敌人”——被噪声和仪器效应污染过的原始信号。
“导演，他……”
小王压低声音。
“他在做研究。”
刘伟的目光锐利，“别出声，看下去。”
林允宁的眉头，微微皱起。
他首先尝试了自己之前处理实验数据的那套算法：
傅里叶变换下的直接反卷积。
这在理论上是可行的，通过除以仪器响应函数的傅里叶变换，就能得到原始信号。
他很快写好了几十行代码，按下运行。
不到一分钟，结果图弹出——屏幕上是一片彻底崩溃的雪花噪声，状若心电图最后的疯狂抽搐。
失败了。
“嗯？”
刘伟的眉毛扬了一下，非但没有失望，眼中反而闪过一丝更浓厚的兴趣，“有意思，他碰壁了。”
对导演而言，一帆风顺的神话，远不如天才在碰壁后凭借自身力量解决难题的“故事”来得动人。
林允宁看着那张失败的图，脸上没什么表情，只是指尖在桌上有节奏地敲击着。
他立刻就找到了问题所在：
直接反卷积，在数学上等同于用一个很小（甚至趋近于零）的数去除另一个数，这个过程会将原始数据中本不明显的噪声无限放大，最终导致结果完全崩溃。
在信号处理领域，这是一个经典的“病态问题”（ill-posed problem）。
“呵，果然让陈师兄说中了，想走捷径，门儿都没有。”
他低声自语。
不能硬解，那就只能换个思路。
问题的核心，是信息不足。
而他手里唯一被忽略的额外信息，就是物理定律本身的约束——Kramers-Kronig关系。
他意识到，K-K关系在这里不应该被当作一个简单的“变换工具”，而是一个必须被严格遵守的“物理先验”。
他的最终答案，无论如何都必须满足这个约束。
那么，解题的思路就从“一步到位的求解”，变成了“戴着镣铐的寻找”。
也就是，建立一个本身就满足K-K约束的理论模型，然后通过迭代优化的方法，去寻找一组最优的模型参数，让这个模型产生的结果，去无限逼近那份带噪声的实验数据。
这，才是解决这类反演问题的正道。
而这整个算法的核心，就是那个
本章未完，请点击下一页继续阅读！