织构分析：测量与反演深入
WIMV、ADC与直接反演：从取向小格的体积分数推到一次可手算迭代
不借助级数系数，直接建立取向格到极图格的投影，用两格算例走完比值修正、几何平均与重归一，再区分ADC、最大熵、Poisson模型和核函数优化。
先记住这三点
- 直接法同样需要一个明确的前向几何矩阵，非负并不等于唯一。
- WIMV的几何平均修正、ADC的投影管交叠和Poisson模型的算术修正应分别解释。
- 格点密度与小格体积分数不同，归一化必须带Haar体积。
先把未知量从一条函数变成一盒小格
把取向空间分成互不重叠的小格Ωⱼ，令μⱼ=∫Ωⱼdμ表示该格在随机分布中的概率。未知xⱼ=∫Ωⱼf(R)dμ表示实际材料落进该格的体积分数，所以xⱼ≥0、Σⱼxⱼ=1。格内近似均匀时，ODF密度fⱼ≈xⱼ/μⱼ。
这一步不能省：等间距Euler格的μⱼ并不相等，因为Haar体积含sinΦ。如果在每个格放同样的xⱼ，会制造非随机的取向分布；随机初值应为xⱼ=μⱼ。若改用对称基本区，应把其测度归一到1，并一致处理边界和等价代表。
构造投影矩阵：每一列到底表示什么
对一张完整有向极图，分成球面格Bᵢ，随机面积份额aᵢ=ΔΩᵢ/(4π)。定义Aᵢⱼ为：取向在Ωⱼ内按Haar测度均匀变化时，其法向Rh落入Bᵢ的比例。即Aᵢⱼ=(1/μⱼ)∫Ωⱼ1Bᵢ(Rh)dμ；1B是落入该极图格时为1的指示函数。
因此Aᵢⱼ≥0，完整覆盖时每列ΣᵢAᵢⱼ=1。预测极份额pᵢ=ΣⱼAᵢⱼxⱼ，极密度Pᵢ=pᵢ/aᵢ。完整且正确的投影还应满足ΣⱼAᵢⱼμⱼ=aᵢ：随机初值x=μ必须回算为P=1。面族要在A中平均所有等价法向，反极合并也要先约定；若采用半球，可将aᵢ一致改成ΔΩᵢ/(2π)。多张PF分别有自己的归一化，不能把它们直接拼成一个总份额为1的观测向量。
一个测点为什么会沿取向空间形成轨迹
固定h和测得方向y时，所有满足Rh=y的R还允许绕y自转，这是一条一维轨迹。若把PF格缩成一个理想点，它约束的是这条轨迹上的取向平均；有限格则对应围绕轨迹的一根管。取向格与这根管相交多少，决定其贡献权重。
于是直接法不是把某个PF红点搬到一个ODF红点。一份极密度可能由许多取向格共同贡献，且同一个取向格会同时投影到不同面族的极图。多个独立面族通过共同的x把这些投影联系起来，这正是反演能增加约束的原因。
WIMV的初值：为什么采用几何平均
Engler第5.3.4节介绍的WIMV，先对某取向格投到各实验极图的密度求几何平均。若第k张PF有Mₖ个等价极，给每个关联极权重1/(K Mₖ)，则fⱼ⁽⁰⁾∝exp[ΣₖΣₘlnPₖ,ₘ/(K Mₖ)]；最后令Σⱼμⱼfⱼ⁽⁰⁾=1。
这里先对每张PF的等价极作平均，再对K张PF平均，避免高重数面族只因极更多就获得更大总权重。用对数看最清楚：几何平均等于平均lnP再取指数，能够将多个正强度条件以乘法方式合并；这与对实验计数直接作算术平均不同。
回算、求比值、乘回去：内迭代怎样发生
第n次已有x⁽ⁿ⁾，先算p⁽ⁿ⁾=Ax⁽ⁿ⁾及P⁽ⁿ⁾ᵢ=p⁽ⁿ⁾ᵢ/aᵢ。实验密度与回算密度之比rᵢ=Pᵢobs/Pᵢ⁽ⁿ⁾：大于1说明该方向预测偏弱，小于1说明预测偏强。对某取向格，将其关联方向的r按权重γᵢⱼ作几何平均，Gⱼ=exp[Σᵢγᵢⱼlnrᵢ]，其中Σᵢγᵢⱼ=1。
