
- 几何参数化难度；
- 内存占用；
- 并行实现复杂度；
都会在三维急剧放大。
14. 目标不是“恢复真相”，而是“恢复可稳定解释的数据一致解”
这本书最成熟的一点，是它从不把逆问题写成“找到唯一真实世界答案”的童话。
更现实的表述是：
- 用可测数据约束未知对象；
- 在先验范围内找稳定、合理、数据一致的解释；
- 在理论允许的条件下讨论唯一性；
- 在工程上接受分辨率极限、病态性和噪声地板。
换句话说，真正应该形成的工作认知是：
逆问题的成功标准，不是“完全恢复”，而是“在给定数据质量和先验下获得可复现、可解释、可稳定的重建”。
这会直接改善你对结果图、误差曲线和负样本实验的判断。
四、我认为应该变成日常 SOP 的 8 条操作原则
如果我要把这本书压缩成一套每天都能执行的流程，我会写成下面 8 条。
SOP 1. 先分类问题，不要混着做
先问清楚：
- 你做的是 obstacle 还是 medium？
- 是 acoustic 还是 electromagnetic？
- 是 far field 还是 near field？
- 是固定频率还是多频率？
这四个判断会直接决定后续方法栈。
SOP 2. 先验证 forward solver，再允许自己碰 inversion
至少要检查：
- 辐射条件是否正确；
- reciprocity 是否成立；
- 数值离散是否收敛；
- 边界条件和介质模型是否一致；
- 噪声下 forward map 是否稳定。
没有这一步，后面的 inverse 结果没有可信度。
SOP 3. 默认加正则化，不要等炸了再补
优先准备：
- Tikhonov；
- discrepancy principle；
- quasi-solution / parameter bounds；
- 必要时加几何或稀疏先验。
把正则化写成配置项，而不是写成救火 patch。
SOP 4. 把数据设计当成核心设计
优先争取：
- 更多入射方向；
- 更多极化；
- 更合理的频率覆盖；
- 更好的观测孔径；
- 更有物理意义的测量配置。
很多时候，这比换任何 fancy optimizer 都更值。
SOP 5. 先判断能不能合理线性化
只有在下面条件比较接近成立时，才认真考虑 Born 或其他线性化路线：
- 弱散射；
- 低对比度；
- 多次散射不强；
- 目标不是最终精细重建，而是初始化或粗恢复。
否则就该准备全非线性方案。
SOP 6. 对“坏频率”保持敬畏
做固定频率反演时，默认检查：
- 是否可能受到 transmission eigenvalues 影响；
- 是否需要频率扫描；
- 是否要换到 modified dual space method；
- 是否要引入吸收、阻抗或其他辅助建模来避开退化。
SOP 7. 离散策略服从几何与维度
规则很简单：
- 2D + 光滑解析边界：优先考虑高质量积分和 Nyström；
- 2D + 角点：立即考虑 graded mesh；
- 3D：重新评估 BEM / collocation / Galerkin / 特殊球谐方法；
- 不要强行复用“上一题的网格策略”。
SOP 8. 结果评估看“稳定性”，不只看“拟合误差”
至少同时看：
- 对噪声是否敏感；
- 对初值是否敏感；
- 对正则化参数是否敏感；
- 对频率与孔径是否敏感；
- 是否能跨实验重复。
如果一幅图看着很好，但这些测试一碰就碎，那它大概率不是可靠结果。
五、最适合贴在工位前的 10 句短结论
- 先做 forward，再做 inverse。
- 逆问题默认病态，正则化默认开启。
- 线性化不等于稳定化。
- 更多数据多样性，通常比更复杂优化器更值钱。
- limited aperture 会实质性破坏可识别性。
- near field 不是魔法，只是另一种现实数据接口。
- 坏频率会毁掉好算法。
- 有吸收通常更友好，无耗介质要更谨慎。
- 离散方案必须服从几何奇性。
- 目标不是完美真值，而是稳定、可解释、数据一致的重建。
六、总结
如果说上一篇 0034 - 《Inverse Acoustic and Electromagnetic Scattering Theory》知识架构整理 解决的是“这本书在讲什么”，那么这一篇真正要解决的是：
这本书里哪些结论，应该变成你以后做逆问题和计算电磁项目时的默认判断。
我最后把这些结论压缩成一句最实用的话：
做逆散射，不要把注意力只放在“怎么反演”，而要放在“如何让前向模型、数据采集、频率选择、数值离散和正则化一起工作”。
这才是这本书最值得带走的工作知识。