1 基本概念
1.1 数值微分的定义
数值微分是指在不能直接或不便通过符号运算求得导数时，利用函数在若干离散点上的取值，对导数进行近似计算的方法。其核心思想是把“瞬时变化率”转化为“有限区间上的差异”，再借助差分关系逼近导数。
1.2 与解析求导的区别
解析求导依赖明确的函数表达式，并通过代数规则、求导公式或符号运算得到精确的导数形式；数值微分则更强调计算近似，结果通常是某个误差范围内的估计值。前者适合理论推导与精确表达，后者更适合计算机处理、实验数据分析以及复杂模型中的局部变化率估计。
1.3 适用场景与局限性
数值微分常用于函数形式复杂、解析求导代价较高，或数据仅以离散样本给出的情形。它在工程计算、实验测量和信号分析中尤其常见。其局限在于对噪声敏感，且误差会随步长选择、数据质量和格式阶数变化而显著波动，因此通常需要结合平滑和稳定性控制。
2 差分近似方法
2.1 前向差分
2.1.1 一阶前向差分公式
前向差分利用当前点与其后一个邻点的函数值构造导数近似。对函数 \(f(x)\)，在步长为 \(h\) 时，一阶导数可近似为 \[ f'(x)\approx \frac{f(x+h)-f(x)}{h}. \] 该公式形式简单，适合边界附近的计算，但精度相对有限。
2.1.2 高阶前向差分公式
通过引入更多前向采样点，可以构造更高精度的前向差分公式。例如，使用多个相邻点加权组合，可提高截断误差阶数。高阶前向格式通常适用于单侧可取值的区域，但系数更复杂，对噪声和舍入误差也更敏感。
2.2 后向差分
2.2.1 一阶后向差分公式
后向差分采用当前点与其前一个邻点的函数值进行近似，常写为 \[ f'(x)\approx \frac{f(x)-f(x-h)}{h}. \] 它与前向差分类似，常在数据流尾端或边界右侧需要单边估计时使用。
2.2.2 高阶后向差分公式
高阶后向差分通过多个历史点建立更高精度的近似表达，和前向高阶格式对应。此类公式在时间序列处理中较常见，因为它只依赖当前及过去数据，便于在线计算。
2.3 中心差分
2.3.1 一阶中心差分公式
中心差分同时利用左右两侧邻点信息，公式为 \[ f'(x)\approx \frac{f(x+h)-f(x-h)}{2h}. \] 由于利用了对称信息，它通常比前向或后向差分具有更好的精度，在均匀网格上应用非常广泛。
2.3.2 二阶中心差分公式
二阶导数的常见中心差分近似为 \[ f''(x)\approx \frac{f(x+h)-2f(x)+f(x-h)}{h^2}. \] 该公式可以从泰勒展开直接推出，是求解曲率、加速度和扩散项时的基础形式。
2.4 递推差分与高阶导数近似
递推差分指通过对低阶差分结果再次差分，逐步构造更高阶导数的近似。对于多阶导数，常可在固定网格上形成通用模板，将若干点值按权重组合起来。此类方法便于程序实现，但阶数提高后，系数往往增大，计算稳定性需要特别注意。
3 误差分析
3.1 截断误差
3.1.1 泰勒展开推导
数值微分公式通常由泰勒展开导出。将函数在某点附近展开后，截去高阶项便形成近似表达，而被舍弃的高阶项即构成截断误差。误差大小与步长 \(h\) 和导数的高阶项有关。
3.1.2 误差阶与收敛性
误差阶用于描述步长缩小时误差下降的速度。例如，一阶前向差分的截断误差通常为 \(O(h)\)，而中心差分的一阶导数公式常为 \(O(h^2)\)。当步长减小时，误差阶更高的公式通常收敛更快，但并不意味着在所有情况下都更优。
3.2 舍入误差
3.2.1 浮点运算影响
计算机以有限精度表示实数，差分公式中若两个相近数相减，容易发生有效数字损失。步长过小时，这种消减效应会放大浮点舍入误差，使近似结果变差。
3.2.2 步长选择与误差平衡
数值微分存在典型的误差平衡问题：步长过大时，截断误差占主导；步长过小时，舍入误差可能迅速上升。因此实际计算中通常需要在两类误差之间寻找合适折中，而不是一味缩小步长。
3.3 总误差模型
总误差一般可视为截断误差与舍入误差的综合结果。随着步长变化，总误差常呈现先下降后上升的趋势，形成一个最优区间。通过估计函数光滑性、数据精度和机器精度，可以对该区间作出近似判断。
4 常用数值微分公式
4.1 一阶导数近似
4.1.1 单点公式
单点公式只依赖一个方向上的邻点，便于边界处理。例如前向或后向一阶差分都属于单点近似。它们实现简洁，但在精度上通常不如对称格式。
4.1.2 多点公式
