25. 拉普拉斯正变换

拉普拉斯值得细说.

1. 单边拉普拉斯变换的定义

现实生活中，通常我们遇到的信号都有初始时刻，不妨设其初始时刻为坐标原点。这样，在 $t<0$ 时，$f(t)=0$ .单边拉普拉斯变换定义为：

$$F(s)={\int }_{0^{-}}^{\infty }f(t)e^{-st}\mathrm{d}t$$
因为这里被积函数在积分上下限的定义域内是因果信号，由上一篇 的介绍可知，其收敛域一定是 $\mathrm{Re}[\mathrm{s}]>\alpha$ , 也就是说肯定是收敛的，因此其收敛域可以省略。

单边拉普拉斯变换和逆变换公式如下：
$$\begin{array}{l}F(s)\stackrel{\mathrm{def}}{=}{\int }_{0-}^{\infty }f(t){\mathrm{e}}^{-st}\mathrm{d}t\\ f(t)\stackrel{\mathrm{def}}{=}\left[\frac{1}{2\pi \mathrm{j}}{\int }_{\sigma -\mathrm{j}\infty }^{\sigma +\mathrm{j}\infty }F(s){\mathrm{e}}^{st}\mathrm{d}s\right]\epsilon (t)\end{array}$$

单边拉普拉斯变换比双边拉普拉斯变换更常用，所以如果直接说拉普拉斯变换，一般就是指单边拉普拉斯变换。

2. 单边拉普拉斯变换和傅里叶变换的关系

单边拉普拉斯变换和傅里叶变换的定义如下：
$$\begin{array}{l}F(s)={\int }_0^{\infty }f(t){\mathrm{e}}^{-st}\mathrm{d}t\mathrm{Re}[s]>{\sigma }_0\\ F(\mathrm{j}\omega )={\int }_{-\infty }^{\infty }f(t){\mathrm{e}}^{-\mathrm{j}\omega t}\mathrm{d}t\end{array}$$
可见，若要讨论他们之间的关系，$f(t)$ 必须为因果信号，根据收敛坐标 ${\sigma }_0$ 的值，可分为以下三种情况：

① ${\sigma }_0<0$ , 即 $F(s)$ 的收敛域包含 $j\omega$ 轴，则 $f(t)$ 的傅里叶变换存在，并且 $F(j\omega )=F(s){|}_{s=j\omega }$

如:
$$f(t)=e^{-2t}\epsilon (t)⟷F(s)=\frac{1}{s+2},\sigma >-2$$
则：
$$F(j\omega )=\frac{1}{j\omega +2}$$
② ${\sigma }_0=0$ , 即 $F(s)$ 的收敛边界为 $j\omega$ 轴，则有 $F(\mathrm{j}\omega )={\lim }_{\sigma \to 0}F(s)$ ,如
$$f(t)=\epsilon (t)⟷F(s)=\frac{1}{s}$$

则：
$$\begin{array}{rl}F(j\omega )& =\underset{\sigma \to 0}{\lim }\frac{1}{\sigma +j\omega }=\underset{\sigma \to 0}{\lim }\frac{\sigma }{{\sigma }^2+{\omega }^2}+\underset{\sigma \to 0}{\lim }\frac{-j\omega }{{\sigma }^2+{\omega }^2}\\ & =\pi \delta (\omega )+1/\mathbf{j}\omega \end{array}$$
③ ${\sigma }_0>0$ , $f(t)$ 的傅里叶变换 $F(j\omega )$ 不存在.

如：
$$f(t)=e^{2t}\epsilon (t)⟷F(s)=\frac{1}{s-2},\sigma >2$$
其傅里叶变换不存在。

3. 常见信号的拉普拉斯变换

3.1 冲激函数$\delta (t)$的拉普拉斯变换

$$\delta (t)⟷1,\sigma >-\infty$$

公式直推：
$${\int }_{0^{-}}^{\infty }\delta (t)e^{-st}\mathrm{d}t=e^{-st}{|}_{t=0}=1,\sigma >-\infty$$

