信号与系统(20)-拉普拉斯变换的性质
同傅里叶变换一样,拉普拉斯变换的性质也可以实现对更多信号拉普拉斯变换的求解,除此之外,之前提到的求解拉普拉斯反变换的分部分式法以及留数法,也是在拉普拉斯变换具有线性和齐次性的前提下。这一部分内容将对拉普拉斯变换的性质做简要总结。
在讨论拉普拉斯变换的性质时,除变换本身外,要需要对变换前后收敛区间的变换加以强调。
1. 线性:
线性性质说明:信号的和的拉普拉斯变换,等于拉普拉斯变换的和,即“
L{a1f1(t)+a2f2(t)}=a1L{f1(t)}+a2L{f2(t)}L\{a_1f_1(t)+a_2f_2(t)\}=a_1L\{f_1(t)\}+a_2L\{f_2(t)\} L{a1f1(t)+a2f2(t)}=a1L{f1(t)}+a2L{f2(t)}
收敛区间:通常为L{f1(t)}L\{f_1(t)\}L{f1(t)}和L{f2(t)}L\{f_2(t)\}L{f2(t)}的公共部分,但是也有例外,如下面的例子:
f1(t)=−e−t⋅ε(t),f2(t)=e−t+δ(t)⋅ε(t)f_1(t)=-e^{-t}\cdot \varepsilon(t), \space f_2(t)=e^{-t}+\delta(t)\cdot \varepsilon(t) f1(t)=−e−t⋅ε(t), f2(t)=e−t+δ(t)⋅ε(t)
f1(t)f_1(t)f1(t)和f2(t)f_2(t)f2(t)的收敛区间分别均为Re(s)>−1Re(s)>-1Re(s)>−1,但是当两者相加后,收敛区间扩展成为(−∞,+∞)(-\infty,+\infty)(−∞,+∞)
适用范围:拉普拉斯变换的线性性质,对单边和双边拉普拉斯变换均适用。
2. 尺度变换特性:
如果L{f(t)}=F(s)L\{f(t)\}=F(s)L{f(t)}=F(s),收敛区间为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2,则:
L{f(at)}=1∣a∣F(sa)L\{f(at)\}=\frac{1}{\vert a\vert}F(\frac{s}{a}) L{f(at)}=∣a∣1F(as)
收敛区间:
- a>0a>0a>0时,收敛区间为aσ1<Re(s)<aσ2a\sigma_1<Re(s)<a\sigma_2aσ1<Re(s)<aσ2
- a<0a<0a<0时,收敛区间为aσ1>Re(s)>aσ2a\sigma_1>Re(s)>a\sigma_2aσ1>Re(s)>aσ2
适用范围:
- 若用于单边拉普拉斯变换,则要求a>0a>0a>0
- 对于双边拉普拉斯变换,对aaa没有要求
3. 时延特性:
如果L{f(t)}=F(s)L\{f(t)\}=F(s)L{f(t)}=F(s),收敛区间为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2,则:
L{f(t−t0)}=F(s)e−st0L\{f(t-t_0) \}=F(s)e^{-st_0} L{f(t−t0)}=F(s)e−st0
收敛区间:仍为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2
适用范围:
- 若用于单边拉普拉斯变换,要求t0≥0t_0\geq 0t0≥0
- 对于双边拉普拉斯变换没有要求。
应用时延特性,可以求出单边周期信号,即信号f(t)f(t)f(t)按照周期TTT在t>0t>0t>0的部分进行周期化后的信号的拉式变换,如图所示:
若f(t)f(t)f(t)的拉普拉斯变换为F(s)F(s)F(s),则单边周期化的信号为:
fT(t)=∑n=0∞f(t−nT)f_T(t)=\sum_{n=0}^{\infty}f(t-nT) fT(t)=n=0∑∞f(t−nT)
其拉普拉斯变换为:
L{fT(t)}=L{∑n=0∞f(t−nT)}=∑n=0∞L{f(t−nT)}=∑n=0∞F(s)⋅e−snT=F(s)[∑n=0∞e−snT]=F(s)1−e−sT\begin{aligned} L\{ f_T(t)\}&=L\{\sum_{n=0}^{\infty}f(t-nT) \} \\&=\sum_{n=0}^{\infty}L\{f(t-nT) \} \\&=\sum_{n=0}^{\infty}F(s)\cdot e^{-snT} \\&=F(s)[\sum_{n=0}^{\infty}e^{-snT}] \\&=\frac{F(s)}{1-e^{-sT}} \end{aligned} L{fT(t)}=L{n=0∑∞f(t−nT)}=n=0∑∞L{f(t−nT)}=n=0∑∞F(s)⋅e−snT=F(s)[n=0∑∞e−snT]=1−e−sTF(s)
4. 复移频特性
如果L{f(t)}=F(s)L\{f(t)\}=F(s)L{f(t)}=F(s),收敛区间为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2,则:
