【信号与系统第六章】14、拉普拉斯变换

模拟IC和AI的Learner

已于 2024-10-06 15:16:57 修改

阅读量237

点赞数 2

分类专栏：信号与系统文章标签：学习 dsp开发

于 2024-10-06 15:16:28 首次发布

本文链接：https://blog.csdn.net/m0_56997192/article/details/142718855

版权

信号与系统专栏收录该内容

17 篇文章 0 订阅

订阅专栏

一、拉氏变换公式

$X(s)=F[x(t)e^{-\sigma t}]=\int_{-\infty }^{+\infty }x(t)e^{-st}dt$ ， $s=\sigma +j\omega$

反变换：

$x(t)e^{-\sigma t}=F^{-1}[X(s)]=\frac{1}{2\pi }\int_{-\infty }^{+\infty }X(s)e^{j\omega t}d\omega$

即 $x(t)=\frac{1}{2\pi }\int_{-\infty }^{+\infty }X(s)e^{st}d\omega =\frac{1}{2\pi j}\int_{\sigma -j\infty }^{\sigma +j\infty }X(s)e^{st}ds$

本质：傅里叶变换需要满足的条件之一“绝对可积”限制太严格，所以为削弱这个条件，把 $x(t)$ 乘一个衰减因子。

二、两个重要的拉氏变换

$e^{-at}u(t)\overset{L}{\rightarrow}\frac{1}{s+a}$ ， $(Re(s)>-a)$

$-e^{-at}u(-t)\overset{L}{\rightarrow}\frac{1}{s+a}$ ， $(Re(s)<-a)$

1、证明

第1个

$L[e^{-at}u(t)]=\int_{-\infty }^{+\infty }e^{-at}u(t)e^{-st}dt=\int_{0}^{+\infty }e^{-(s+a)t}dt$

$=-\frac{1}{s+a}e^{-(s+a)t}|_{t=0}^{+\infty }$

$=\frac{1}{s+a}-\frac{1}{s+a}e^{-(s+a).(+\infty )}$

$=\frac{1}{s+a}-\frac{1}{s+a}e^{-(a+\sigma ).(+\infty )}e^{-(j\omega ).(+\infty )}$

当且仅当 $\sigma +a>0$ 即 $\sigma >-a$ 时，收敛。所以收敛域为 $(Re(s)>-a)$

第2个

$L[-e^{-at}u(-t)]=\int_{-\infty }^{+\infty }-e^{-at}u(-t)e^{-st}dt=\int_{-\infty }^{0}-e^{-(s+a)t}dt$

$=\frac{1}{s+a}e^{-(s+a)t}|_{t=-\infty }^{0}$

$=\frac{1}{s+a}-\frac{1}{s+a}e^{-(s+a).(-\infty )}$

$=\frac{1}{s+a}-\frac{1}{s+a}e^{(a+\sigma ).(+\infty )}e^{(j\omega ).(+\infty )}$

当且仅当 $\sigma +a<0$ 即 $\sigma <-a$ 时，收敛。所以收敛域为 $(Re(s)<-a)$

2、总结

注：本图圈2中-e^{-at}u(-t)的图像是错的， $a>0$ 时，他应该是发散的，即

3、本质

1、对于 $e^{-at}u(t)$ ，在 $a>0$ 时，不乘衰减因子，他也是衰减的，并且它的衰减还有一个裕度，因此他还可以乘一个在 $-a<\sigma <0$ 范围内的发散因子 $e^{-\sigma t}$ ，当然当乘以一个衰减因子时他会更衰减。所以它的收敛域是 $(Re(s)>-a)$

2、对于 $-e^{-at}u(-t)$ ，在 $a>0$ 时，不乘衰减因子，他是发散的，并且它的发散还有一个严重度，因此他乘一个小的在 $-a<\sigma <0$ 范围内的收敛因子 $e^{-\sigma t}$ 时仍是发散的，当然当乘以一个大的在 $\sigma <-a$ 范围内的衰减因子时才是收敛的。所以它的收敛域是 $(Re(s)<-a)$