3.2 阶跃函数 $\epsilon (t)$ 或常函数 $1$ 的拉普拉斯变换

$$\epsilon (t)\text{ 或 }1⟷1/s,\sigma >0$$
公式直推：
$${\int }_{0^{-}}^{\infty }\epsilon (t)e^{-st}\mathrm{d}t={\int }_{0^{-}}^{\infty }{e}^{-st}\mathrm{d}t=[-\frac{1}{s}{e}^{-st}]{|}_{t=0^{-}}^{t=\infty }=\frac{1}{s},\sigma >0$$

3.3 指数函数 ${\mathrm{e}}^{s_{0}t}$ 的拉普拉斯变换

$${\mathrm{e}}^{s_{0}t}⟷\frac{1}{s-s_0}\sigma >\mathrm{Re}\left[s_0\right]$$

3.4 余弦函数 $\cos {\omega }_{0}t$ 的拉普拉斯变换

$$\cos {\omega }_{0}t=\frac{\left({\mathbf{e}}^{\mathrm{j}{\omega }_{0}t}+{\mathbf{e}}^{-\mathrm{j}{\omega }_{0}t}\right)}{2}⟷\frac{s}{s^2+{\omega }_0^2}$$

3.5 正弦函数 $\sin {\omega }_{0}t$ 的拉普拉斯变换

$$\sin {\omega }_0\mathbf{t}=\frac{\left({\mathbf{e}}^{\mathrm{j}{\omega }_{0}t}-{\mathbf{e}}^{-\mathrm{j}{\omega }_{0}t}\right)}{2\mathbf{j}}⟷\frac{{\omega }_0}{s^2+{\omega }_0^2}$$

3.6 周期信号 $f_T(t)$ 的拉普拉斯变换

$$
\begin{aligned}
F_{T}(s)&=\int_{0}^{\infty} f_{T}(t) \mathrm{e}^{-s t} \mathrm{~d} t \
&=\int_{0}^{T} f_{T}(t) \mathrm{e}^{-s t} \mathrm{~d} t+\int_{T}^{2 T} f_{T}(t) \mathrm{e}^{-s t} \mathrm{~d} t+\ldots . . \
&= \sum_{n=0}^{\infty} \int_{n T}^{(n+1) T} f_{T}(t) \mathrm{e}^{-s t} \mathrm{~d} t \

\end{aligned}
$$

先做换元，令 $t=t+nT$ ，再根据等比数列前n项和，不难得到：
$$F_T(s)=\sum _{n=0}^{\infty }{\mathrm{e}}^{-nsT}{\int }_0^T{f}_T(t){\mathrm{e}}^{-st}\mathrm{d}t=\frac{1}{1-{\mathrm{e}}^{-sT}}{\int }_0^T{f}_T(t){\mathrm{e}}^{-st}\mathrm{d}t$$
特别地，对于梳状周期函数 ${\delta }_T(t)$ ，有：
$${\delta }_T(t)⟷\frac{1}{1-{\mathrm{e}}^{-sT}}$$

4. 拉普拉斯变换的性质

4.1 线性性质

若:
$$f_1(t)⟷F_1(s),\mathrm{Re}[s]>{\sigma }_1;f_2(t)⟷F_2(s),\mathrm{Re}[s]>{\sigma }_2$$
则 :
$$a_1{f}_1(t)+a_2{f}_2(t)⟷a_1{F}_1(s)+a_2{F}_2(s),\mathrm{Re}[s]>max({\sigma }_1,{\sigma }_2)$$
证明很简单，直接代入公式即可，看个例子吧：
$$f(t)=\delta (t)+\epsilon (t)⟷1+\frac{1}{s},\sigma >0$$

4.2 尺度变换性质

若：
$$f(t)⟷F(s)={\int }_{0^{-}}^{\infty }f(t)e^{-st}\mathrm{d}t,\mathrm{Re}[s]>{\sigma }_0$$
且有实数 $a>0$ , 那么：
$$f(at)⟷\frac{1}{a}F(\frac{s}{a}),\mathrm{Re}[s]>a{\sigma }_0$$
证明也很简单，直接贴图：