L{f(t)es0t}=F(s−s0)L\{f(t)e^{s_0t}\}=F(s-s_0) L{f(t)es0t}=F(s−s0)
收敛区间:σ1+Re(s0)<Re(s)<σ2+Re(s0)\sigma_1+Re(s_0)<Re(s)<\sigma_2+Re(s_0)σ1+Re(s0)<Re(s)<σ2+Re(s0)
使用范围:双边拉普拉斯变换和单边拉普拉斯变换均适用。
例如:已知L{tε(t)}=1s2L\{t\varepsilon(t)\}=\frac{1}{s^2}L{tε(t)}=s21,收敛区为Re(s)>0Re(s)>0Re(s)>0,则
L{t⋅es0t}=1(s−s0)2L\{t\cdot e^{s_0t}\}=\frac{1}{(s-s_0)^2} L{t⋅es0t}=(s−s0)21
收敛区:Re(s)>Re(s0)Re(s)>Re(s_0)Re(s)>Re(s0)
5. 时域微分特性:
在了解时域微分特性之前,首先回顾0+0^+0+系统和0−0^-0−系统:
如果在t=0t=0t=0时刻作为对系统开始观察的时刻,比如施加激励的时刻,或系统状态发生变化的时刻等,在t=0t=0t=0之后很近的时刻称为0+0^+0+时刻,在t=0t=0t=0之前很近的时刻称为0−0^-0−时刻,如下图所示:
0+0^+0+系统:从t=0+t=0^+t=0+开始考虑系统的激励和响应,响应的拉普拉斯变换为:
F(s)=∫0++∞f(t)e−stdtF(s)=\int_{0^+}^{+\infty}f(t)e^{-st}dt F(s)=∫0++∞f(t)e−stdt
0−0^-0−系统:从t=0−t=0^-t=0−开始考虑系统的激励和响应,响应的拉普拉斯变换为:
F(s)=∫0−+∞f(t)e−stdtF(s)=\int_{0^-}^{+\infty}f(t)e^{-st}dt F(s)=∫0−+∞f(t)e−stdt
0+0^+0+系统和0−0^-0−系统的主要区别为:
- 在t=0t=0t=0时刻,如果激励信号存在冲激信号,则在t=0t=0t=0时刻系统可能发生跳变,使得t=0−t=0^-t=0−时刻的状态和t=0+t=0^+t=0+时刻的状态不同。
- 0+0^+0+系统并没有考虑在t=0t=0t=0时刻信号加到系统时系统的状态,而是直接考虑信号加载之后的系统状态,即没有考虑系统的初始状态。0−0^-0−系统则考虑了系统的初始状态,在使用拉普拉斯变换时会自动引入初始条件。因此一般都使用0−0^-0−系统的拉普拉斯变换
时域微分特性:
如果L{f(t)}=F(s)L\{f(t)\}=F(s)L{f(t)}=F(s),收敛区间为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2,则:
L{ddtf(t)}=sF(s)−f(0−),→0−系统L{ddtf(t)}=sF(s)−f(0+),→0+系统\begin{aligned} &L\{\frac{d}{dt}f(t)\}=sF(s)-f(0^-),\space \rightarrow0^-系统 \\&L\{\frac{d}{dt}f(t)\}=sF(s)-f(0^+),\space \rightarrow0^+系统 \end{aligned} L{dtdf(t)}=sF(s)−f(0−), →0−系统L{dtdf(t)}=sF(s)−f(0+), →0+系统
收敛区间:可能会增大,但是不会减小
适用范围:单边和双边拉普拉斯变换都适用。
对于多阶微分,其拉普拉斯变换为:
L{dndtnf(t)}=snF(s)−sn−1f(0−)−sn−2f′(0−)−⋯−sf(n−2)(t)−f(n−1)(0−)L\{\frac{d^n}{dt^n}f(t)\}=s^nF(s)-s^{n-1}f(0^-)-s^{n-2}f'(0^-)-\cdots-sf^{(n-2)}(t)-f^{(n-1)}(0^-) L{dtndnf(t)}=snF(s)−sn−1f(0−)−sn−2f′(0−)−⋯−sf(n−2)(t)−f(n−1)(0−)
即:
L{dndtnf(t)}=snF(s)−sn−1∑i=0n−1s−ididtif(t)∣t=0−L\{\frac{d^n}{dt^n}f(t)\}=s^nF(s)-s^{n-1}\sum_{i=0}^{n-1}s^{-i}\frac{d^i}{dt^i}f(t)|_{t=0^-} L{dtndnf(t)}=snF(s)−sn−1i=0∑n−1s−idtidif(t)∣t=0−
若令初始状态为零,则:
L{dndtnf(t)}=snF(s)L\{\frac{d^n}{dt^n}f(t)\}=s^nF(s) L{dtndnf(t)}=snF(s)
可以用于求解零状态响应。
6. 时域积分特性:
如果L{f(t)}=F(s)L\{f(t)\}=F(s)L{f(t)}=F(s),收敛区间为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2,则:
