Regularized Multiwavelet Collocation Methods for Ill-Posed Fredholm Integral Equations of the First Kind

Résumé technique : Méthodes de collocation par multi-ondelettes régularisées pour les équations de Fredholm de première espèce mal posées

Énoncé du problème
Les équations intégrales de Fredholm de la première espèce apparaissent naturellement dans les problèmes inverses où les mesures sont indirectes, lissées ou contaminées par du bruit. Parce que les opérateurs intégraux sous-jacents sont compacts, la discrétisation directe de ces équations produit typiquement des reconstructions instables ; de petites perturbations dans les données peuvent provoquer des changements arbitrairement importants dans la solution. Cette mauvaise formulation nécessite une stratégie numérique qui combine l'approximation et la régularisation. Bien que les bases par ondelettes et polynomiales aient été largement utilisées pour discrétiser ces équations, l'influence spécifique de la sélection de la base sur le comportement de stabilisation du problème inverse — au-delà de la simple précision d'approximation — demeure un écart diagnostique.

Méthodologie
L'article développe un cadre de collocation par multi-ondelettes régularisées unifié pour résoudre l'équation de Fredholm de première espèce générique $Kf = g$. La méthodologie procède selon les étapes suivantes :

1. Discrétisation via des bases d'ondelettes : La fonction inconnue $f$, la donnée $g$ et le noyau $K$ sont approximés par cinq bases distinctes à support compact :

   • Multi-ondelettes de Legendre linéaires (LLMW)
   • Ondelettes de Legendre
   • Ondelettes de Haar
   • Ondelettes B-spline
   • Ondelettes hybrides (combinant des fonctions de bloc-impulsion et des polynômes de Legendre)
     L'équation intégrale est transformée en un système algébrique linéaire $A_N C \approx G_N$, où la matrice $A_N$ dépend des règles de quadrature spécifiques et des propriétés d'orthogonalité de la base choisie.

2. Régularisation de Tikhonov : Pour stabiliser le système mal conditionné, les auteurs emploient la régularisation de Tikhonov. La formulation instable de premier type est convertie en un problème stabilisé par la minimisation du fonctionnel $J_\alpha(f) = \|Kf - g_\delta\|^2 + \alpha\|f\|^2$. Cela conduit à la résolution des équations normales $(A_N^T A_N + \alpha I)C = A_N^T G_\delta$.

3. Sélection du paramètre : Le paramètre de régularisation $\alpha$ est sélectionné a posteriori en utilisant le principe de la discordance de Morozov. Plus précisément, l'étude utilise une procédure de convergence cubique basée sur le principe de la discordance amortie pour garantir que le résidu $\|A_N C - G_\delta\|$ corresponde au niveau de bruit $\delta$.

4. Protocole de diagnostic : Un aspect critique de la méthodologie est l'utilisation d'un protocole de calcul fixe pour toutes les bases. Cela inclut des tailles de discrétisation identiques ($N=32$), des grilles de collocation, des réalisations de bruit (utilisant une graine aléatoire fixe) et des niveaux de bruit ($\delta = 10^{-4}$ à $5 \times 10^{-2}$). Cela garantit que les différences observées sont attribuables aux propriétés des bases plutôt qu'à des variances d'implémentation.

Principales contributions
La contribution primaire de ce travail est une comparaison diagnostique systématique et reproductible des cinq bases d'ondelettes sous un cadre unique de régularisation Tikhonov–Morozov. L'article va au-delà des tableaux d'erreur d'approximation standard pour évaluer les métriques suivantes pour chaque base :

• Erreur de solution ($E_{sol}$) : Précision de la fonction reconstruite.
• Erreur de résidu ($E_{res}$) : Adéquation avec laquelle la solution régularisée satisfait le système algébrique bruité.
• Conditionnement : À la fois le nombre de conditionnement du opérateur discret $\kappa(A_N)$ et celui des équations normales régularisées $\kappa(A_N^T A_N + \alpha I)$.
• Comportement du paramètre : L'amplitude de la discordance sélectionnée $\alpha$ à travers différents niveaux de bruit.
• Coût computationnel : Temps d'assemblage et de résolution.

Résultats
Les expériences numériques, menées sur des problèmes d'intégration de référence et des équations de Fredholm 1D/2D (incluant des noyaux de lissage gaussien avec des cibles lisses et non lisses), produisent les conclusions suivantes :

• La sélection de la base comme régularisation : Le choix de la base modifie significativement le comportement de stabilisation. Les bases qui se comportent de manière similaire en approximation sans bruit peuvent se comporter de façon radicalement différente lorsque le bruit et la régularisation sont introduits.
• Cibles lisses vs non lisses :
  • Pour les solutions lisses, les bases locales d'ordre supérieur (Multi-ondelettes de Legendre linéaires, ondelettes de Legendre et B-splines) fournissent généralement la meilleure précision de reconstruction et un conditionnement favorable après régularisation.
  • Pour les solutions non lisses (ex: fonctions avec des angles), l'avantage des bases polynomiales d'ordre élevé diminue. Dans ces cas, les bases de Haar et hybrides, qui offrent un support compact et une localité, restent compétitives et robustes.
• Conditionnement et stabilité : Les matrices de collocation non régularisées présentent un mauvais conditionnement extrême (ordre $10^{16}$). La régularisation de Tikhonov réduit cela de plusieurs ordres de grandeur, mais le nombre de conditionnement du résidu varie tout de même selon la base. L'étude démontre qu'une base présentant une faible erreur d'approximation dans un contexte propre peut nécessiter une régularisation plus agressive ou présenter une plus grande sensibilité au bruit qu'une base plus simple.
• Compromis computationnels : Bien que les ondelettes de Haar soient efficaces sur le plan computationnel et simples à implémenter, elles donnent souvent des reconstructions lisses moins précises. Inversement, les bases LLMW et B-spline offrent une précision supérieure pour les problèmes lisses mais entraînent des coûts d'assemblage plus élevés. La « meilleure » base n'est pas déterminée par la précision seule, mais par l'équilibre entre précision, conditionnement, robustesse au bruit et coût.

Signification et affirmations
L'article affirme que pour les équations de Fredholm de première espèce mal posées, la sélection de la base doit être considérée comme une composante intégrale de la stratégie de régularisation elle-même, et non uniquement comme un choix de théorie de l'approximation.

Les auteurs soutiennent que l'interaction entre la base de discrétisation et le mécanisme de régularisation est critique. La base influence le spectre de l'opérateur discret, le conditionnement des équations normales, la valeur du paramètre de régularisation sélectionné par le principe de la discordance et la propagation du bruit. Par conséquent, la sélection d'un espace d'approximation nécessite de trouver un équilibre entre précision, stabilité, conditionnement et coût computationnel. L'étude fournit des directives pratiques :

• Utiliser les Multi-ondelettes de Legendre linéaires, les ondelettes de Legendre ou les B-splines pour les problèmes inverses lisses où la haute précision de reconstruction et la stabilité sont primordiales.
• Utiliser les ondelettes de Haar ou hybrides lorsque la simplicité computationnelle, le faible coût, la localité ou la récupération de caractéristiques non lisses sont les préoccupations principales.

Cette perspective diagnostique distingue ce travail des études précédentes qui se concentraient principalement sur les propriétés d'approximation des ondelettes ou sur des techniques de régularisation isolées, offrant ainsi un cadre unifié pour évaluer la fiabilité de la récupération inverse dans des environnements bruités.