连续傅里叶变换，拉普拉斯变换之间的关系以及理解

最新推荐文章于 2024-02-26 11:53:40 发布

AI视觉网奇

最新推荐文章于 2024-02-26 11:53:40 发布

阅读量4w

点赞数 41

分类专栏：视觉相关

视觉相关专栏收录该内容

227 篇文章 25 订阅

订阅专栏

连续傅里叶变换，拉普拉斯变换之间的关系以及理解

原文：https://zhuanlan.zhihu.com/p/24269279?refer=qianshan

10 个月前

一.傅里叶的局限性

傅里叶转换公式： $X\left( jw \right) =\int_{-\infty }^{+\infty } x(t)e^{jwt} dt$

如果要想该公式成立， $x\left( t \right)$ 需符合狄利赫里条件，即 $\int_{-\infty }^{+\infty } \left| x\left( t \right) \right| dt<\infty$ ，所以这给傅里叶变换公式带来一定的局限性，它只适用于在定义域中收敛的函数，即只能分析稳定的系统！

如果我要分析一些不稳定的系统，即分析在定义域中不收敛的函数，该怎么办呢？

二.拉普拉斯变换

下图是一个在定义域内不收敛的右边信号， $\int_{-\infty }^{+\infty } \left| x\left( t \right) \right| dt\rightarrow \infty$ ,很显然现在他不能用傅里叶变换公式去分析。

但是我能不能给他做一些函数变换，让它在定义中变得收敛，从而再用傅里叶变换去分析它呢！

答案是可以的！

因为总会有一个实指数信号 $e^{-\sigma t}$ 乘以信号 $x\left( t \right)$ 后，使 $x\left( t \right) e^{-\sigma t}$ 其变得收敛，如下图，此时，这样我们岂不是就可以把这信号拿去给傅里叶变换公式分析了！

所以，当我们把信号 $x\left( t \right) e^{-\sigma t}$ 带进傅里叶变换公式时，得到：

$X\left( jw \right)= \int_{-\infty }^{+\infty } x\left( t \right) e^{-\sigma t} e^{jwt} dt$

此时，使 $s=\sigma +jw$ ,得到：

$X\left( s \right)= \int_{-\infty }^{+\infty } x\left( t \right) e^{st} dt$

上式即为拉普拉斯变换，换种说法，其就是一个信号 $x\left( t \right)$ 与 $e^{-\sigma t}$ 相乘后的傅里叶变换，即 $F\left\{ x\left( t \right)e^{-\sigma t} \right\}$ 。

三.S平面

首先来介绍一下s平面：

(ps：在电子书上截图的，可能不是很清晰！）

我们知道 $s=\sigma +jw$ ，s平面的横坐标便是复数s的实部 $\sigma$ ，纵坐标是虚部 $jw$ 。

注意上图，我们可以把图中的阴影部分理解为由无数条一竖竖直线组成，那其中的一竖直线代表什么意思呢？

我们先在其中取一竖固定的直线，此时 $\sigma$ 为一固定值，而 $jw$ 则从 $-\infty$ 到 $+\infty$ 变化。

注意公式： $X\left( jw \right)= \int_{-\infty }^{+\infty } x\left( t \right) e^{-\sigma t} e^{jwt} dt$

当 $\sigma$ 为某一实数，信号 $x\left( t \right) e^{-\sigma t}$ 为一确定信号，从而也确定了 $X\left( jw \right)$ ，此时s平面中 $jw$ 与 $X\left( jw \right)$ 中的 $jw$ 是相对应的，即s平面中的一竖直线对应某一种确定信号的傅里叶变换！

再来总结一下s平面：横坐标 $\sigma$ 确定了某一信号，从而确定某一傅里叶变换。而纵坐标 $jw$ 与傅里叶变换 $X\left( jw \right)$ 的定义域jw相对应。

四.收敛域问题

假设有一右边信号 $x\left( t \right)$ ，让该信号做拉普拉斯变换， $x\left( t \right)$ 先乘以 $e^{-\sigma t}$ 得到信号 $x\left( t \right) e^{-\sigma t}$ ，想一下，此时当 $\sigma <0$ 时，往右看， $e^{-\sigma t}$ 成增长趋势， $x\left( t \right) e^{-\sigma t}$ 并不是收敛函数。

因此，并不是所有的 $\sigma$ 都使 $x\left( t \right) e^{-\sigma t}$ 收敛。

所以，得出了收敛域的定义：在收敛域中，存在 $\forall \sigma$ ，使得 $x\left( t \right) e^{-\sigma t}$ 为收敛函数。

下图 $x\left( t \right)$ 为一右边信号，使 $\sigma$ 等于某一实数 $\sigma_{o}$ ，使得 $x\left( t \right) e^{\sigma_{o} t}$ 为收敛函数，如图：

此时，当 $\sigma >\sigma _{o}$ 时， $e^{-\sigma t}$ 衰减速度更快，从而可知 $x\left( t \right) e^{-\sigma t}$ 也一定收敛。

所以可以得到拉普拉斯收敛的一个性质：

按照这个思路，我们也同理推出收敛的另一性质：

但如果 $x\left( t \right)$ 是双边信号呢，我们可以把 $x\left( t \right)$ 分解成一左边信号 $x_{1} \left( t \right)$ 和右边信号 $x_{2} \left( t \right)$ ,即

$x\left( t \right)$ = $x_{1} \left( t \right)$ + $x_{2} \left( t \right)$ 。当 $x\left( t \right)$ 收敛时，也一定有 $x_{1} \left( t \right)$ 和 $x_{2} \left( t \right)$ 同时收敛，所以可知 $x\left( t \right)$ 的收敛域为 $x_{1} \left( t \right)$ 与 $x_{2} \left( t \right)$ 两者收敛域的重叠部分，如下图：