L{∫0−tf(τ)dτ}=F(s)sL\{\int_{0^-}^{t}f(\tau)d\tau\}=\frac{F(s)}{s} L{∫0−tf(τ)dτ}=sF(s)
收敛区间:因为多引入了一个极点,因此收敛区间可能变小
适用范围:单边和双边均适用
推广:
L{∫0−t∫0−τ2f(τ1)dτ1dτ2}=F(s)s2L\left\{\int_{0^{-}}^{t} \int_{0^{-}}^{\tau_{2}} f\left(\tau_{1}\right) d \tau_{1} d \tau_{2}\right\}=\frac{F(s)}{s^{2}} L{∫0−t∫0−τ2f(τ1)dτ1dτ2}=s2F(s)
7. 复频域微积分特性:
如果L{f(t)}=F(s)L\{f(t)\}=F(s)L{f(t)}=F(s),收敛区间为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2,则:
L{t⋅f(t)}=−ddsF(s)L{f(t)t}=∫s+∞F(p)dp\begin{aligned} L\{t\cdot f(t)\}&=-\frac{d}{ds}F(s) \\L\{\frac{f(t)}{t}\}&=\int_{s}^{+\infty}F(p)dp \end{aligned} L{t⋅f(t)}L{tf(t)}=−dsdF(s)=∫s+∞F(p)dp
收敛区:
- 复频域微分:可能增加
- 复频域积分:可能减小
8. 参量微积分特性
设L{f(t,a)}=F(s,a)L\{f(t,a)\}=F(s,a)L{f(t,a)}=F(s,a),收敛区间为σ1<Re(s)<σ2\sigma_1<Re(s)<\sigma_2σ1<Re(s)<σ2,则:
L{∂∂af(t,a)}=∂∂aF(s,a)L\{\frac{\partial}{\partial a}f(t,a)\}=\frac{\partial}{\partial a}F(s,a) L{∂a∂f(t,a)}=∂a∂F(s,a)
L{∫a1a2f(t,a)}=∫a1a2F(s,a)daL\{\int_{a_1}^{a_2}f(t,a)\}=\int_{a_1}^{a_2}F(s,a)da L{∫a1a2f(t,a)}=∫a1a2F(s,a)da
收敛区间:不变
9. 初值定理
如果f(t)f(t)f(t)和f′(t)f'(t)f′(t)存在,且f(t)f(t)f(t)的拉普拉斯变换也存在,则:
f(0+)=limt→0+f(t)=lims→∞sF(s)f(0^+)=\lim_{t\rightarrow0^+}f(t)=\lim_{s\rightarrow\infty}sF(s) f(0+)=t→0+limf(t)=s→∞limsF(s)
推广:
f′(0+)=lims→∞s[sF(s)−f(0−)]f'(0^+)=\lim_{s \rightarrow\infty}s[sF(s)-f(0^-)] f′(0+)=s→∞lims[sF(s)−f(0−)]
或:
f′(0+)=lims→∞s[sF(s)−f(0+)]f'(0^+)=\lim_{s \rightarrow\infty}s[sF(s)-f(0^+)] f′(0+)=s→∞lims[sF(s)−f(0+)]
或:
f′(0+)=lims→∞s2F(s)f'(0^+)=\lim_{s\rightarrow\infty}s^2F(s) f′(0+)=s→∞lims2F(s)
10. 终值定理
如果f(t)f(t)f(t)和f′(t)f'(t)f′(t)存在,且f(t)f(t)f(t)的拉普拉斯变换也存在,且F(s)F(s)F(s)的极点位于s平面的左半平面,并且在s=0s=0s=0上至多存在单极点,则:
f(+∞)=limt→∞f(t)=lims→0sF(s)f(+\infty)=\lim_{t\rightarrow\infty}f(t)=\lim_{s\rightarrow0}sF(s) f(+∞)=t→∞limf(t)=s→0limsF(s)
11. 卷积定理
L{f1(t)∗f2(t)}=L{f1(t)}⋅L{f2(t)}L\{f_1(t)*f_2(t)\}=L\{f_1(t)\}\cdot L\{f_2(t)\} L{f1(t)∗f2(t)}=L{f1(t)}⋅L{f2(t)}
且:
L{f1(t)⋅f2(t)}=12πjL{f1(t)}∗L{f2(t)}L\{f_1(t)\cdot f_2(t)\}=\frac{1}{2\pi j}L\{f_1(t)\}*L\{f_2(t)\} L{f1(t)⋅f2(t)}=2πj1L{f1(t)}∗L{f2(t)}
12. 对偶特性
如果:
L{f(t)}=F(s)L\{f(t)\}=F(s) L{f(t)}=F(s)
则:
L{F(t)}=2πj⋅f(−s)L\{F(t)\}=2\pi j\cdot f(-s) L{F(t)}=2πj⋅f(−s)
谢谢阅读,如有不当之处请批评指正!
