温度预测很准，为何变化速度却错了？

斜率与数值一样重要时

模型将过程温度重建到百分之一度误差内，能否也相信升温速度？物理AI模型可能贴合数值，却在点间过度振荡。导数衡量变化快慢，会暴露在数值中几乎看不见的振荡。温度误差小不自动意味着变化率误差小。

摘要。先从含噪测量估计导数，推导时间窗口与噪声的取舍；再比较数值相近、导数差异大的函数。局部多项式滤波提供两点差分之外的方案。结果来自合成函数及明确统计模型的计算，不是实验室测量、网络训练或设备验证。目标是理解将模型用于物理方程前还需什么证据。

单位明确的简单过程

设f(t)=20+2sin(ωt)，温度单位°C，t为秒，ω=2π/60弧度/秒。振幅2°C、周期60秒，并非完整传热模型。导数f′(t)=2ωcos(ωt)，单位°C/s，t=0约0.20944。零只是局部时间原点，负采样时间代表此前，并非不可能的物理时间。

测量加入误差：y(t)=f(t)+ε(t)。假定各样本误差独立、均值0、标准差σ=0.05°C相同。后续方差计算不要求高斯噪声。σ是教学假设，不是仪器实测规格。若有相关或系统漂移，公式会变。

为何采样点更近反而可能估得更差

取中心前后各h秒测量，温差除经过的2h秒得到中心差分D_h。无噪声时h缩小让平均斜率靠近导数；有噪声时，误差差值也除以越来越小的数，使看似时间定位更精细的估计不稳定。

方差以(°C/s)²衡量随机离散。独立误差方差相加，减号不使其抵消。标准差σ/(√2 h)，h=1秒约0.03536°C/s，h=0.1秒则0.35355，大于真导数0.20944。这是理论矩的数值计算，不是重复试验观测，代码未生成随机样本。

扩大窗口降噪，却引入偏差

既然远点能降离散，为何不用巨大区间？曲线段平均斜率不同于中心斜率。本例零点D_h均值精确为2sin(ωh)/h，减2ω得到偏差，即系统性平均误差。函数足够光滑时Taylor展开给主偏差h²f‴(t)/6，在局部展开有效范围内随h平方增长。

两展开相减消去偶数项，除2h留下导数与降为h²阶的三次项。O(h⁴)表示在足够光滑条件下四阶或更高残差。均方误差MSE等于偏差平方加方差，因为随机值偏离自身均值的期望为0。开方得到RMSE，单位回到°C/s，可与真实速度比较。

本例h从0.1增至5秒改善RMSE，到10秒又恶化。不是万能步长，取舍取决于噪声和曲率。此外中心差分使用未来t+h样本，实时系统需延迟h秒，或换仅用过去现在的因果估计器。数值精度不能消除时序约束。

拟合数值良好不控制导数

现在考察近似函数本身，而非测量噪声。设g(t)=f(t)+0.01sin(8πt)，任意时刻数值差不超过0.01°C，扰动周期0.25秒。但g′−f′=0.08πcos(8πt)，误差幅度约0.25133°C/s，大于原导数幅度0.20944。数值接近并未阻止斜率显著不同。

这是解析反例，不是训练失败的神经网络。仅验证数值误差不能单独保证物理模型中导数准确。一般扰动εsin(kt)幅度ε，导数幅度εk，提高频率可增后者而不增前者。k单位为时间倒数，使εk正确具有温度/秒单位。

左图双轴为对数：相同距离表示相同比值，不是差值。从0.1到1秒是十倍。重点看哪项主导总误差及总误差何时不再下降。右图线性轴，g′甚至为负而f′仍正，扰动模型会在参考仍升温时提示局部降温。

替代方案：用多个点拟合局部斜率

在五个等间隔时刻t+jΔ、j=−2到2，用最小二乘拟合a+bjΔ+c(jΔ)²，求中心导数b。对称使j、j³之和为0，线性列与常数、二次列正交，正规方程给b=Σ_j j y_j/(ΔΣ_j j²)。因j²之和10，权重为[−2,−1,0,1,2]/(10Δ)。

独立等方差噪声下组合方差为σ²乘权重平方和，即0.1σ²/Δ²，而h=Δ中心差分为0.5σ²/Δ²。随机离散降低，但窗口更宽，且假定低阶多项式能描述局部。Δ=1秒时均值0.20814°C/s、RMSE0.01586，对比中心差分0.03536。并非普遍更好，快速变化可能被滤掉。

这正是Savitzky–Golay等局部多项式求导的机制。SciPy区分导数阶数、窗口长度、多项式次数和采样间隔delta。本文直接实现五权重，未运行SciPy。序列边缘不具对称性，扩展或拟合方式会改结果。仅说滤过数据不足以复现导数。

曲线进入物理模型前应验证什么

若方程使用变化率，评估也须针对该量及单位、时间尺度。曲率惩罚、导数数据或物理约束可限制振荡，但引入需验证的假设与权重，不自动保证正确。即使精确微分网络，也可能得到错误物理斜率：计算对学得函数精确，不代表函数合适。

答案是否定的：温度重建准本身不足以确认导数准。第一例窗口过窄放大噪声，第二例模型小振荡变斜率大振荡。不同原因需不同检查。真实数据还需表征噪声、采集时序、边缘处理及独立导数参考，本文未测这些。

SciPy — scipy.signal.savgol_filter, parameters deriv, delta, window_length, polyorder and boundary modes.

完整代码存表、误差曲线与解析轨迹，计算仅用Python标准库，绘图用Matplotlib，不含硬件或EL-AI成果。片段复现核心表：差分均值、偏差、方差及组合，区分已知合成函数导数与含噪测量下的估计器。

import math
omega = 2*math.pi/60
sigma = 0.05
true = 2*omega
for h in [0.1, 1, 5, 10]:
    mean = 2*math.sin(omega*h)/h
    bias = mean-true
    variance = sigma**2/(2*h*h)
    print(h, mean, math.sqrt(bias*bias+variance))

代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 9 月 29 日。