多点公式利用三个及以上采样点，通过组合多个差分项提高精度。常见做法是构造更高阶的有限差分模板，使主误差项尽可能被抵消。这类公式适合离散数据较密且噪声较小的情形。
4.2 二阶导数近似
4.2.1 五点差分公式
五点差分是高精度二阶导数近似的典型形式，常通过五个连续网格点构造。其误差阶一般优于三点中心差分，因此在需要更细致刻画曲率变化时常被采用。
4.2.2 高精度格式
高精度格式通常利用更多节点和更复杂的权重设计，以降低截断误差。它们适合光滑函数的精确估计，但在数据噪声明显或网格不规则时，优势可能被削弱。
4.3 边界点处理
4.3.1 单边差分
在区间端点处，无法同时获得左右两侧的数据，此时一般采用单边差分。单边格式会牺牲一部分对称性，但能够保证边界处仍有可用的导数估计。
4.3.2 非均匀网格差分
当采样点间距不相等时，传统均匀网格公式不再直接适用，需要根据实际节点位置重新推导权重。非均匀网格差分在实验数据和复杂几何计算中较为常见，对节点分布的依赖更强。
5 数据驱动的数值微分
5.1 离散观测数据求导
当仅有实验观测值或采样序列时，求导通常要基于离散点序列直接构造差分。此时导数不再对应严格意义上的连续函数极限，而是对局部变化趋势的数值估计。
5.2 插值后求导
5.2.1 多项式插值
先对离散数据进行多项式插值，再对插值函数求导，是一种常见策略。它能把离散点连接成连续表达式，但若插值阶数过高，可能出现振荡，影响求导稳定性。
5.2.2 样条插值
样条插值通过分段低阶多项式拼接，通常具有较好的平滑性和局部稳定性。与高次整体插值相比，样条方法更适合在求导前重建连续曲线，因此在工程数据处理中使用广泛。
5.3 平滑与去噪方法
5.3.1 滤波预处理
在微分之前先进行滤波，可以抑制高频噪声对差分结果的放大效应。常见做法包括移动平均、低通滤波等，这些方法往往能改善导数估计的可读性。
5.3.2 正则化微分
正则化微分将求导问题与平滑约束结合起来，在拟合数据趋势的同时限制过度波动。它常用于噪声较强的测量序列，能够在保留变化特征与抑制抖动之间取得平衡。
6 稳定性与精度提升
6.1 步长优化
合理选择步长是提升数值微分效果的关键。步长应与函数变化尺度、数据密度和机器精度相匹配。过大或过小都会损害结果，因此通常通过经验估计或误差分析来确定较优取值。
6.2 自适应差分策略
自适应差分会根据局部变化情况调整步长或公式阶数。对于变化平缓的区域，可采用较大步长以减少计算量；在变化剧烈或曲率较大的区域，则可缩小步长以提升分辨率。
6.3 高阶格式与外推法
6.3.1 Richardson外推
Richardson外推通过组合不同步长下的近似结果，消去低阶误差项，从而得到更高精度的导数估计。这种方法特别适合已知误差阶的差分格式。
6.3.2 组合公式改进
组合公式改进是指把多个差分模板按权重融合，以兼顾精度、稳定性和边界适应性。其设计目标通常是在不显著增加计算复杂度的前提下，尽量减小主误差。
7 数值微分中的典型应用
7.1 科学计算
在科学计算中，数值微分常用于估计函数的局部斜率、曲率及敏感性，为优化、模拟和参数识别提供基础信息。它也常与数值积分、插值和方程求解配合使用。
7.2 工程建模
工程建模中，许多控制量和状态量的变化率需要由离散传感器数据推得。数值微分可以帮助分析系统响应、材料变形、流量变化以及动态过程中的局部行为。
7.3 物理量估计
在物理实验与观测中，速度、加速度、温度变化率或其他导数量常不能直接测得，需要由位移、位置或时间序列间接计算。数值微分因此成为实验数据解释的重要工具。
7.4 信号处理
7.4.1 速度与加速度计算
对位置随时间变化的数据进行数值微分，可以估计速度和加速度。这类问题在轨迹分析、运动记录和惯性测量中十分常见。
7.4.2 峰值与变化率分析
导数信息有助于识别信号中的峰值、拐点和突变区域。通过观察导数的零点、极值或快速变化段，可以提取信号的结构特征。
8 相关主题
8.1 数值积分
数值积分是数值微分的对应主题之一，主要用于近似计算定积分。二者在离散化思想和误差分析上有很多相通之处。
8.2 数值分析
数值分析研究算法的构造、收敛性、稳定性和误差，是数值微分赖以发展的理论基础。它为差分公式设计和误差控制提供了系统框架。
8.3 有限差分法
有限差分法通过离散化导数项，将微分问题转化为代数方程组。数值微分中的差分思想正是有限差分法的重要组成部分。
8.4 微分方程数值解
微分方程数值解通常需要对导数进行离散近似，因此与数值微分密切相关。许多常用求解器都建立在差分、外推和稳定性分析的基础上。