信号与系统(20)-拉普拉斯变换的性质相关推荐
- 信号与系统 傅里叶变换 拉普拉斯变换 z变换所有公式和性质 三个变换的联系 整理
这是我考研整理的笔记.基本上涵盖了信号与系统三大变换所有重要的公式. 1.傅里叶变换 2.拉普拉斯变换 3.Z变换 4.三大变换的关系
- 【信号与系统】笔记(4-2)拉普拉斯变换的性质
Author:AXYZdong 自动化专业 工科男 有一点思考,有一点想法,有一点理性! CSDN@AXYZdong [CSDN]写博客的日常 文章目录 前言 一.线性性质 二.尺度变换 三.时移特性 ...
- 信号与系统20(拉普拉斯变换域分析)
- 信号与系统11(傅里叶变换与性质)
- 《信号与系统》——连续傅里叶变换与拉布拉斯变换专题
公众号公式总结 信号与系统:研究时域连续的模拟信号 一.线性时不变系统(LTI) 3.1 我们研究的是什么 信号 LTI系统 卷积.微分方程.差分方程 系统函数 3.3常见的RC滤波器与电路 高通滤波 ...
- 傅里叶变换拉普拉斯变换的物理解释及区别
傅里叶变换在物理学.数论.组合数学.信号处理.概率论.统计学.密码学.声学.光学.海洋学.结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是将信号分解成幅值分量和频率分量). ...
- 傅立叶变换、拉普拉斯变换、Z变换之间 篇二
三大变换的意义? 傅里叶变换在物理学.数论.组合数学.信号处理.概率论.统计学.密码学.声学.光学.海洋学.结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是将信号分解成幅值分 ...
- 傅里叶变换和拉普拉斯变换的物理解释及区别
2019独角兽企业重金招聘Python工程师标准>>> " 傅里叶变换在物理学.数论.组合数学.信号处理.概率论.统计学.密码学.声学.光学.海洋学.结构动力学等领域都有着 ...
- [转载]zz傅里叶变换,拉普拉斯变换和Z变换的意义
原文地址:zz傅里叶变换,拉普拉斯变换和Z变换的意义作者:妙妙猫妖 傅里叶变换在物理学.数论.组合数学.信号处理.概率论.统计学.密码学.声学.光学.海洋学.结构动力学等领域都有着广泛的应用(例如在信 ...
- 傅里叶变换与拉普拉斯变换的概念理解
傅里叶变换与拉普拉斯变换的概念理解 傅里叶变换在物理学.数论.组合数学.信号处理.概率论.统计学.密码学.声学.光学.海洋学.结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是 ...
最新文章
- layui ajax流加载,layui中流加载layui.flow
- javascript onmouseout问题解决方案
- python的类变量与实例变量以及__dict__属性
- 快速入门cocos2d-x jsbinding
- android广告页白屏_android 白屏
- centos 对某ip开放 防火墙端口_CentOS7 firewalld防火墙指定IP与端口访问
- SQL SERVER2000存储过程调试
- .NET 指南:安全编码概览
- 多个C文件共用一些变量
- 释放摄像头_防爆摄像头在使用过程中会遇到哪些问题,如何处理
- 为什么建议要延迟macOS升级,小编为你全面分析!
- jmeter录制脚本及操作数据库
- 人体的基本五行 - 心肝脾肺肾,金木水火土 对应关系与基础解读
- 浙江大学计算机答辩模板,浙江大学 答辩通用模板
- 解决80端口被svchost.exe进程占用的问题
- New Year Snowmen(贪心)
- python中in是什么意思中文_python中的in是什么意思
- mydumper 介绍及使用
- Zabbix5.0 添加监控深信服AC接口流量
- 高清晰度彩色电影胶卷
热门文章
- 2048总结 python_2048游戏的python实现
- tiny4412开发板Android篇_3基于tiny4412的Android系统的烧写(SD卡烧写到emmc)
- 想成为顶级开发者吗?亲自动手实现经典案例
- M. Bottle Arrangements
- 英语3500词(17/20)science主题(2022.3.13)
- 3.Regression(二)
- java forward方法_JAVA的服务重定向:使用forward()方法转发请求和使用sendRedirect()方法重定向的区别...
- Unity与iOS相互调用
- vs2008 html5 的安装,vs2008安装教程,详细教您vs2008安装教程
- 总体规划计算机制图标准,国土空间规划计算机辅助制图标准来了