再令x̃ⱼ=xⱼ⁽ⁿ⁾Gⱼ，Z=Σⱼx̃ⱼ，xⱼ⁽ⁿ⁺¹⁾=x̃ⱼ/Z。这是书中式5.26–5.27的比值/几何平均思想。具体WIMV版本的投影、对称、多重性、内外迭代和权重有区别；下面为展示机制给γ一个明确选择，不声称这是一切WIMV程序的唯一实现公式。
两格算例第一步：连重归一都算出来
只考虑一张有两个等面积格的教学PF，以及两个取向格。令A=[[0.8,0.2],[0.2,0.8]]，观测极份额pobs=(0.68,0.32)，初值x⁽⁰⁾=(0.5,0.5)。因此p⁽⁰⁾=(0.5,0.5)，比值r=(1.36,0.64)。本例选γᵢⱼ=Aᵢⱼ；因各列和为1，它满足归一要求。
于是G₁=1.36^(0.8)×0.64^(0.2)≈1.16968，G₂=1.36^(0.2)×0.64^(0.8)≈0.74414。相乘后的x̃=(0.58484,0.37207)，总和Z≈0.95691，并不等于1。除以Z得到x⁽¹⁾≈(0.61118,0.38882)。少了这一步，后续密度尺度就会漂移。
第二步与可以直接求解的答案
回算p⁽¹⁾≈(0.56671,0.43329)，比值变为(1.19992,0.73853)。同样求几何平均得G≈(1.08892,0.81381)，乘回并归一得到x⁽²⁾≈(0.67775,0.32225)。第一格逐渐增大，预测朝观测移动。
这个极小系统可直接解：p₁=0.8x₁+0.2(1−x₁)=0.2+0.6x₁=0.68，得x₁=0.8、x₂=0.2。迭代是在逐步逼近同一个约束解；真实问题往往格数更多、覆盖不全、含噪声和零空间，不能据此保证任意几何平均迭代都单调、唯一或十步足够。
零区域为何既有用又危险
如果某个无噪声、已正确扣背景的完整方向格pᵢ=0，而Aᵢⱼ≥0、xⱼ≥0，那么ΣⱼAᵢⱼxⱼ=0只可能由所有Aᵢⱼ>0的相关xⱼ都为0。这是零区域约束的严格依据，也说明为什么几何平均中一个真正的零会压掉对应取向格。
但缺测不等于零，有限计数得到零也不证明真实强度精确为零。先把这些点区分成缺测、检测限以下和可信零区。为了计算对数而加很小的ε，只是数值处理，不能替代测量模型；乘法算法若把某个x初始化成0，后续也难以重新长出来，应避免无证据的零初值。
ADC补的是投影几何，而不是发明另一类晶体组分
ADC是arbitrarily defined cells，关键是用有限宽度的投影管与取向格的交叠体积来分配贡献。上面的Aᵢⱼ恰好表达这种分配：不是只问格中心落在哪条线，而是计算整个Ωⱼ有多大比例投进Bᵢ。若一格横跨两个PF格边界，其权重可以是0.3与0.7，而不是粗暴地全给一个格。
这样可以描述不规则PF网格、有限测量窗口和部分交叠，通常减轻离散化带来的突跳。它仍要求正确的测度、对称和足够分辨的交叠计算。ADC的“cell”不要与Gaussian component混为一谈：前者分割几何积分区域，后者假设ODF由有限个有中心和宽度的峰组成。
向量法与非负最小二乘：目标函数可以明确写出
有A之后，可把所有有效测点组成向量，求min Σᵢwᵢ[(Ax)ᵢ−pᵢobs]²，同时要求x≥0、Σx=1。展开梯度为2AᵀW(Ax−pobs)。无约束时令它为零得到正规方程；带非负条件后，需要检查哪些分量触到零边界。
