信号与系统（17）- 连续时间系统的复频域分析：拉普拉斯变换

傅里叶级数和傅里叶变换在处理信号时，可以将激励信号分解为一系列正弦函数，并且通过求解每个子信号的稳态响应，进而求解系统对激励激励信号的全响应。这样处理信号的方式称为频域分析，即将信号从频域的角度进行分析和处理。频域分析的好处是避免了时域分析中求解卷积积分，并且物理意义非常明确，引入了很多表征信号的物理量，如谐波、频率响应、带宽等，但是同时引入了傅里叶变换和反变换。而傅里叶变换也存在局限性：

1. 傅里叶变换或傅里叶级数要求信号必须是绝对可积或收敛的信号，对于不收敛的信号，需要引入奇异函数，计算复杂。
2. 傅里叶计算虽然避免了卷积运算，但是仍需要求解广义积分，即${\int }_{-\infty }^{+\infty }()dx$。
3. 傅里叶变换或级数只能求解系统的零状态响应。

为了解决上述的问题，引入了拉普拉斯变换，即复频域分析法。

1. 如何从傅里叶变换得到拉普拉斯变换？

傅里叶变换需要被积分函数收敛，即：
$$\begin{array}{r}F(j\omega )={\int }_{-\infty }^{+\infty }f(t)e^{-j\omega t}dt\end{array}$$
该积分需要收敛，才存在信号$f(t)$的傅里叶变换。

为了使得信$f(t)$收敛，人为地将信号$f(t)$乘以一个收敛因子$e^{-\sigma t}$，强行使得信号收敛，如下列信号：

信号1：$f(t)=e^{\alpha t}\epsilon (t)$

通过乘以收敛因子$e^{-\sigma t}$，即：
$$f_1(t)=f(t)\cdot e^{-\sigma t}=e^{(\alpha -\sigma )t}\epsilon (t)$$
当$(\alpha -\sigma )<0$时，信号$f_1(t)$将会收敛。

信号2：$f(t)=e^{\alpha t}\epsilon (t)+e^{\beta t}\epsilon (-t)$:

通过乘以收敛因子$e^{-\sigma t}$，即：
$$f_1(t)=f(t)\cdot e^{-\sigma t}=e^{(\alpha -\sigma )t}\epsilon (t)+e^{(\beta -\sigma )t}\epsilon (-t)$$
当$(\alpha -\sigma )<0，且(\beta -\sigma )>0$时，即$\beta >\sigma >\alpha$时，信号$f_1(t)$将会收敛。

因此，可以通过将原函数乘以收敛因子$e^{-\sigma t}$，使其成为收敛函数，再使用傅里叶变换处理，即：
$$\begin{array}{rl}{F}_1(j\omega )& ={\int }_{-\infty }^{+\infty }{f}_1(t)e^{-j\omega t}dt\\ & ={\int }_{-\infty }^{+\infty }f(t)\cdot e^{-\sigma t}\cdot e^{-j\omega t}dt\\ & ={\int }_{-\infty }^{+\infty }f(t)\cdot e^{-(\sigma +j\omega )t}dt\end{array}$$
令：$s=\sigma +j\omega$，$F_1(j\omega )=F(s)$则
$$\begin{array}{rl}F(s)& ={\int }_{-\infty }^{+\infty }f(t)\cdot e^{-st}dt\end{array}$$
上式即拉普拉斯变换，记为：
L d { f ( t ) } = F ( s ) = ∫ − ∞ + ∞ f ( t ) ⋅ e − s t d t \begin{aligned} L_d\{f(t)\}=F(s)=\int_{-\infty}^{+\infty}f(t)\cdot e^{-s t}dt \end{aligned} Ld​{ f(t)}=F(s)=∫−∞+∞​