举个应用的例子吧：

4.3 时移性质

若：
$$f(t)⟷F(s)={\int }_{0^{-}}^{\infty }f(t)e^{-st}\mathrm{d}t,\mathrm{Re}[s]>{\sigma }_0$$
且有实常数 $t_0>0$ , 那么：
$$f(t-t_0)\epsilon (t-t_0)⟷e^{-s{t}_0}F(s),\mathrm{Re}[s]>{\sigma }_0$$
如果 $f(t)$ 是因果信号，则直接描述为：
$$f(t-t_0)⟷e^{-s{t}_0}F(s),\mathrm{Re}[s]>{\sigma }_0$$
如果将时移性质和尺度变换性质一结合，我们能得到一个更长的式子：
$$f(at-t_0)\epsilon (at-t_0)⟷\frac{1}{a}{e}^{-s\frac{t_0}{a}}F(\frac{s}{a})$$

4.4 复频移性质

若：
$$f(t)⟷F(s)={\int }_{0^{-}}^{\infty }f(t)e^{-st}\mathrm{d}t,\mathrm{Re}[s]>{\sigma }_0$$
则 ：
$$\begin{gathered} e^{-at}f(t)⟷F(s+a),\mathrm{Re}[s]>{\sigma }_0-a \\ {e}^{at}f(t)⟷F(s-a),\mathrm{Re}[s]>{\sigma }_0+a \end{gathered}$$
证明如下：

4.5 时域微分性质

若：
$$f(t)⟷F(s)={\int }_{0^{-}}^{\infty }f(t)e^{-st}\mathrm{d}t,\mathrm{Re}[s]>{\sigma }_0$$
则 ：

$$\begin{gathered} f^{\prime }(t)⟷sF(s)-f(0_{-}) \\ {f}^{\prime \prime }(t)⟷s^{2}F(s)-sf(0_{-})-f^{\prime }(0_{-}) \end{gathered}$$
对于更高阶，有：
$$f^{(n)}(t)⟷s^{n}F(s)-s^{n-1}f(0_{-})-s^{n-2}{f}^{\prime }(0_{-})\cdots \cdots f^{(n-1)}(0_{-})$$

如果 $f(t)$ 为因果信号，则有：
$$f^{(n)}(t)⟷s^{n}F(s)$$
只给出一阶情况下的证明，更高阶的证明方法是一样的（可以递归式的证明）：
$$\begin{array}{rl}{f}^{\prime }(t)⟷& {\int }_{0_{-}}^{\infty }{e}^{-st}{f}^{\prime }(t)dt\\ & ={\int }_{0_{-}}^{\infty }{e}^{-st}d(f(t))\\ & ={\left(e^{-st}f(t)\right)}_{0_{-}}^{\infty }-{\int }_{0_{-}}^{\infty }f(t)d\left(e^{-st}\right)\\ & =(0-f(0_{-}))-{\int }_{0_{-}}^{\infty }f(t)e^{-st}(-s)dt\\ & =-f(0_{-})+s{\int }_{0_{-}}^{\infty }{e}^{-st}f(t)dt\\ & =sF(s)-f(0_{-})\end{array}$$
故得证。

给出几个例子:

4.6 时域积分性质

为了方便， $f(t)$ 的拉普拉斯变换接下来用符号 $L[f(t)]$ 表示，那么时域积分性质可以这么描述：如果 $L[f(t)]=F(s)$ , 那么：
$$L[{\int }_{0^{-}}^{t}f(x)\mathrm{d}x]=\frac{1}{s}F(s)$$
证明过程如下：

令
$${\int }_{0^{-}}^{t}f(x)\mathrm{d}x=\varphi (t)$$
那么，
$$f(t)={\varphi }^{\prime }(t),\varphi (0_{-})={\int }_{0^{-}}^{0_{-}}f(x)\mathrm{d}x=0$$
由时域微分性质，有
$$\begin{array}{rl}L[{\varphi }^{\prime }(t)]& =sL[\varphi (t)]-\varphi (0_{-})\\ & =sL[\varphi (t)]\end{array}$$
所以：
$$L[f(t)]=sL[{\int }_{0^{-}}^{t}f(x)\mathrm{d}x]$$
故得证；

利用同样的证明方法，可以得到：
$$L[\underset{n\text{ items }}{\underbrace{{\int }_0^t{\int }_0^t\cdots \cdot {\int }_0^{t}f(t)dt}}]=\frac{1}{s^n}L[f(t)]$$

4.7 s域微分性质

若：
$$f(t)⟷F(s)\mathrm{Re}[s]>{\sigma }_0$$
则 ：
$$(-t{)}^{n}f(t)⟷\frac{{\mathrm{d}}^{n}F(s)}{\mathrm{d}{s}^n}$$
直接代入公式得证.