这给书中“向量法”一个可跟随的数学形式。W的含义必须先定：是计数误差的逆方差，还是近似面积积分的权重。直接格法避免的是特定球谐级数的截断，不是所有分辨率误差；格宽、窗口和投影近似仍限制可恢复的细节。
Poisson计数模型为何出现另一种乘法修正
如果使用非负原始计数Nᵢ，预测均值应写λᵢ=bᵢ+tᵢΣⱼKᵢⱼxⱼ，包含背景b、计数时间t和响应K。独立Poisson模型的负对数似然为Σᵢ[λᵢ−Nᵢlnλᵢ]加常数；求导可得ΣᵢtᵢKᵢⱼ(1−Nᵢ/λᵢ)。扣背景后的净强度并不仍是一个独立Poisson变量。
在无背景、已把曝光吸收进非负矩阵A、并以非归一的强度权重u为未知的特定模型中，常见EM式更新为uⱼnew=uⱼ[ΣᵢAᵢⱼNᵢ/(Au)ᵢ]/[ΣᵢAᵢⱼ]。它使用的是比值的算术加权，不是上面的几何平均。这个式子用于说明不同统计目标如何产生不同算法，不能把它标成原始WIMV公式；加背景、概率归一或未知PF尺度后还需相应修改。
最大熵怎样挑一个解，又没有测到什么
取向格体积不等时，适合相对随机分布的熵是H=−Σⱼxⱼln(xⱼ/μⱼ)，而不是不加区别地最大化−Σxⱼlnxⱼ。只要求Σx=1时，最大熵解xⱼ=μⱼ，即f=1。若再要求Ax=pobs，用Lagrange乘子求导得到xⱼ∝μⱼexp[−ΣᵢλᵢAᵢⱼ]，比例常数由归一确定。
最大熵在允许的解中选择对随机基线附加信息最少的一种分布；含噪声时可将严格相等改为误差容许或惩罚。它不会证明这就是真实ODF。WIMV中提高最低ODF值的外迭代、最大熵、Tikhonov平滑和Poisson似然是不同选择，不能因都能“消除小峰”就当作同一原理。
核函数与组分法怎样接到同一个前向模型
若用单位积分非负核Kₖ(R)表示f(R)=ΣₖcₖKₖ(R)，cₖ≥0、Σcₖ=1，则每个核的投影给Bᵢₖ，仍有预测p=Bc。与小格相比，核先提供平滑形状；改变宽度就改变允许的角分辨率。固定中心/宽度时，系数估计可保持线性前向关系。
若把中心、宽度和每张PF的尺度也作为未知，优化变成非线性。Engler对MTEX路线的说明包括径向基、非负性和尺度联合估计；Helming组件法则用较少的可调形状峰压缩描述。两者都应说明哪些参数是数据约束、哪些属于分布模型，不能仅凭软件名推断结果无ghost或唯一。
真实研究中怎样审查直接法的结果
HIPPO石灰岩标准研究把同一类多反射织构信息放入不同分析路线并与其他设施比较；这是适合初学者追踪的实际问题：改善覆盖和几何模型后，主要取向分布是否仍一致。这里使用已核对的原始摘要范围，不给出未经全文确认的算法参数，也不把教学两格例当成该论文的数据。
实际分析可按“校正与掩膜→选对称/取向格或核→构造投影→定义目标与约束→迭代→回算各PF→比较关键区域积分”逐步说明。检查残差的位置、换网格后的组分稳定性、以及用独立EBSD比较时取样深度是否一致。正值、收敛和小残差分别只是必要证据的一部分；它们都不能单独消除反演零空间。
来源与延伸阅读
以下链接用于核对概念、标准状态或原始文献。本页为中文教学整理，不复制受版权保护的标准正文。