方向场 & 管子

一个一阶ODE dy/dx = f(x,y)定义了一个方向场:在平面上的每一个点(x,y),斜率f(x,y)指向解必须移动的方向。

一个分散的方向场:真实解路径附近的偏差会扩大。误差放大。

一个收敛的方向场:较大的偏差会收缩回到真实路径。误差减小。

两者都可能在同一个方程的不同点出现。解的准确性取决于你在哪里求值——而不是方程的绝对性质。

Hamming将准确性视为“管道”（tube）围绕真实解。在2D中，这个管道在分岔区域扩大，在收敛区域收缩。在n维空间（海军拦截问题使用了28个方程），管道几何变得不直观。第9章中的n维悖论适用：高维管道与2D管道没有任何共同之处。

欧拉法

最简单的微分方程解法：从点(xₙ, yₙ)，使用当前斜率估计下一个点：

> yₙ₊₁ = yₙ + h · f(xₙ, yₙ)

其中h是步长。这遵循每个点的切线——始终使用“过去的斜率”，而不是区间的典型斜率。误差随着每个步骤的积累。

预测-校正改进：使用欧拉预测一个值yₙ₊₁，评估在那里的一条斜率，然后在区间的两端使用斜率的平均值进行校正。如果预测值和校正值一致，步长是合适的。如果它们分开，缩短h。

高阶方法与滤波器连接

四次多项式预测-校正方法（Milne，Adams-Bashforth，Hamming的方法）使用函数和导数的过去值来预测下一个值。

Hamming将这些方法识别为递归数字滤波器：输出值（位置）由输入数据（过去步骤的导数）通过线性递归计算。这正是数字滤波器的结构。

这一联系有以下影响：

- 递归滤波器的稳定性分析直接适用。z变换稳定性标准：滤波器的传递函数的极点必须在单位圆内。

- 步长h控制稳定性。对于给定的微分方程，存在一个最大h值，超过这个值，数值方法将变得不稳定——计算出的解会分散，即使真实解是收敛的。

惯性方程：当系统具有极值相差很大的特征值（一个快速变化的分量，一个慢变化的分量），稳定性需要一个足够小的步长，以适应快速分量，即使慢分量可以容忍较大的步长。惯性求解器使用隐式方法，以允许在不导致不稳定性的情况下使用较大的步长。

频率 vs 位置权衡: 经典多项式方法优化局部位置准确性 —— 轨迹在每个步骤附近接近真实路径，但动态‘感觉’(频率响应)可能不正确。对于飞行模拟器，正确的频率响应可能比正确的位置更重要。

攀登沙丘的巅峰

Hamming 被赋予了一个用于晶体管设计的微分方程，具有在无穷远处的边界条件 —— 方程的右手边设置为零的边界条件。

稳定性分析令人不安：如果在任何一点 y 太大了，sinh(y) 被放大，二阶导数变为正，解向 +∞ 发散。如果 y 太小了，它会发散到 -∞。而且不稳定性是 双向 的 —— 在相反方向积分也不会帮助。

Hamming 的形象是‘攀登沙丘的巅峰。’一旦双脚都向一侧滑动，你会不经意地滑下。

他的解决方案: 利用不稳定性作为导向信号。 他在差分分析仪上整合了轨迹的一部分。如果解决方案向上射出，他在该段的起始斜率估计稍高——纠正向下。如果它向下射出，纠正向上。 他逐步走过沙丘的顶部。

使这一切可能的是：不稳定性增长得 快。 对开始斜率的误差产生了一个大型、明确的偏离——一个关于纠正方向的清晰信号。一个温和不稳定的问题不会提供这样的清晰信号。

专业义务: '如果没有重要问题恰当提问，可以从中提取一些有用的知识，这将是多么容易地拒绝这个问题是不可解的，错误地提出或者任何你想告诉自己的话。'

罗舍克测试与随机性

一位贝尔实验室的心理学家制造了一台机器：12个开关，一盏红灯，一盏绿灯。受试者设置开关，按下按钮，观察结果，经过20次尝试后写出如何让绿灯亮起来的理论。他们的理论被交给下一个受试者，并循环往复。

灯光连接到一个随机源。没有模式。

在所有的试验中，没有一位贝尔实验室科学家——所有的高级技术人员——曾经说过：没有模式。他们都找到了理论。

汉明的观察：没有一个人是统计学家或信息论家。这些两个领域训练实践者问：‘我看到的东西是否真的存在，还是只是随机噪音？’

模拟的含义: 可以调整直到与观察到的数据相匹配的模拟是一个罗舍克测试。调整过程中找到与数据一致的模型，但不一定是真实模型。区分信号与噪音需要有意的统计自律——持有数据、预先指定假设、置信区间——而不是仅仅有好意。

汉明的最后一项任务: '在你的未来中，'What if...?' 将会出现很多，因此你需要掌握模拟的概念和可能性，并准备质疑结果，必要时深入了解细节。'