4.8 s域积分性质

若：
$$f(t)⟷F(s)\mathrm{Re}[s]>{\sigma }_0$$
则 ：
$$\frac{f(t)}{t}⟷{\int }_s^{\infty }F(\eta )\mathrm{d}\eta$$

4.9 卷积定理

时域卷积定理：若因果函数
$$\begin{gathered} f_1(t)⟷F_1(s),\mathrm{Re}[s]>{\sigma }_1 \\ {f}_2(t)⟷F_2(s),\mathrm{Re}[s]>{\sigma }_2 \end{gathered}$$
则
$$f_1(t)\ast f_2(t)⟷F_1(s)F_2(s)$$

复频域卷积定理：

$$f_1(t)f_2(t)⟷\frac{1}{2\pi \mathbf{j}}{\int }_{c-j\infty }^{c+j\infty }{F}_1(\eta )F_2(s-\eta )\mathrm{d}\eta$$
证明过程同 傅里叶变换的卷积定理 类似.

4.10 初值定理

设函数 $f(t)$ 不含 $\delta (t)$ 及其各阶导数（即 $F(s)$ 为真分式)， 若 $F(s)$ 为假分式化为真分式）， 则
$$f\left(0_{+}\right)=\underset{t\to 0_{+}}{\lim }f(t)=\underset{s\to \infty }{\lim }sF(s)$$
由时域微分定理可知：
$$\begin{array}{rl}sF(s)-f\left(0_{-}\right)& =\mathrm{L}\left[\frac{\mathrm{d}f(t)}{\mathrm{d}t}\right]\\ & ={\int }_{0_{-}}^{\infty }\frac{\mathrm{d}f(t)}{\mathrm{d}t}{\mathrm{e}}^{-st}\mathrm{d}t\\ & ={\int }_{0_{-}}^{0_{+}}\frac{\mathrm{d}f(t)}{\mathrm{d}t}{\mathrm{e}}^{-st}\mathrm{d}t+{\int }_{0_{+}}^{\infty }\frac{\mathrm{d}f(t)}{\mathrm{d}t}{\mathrm{e}}^{-st}\mathrm{d}t\\ & =f\left(0_{+}\right)-f\left(0_{-}\right)+{\int }_{0_{+}}^{\infty }\frac{\mathrm{d}f(t)}{\mathrm{d}t}{\mathrm{e}}^{-st}\mathrm{d}t\end{array}$$
所以：
$$sF(s)=f\left(0_{+}\right)+{\int }_{0_{+}}^{\infty }\frac{\mathrm{d}f(t)}{\mathrm{d}t}{\mathrm{e}}^{-st}\mathrm{d}t$$
又因为：
$$\underset{s\to \infty }{\lim }\left[{\int }_{0_{+}}^{\infty }\frac{\mathrm{d}f(t)}{\mathrm{d}t}{\mathrm{e}}^{-st}\mathrm{d}t\right]={\int }_{0_{+}}^{\infty }\frac{\mathrm{d}f(t)}{\mathrm{d}t}\left[\underset{s\to \infty }{\lim }{\mathrm{e}}^{-st}\right]\mathrm{d}t=0$$
所以：
$$\underset{t\to 0_{+}}{\lim }f(t)=f\left(0_{+}\right)=\underset{s\to \infty }{\lim }sF(s)$$
故得证.

4.11 终值定理

若 $f(t)$ 当 $t\to \infty$ 时存在，并且 $f(t)⟷F(s),Re[s]>{\sigma }_0,{\sigma }_0<0$ ，则
$$\underset{t\to \infty }{\lim }f(t)=\underset{s\to 0}{\lim }sF(s)$$
可以根据证明初值定理证明时得到的公式
$$sF(s)=f\left(0_{+}\right)+{\int }_{0_{+}}^{\infty }\frac{\mathrm{d}f(t)}{\mathrm{d}t}{\mathrm{e}}^{-st}\mathrm{d}t$$

令 $s\to 0$ 可以得证.

文章首发于公众号 振动信号研究所