1. 课程导入与问题定义

在工程计算与数据分析中，我们经常遇到一个看似简单却暗藏陷阱的问题：已知一串离散采样点，如何求某个位置上的导数？如果函数表达式已知，解析求导当然最理想；但现实中更多的情况是——我们只有测量数据、仿真输出或黑箱函数的采样值。这时就必须借助数值微分：用离散点之间的差分来近似导数。

数值微分的基本思想来自导数的定义。对一阶导数，最直接的做法是前向差分：

f'(x) ≈ [f(x+h) - f(x)] / h

其中 h 是步长。类似地还有后向差分 [f(x) - f(x-h)] / h，以及精度更高的中心差分 [f(x+h) - f(x-h)] / (2h)。从泰勒展开看，前向与后向差分的截断误差是 O(h)，中心差分是 O(h²)。这给人一种直觉：h 越小，近似越准。但真实计算中，这个直觉会很快失效。

为什么数值微分是“病态”的

数值微分是一个典型的不适定问题。设采样值带有误差 ε，前向差分的误差传播大致为 ε/h。当 h 减小时，截断误差按 O(h) 下降，但舍入/测量误差按 1/h 放大。两者叠加存在一个最优步长：太小则噪声爆炸，太大则截断误差显著。中心差分同理，噪声放大系数约为 ε/(2h)。这就是数值微分“越精细越不稳”的根源。

举个具体例子。假设真实函数为 f(x)=sin(x)，在 x=1 附近采样，采样值叠加了标准差 σ=1e-3 的随机噪声。取 h=1e-2 做中心差分，噪声项放大约 1/(2h)=50 倍，输出误差量级可达 5e-2；而真实导数为 cos(1)≈0.5403。此时相对误差已接近 10%。若把 h 降到 1e-4，噪声放大到 5000 倍，结果可能完全不可用。这说明：数值微分的精度不由公式阶数单独决定，而由“截断误差—噪声放大”的平衡决定。

噪声从哪里来

实际数据中的扰动来源多样：传感器量化与电子噪声、采样时钟抖动导致的横坐标误差、实验环境波动、仿真求解器容差、数据压缩或传输损失等。它们有的表现为高频随机抖动，有的表现为低频漂移或孤立尖峰。不同噪声形态对差分的影响不同：高频噪声在差分后被显著放大，孤立尖峰会造成局部导数虚假跳变，低频漂移则可能被误判为真实趋势。因此，抑制策略必须与噪声特性匹配，不能一概而论。

本课程的整体路线

围绕“算得准、抗得住”两个目标，本课程按以下主线展开：先建立差分格式与误差分析的基础（前向/后向/中心差分、高阶格式、步长选择）；再系统讨论噪声抑制手段（平滑预处理、Savitzky–Golay 滤波、正则化、总变差方法、频域滤波）；随后进入实践环节（采样间隔与噪声水平的联合评估、差分结果的可信度判断、异常尖峰的识别与处理）；最后通过案例把方法串起来，形成可复用的计算流程与检查清单。下图给出课程的知识结构与数据流关系。

上图把课程主线压缩成一条处理链：采样数据与噪声来源共同进入差分环节，差分格式决定截断误差阶数，而噪声放大与截断误差的平衡决定可用步长；右侧的抑制手段并非“万能补丁”，而是需要根据噪声类型选择，并通过残差与平滑度反馈回调整体参数。理解这条链，比记住某个公式更重要。

先建立三个基本判断

在进入具体方法之前，建议先形成三个判断习惯。第一，先看数据再选格式：采样间隔是否均匀、噪声量级大概多少、是否存在明显尖峰，直接决定该用中心差分还是先平滑。第二，把步长当作可调参数而非固定常数：对含噪数据，h 过小往往比 h 稍大更糟，应通过误差曲线或交叉验证选择。第三，结果必须可检验：至少检查导数曲线是否出现不合理的高频振荡、是否与已知物理趋势矛盾、残差是否集中在少数点。这三条判断将贯穿后续所有章节。

数值微分不是“套一个差分公式”就结束的计算，而是一个需要同时管理截断误差与噪声放大的估计问题。本课程后续将围绕差分格式、误差分析、平滑与正则化、参数选择与结果检验逐步展开，最终让你面对真实含噪数据时，能够有依据地选择方法、设定参数，并判断输出是否可信。