1.相关基础知识
(1)首先介绍特殊字符 e
恰当的例子就是,存1块给银行,利率100%,1年以后取出来就是2块,如果这1块在1年中以极短时间反复取,反复存,相当于复投的概念,极短时间内产生的利息也投入去产生利息,那么1年以后,就得到e=2.718。
如果利率是x,那么就是
![3bdf1d9924d4562d1d8901f0c2492a11.png](https://i-blog.csdnimg.cn/blog_migrate/4dd44389eacd6e4bd60c0fe59b5e98ca.jpeg)
(2).i
定义
![0fdf8b61135cc1a4f4c7e5e41d57c87e.png](https://i-blog.csdnimg.cn/blog_migrate/661c7ff60dc1f9013ecc547284be2de8.jpeg)
(3).欧拉公式
这个可以这样得到:
因为
那么可以通过MATLAB,取n=5000,画出5000个点的图,就会发现是一个圆。
每个点相当于在实轴有投影,在虚轴有投影(带i的分量)
J Pan:被众人膜拜的欧拉恒等式是个什么东东?zhuanlan.zhihu.com![0fdf8b61135cc1a4f4c7e5e41d57c87e.png](https://i-blog.csdnimg.cn/blog_migrate/661c7ff60dc1f9013ecc547284be2de8.jpeg)
2.傅里叶级数,傅里叶变换
傅里叶级数:
周期信号:
意义和作用:每个周期信号可以由多个正弦信号来合成。这样可以看出这个信号在不同频率的分量是多少。
之前看到过一个新奇的理解:首先周期函数(角频率w),使用正作弦合成,为什么是由一些离散频率点(w,2w,3w,...)的正余弦合成的呢。这里要注意,这些频率点(w,2w,3w...)其实你可以认为他们的周期都是T。同周期的信号由同周期的正余弦函数,经过相位偏移,可以最终合成,还是比较好理解的。另外,正弦是奇函数,余弦是偶函数。有个很简单的公式变换可以证明:任何一个周期函数都可以分解了 1个奇函数+1个偶函数 之和,这就是为什么傅里叶级数里既有正弦也有余弦了。
傅里叶变换:
对于连续信号分解变换就是傅里叶变换,对于离散信号变换就是Z变换。
3.拉普拉斯变换
其实作用还是将一个信号分解,分解为各个频率分量信号的合成。但是因为一个信号可以进行傅里叶变换,有个前提,是满足狄利克里条件,这个条件就是绝对可积的意思。比如
所以这个时候,创建1个新函数
假设:
对
这里的
这里定义新变量
因为
所以
上面的
下面的文章,我觉得精华是那几幅图。一定要去理解
![d3d49a471842a9b6da2f1a9ef6a5921b.png](https://i-blog.csdnimg.cn/blog_migrate/9fb9931555301229e7a1de7523c22771.jpeg)
下面的文章说得特别好的地方在于:
1.拉普拉斯变换,将一个信号变了幅度不变(傅里叶变换)或者幅度呈指数变化的正弦信号的叠加,这种正弦信号在很多物理应用中是很好使用的。原信号在很多物理应用中就不好使用,不好分析。相当于将一个不好分析的信号分解成了众多好分析的信号。
正弦信号,或者
拉氏变换我觉得有两个作用:1.解微分方程 2.传递函数分析
这两个作用之间我认为是没有关系的。
比如:
![7c0e90d774f31fc3e323cee40b9f89b6.png](https://i-blog.csdnimg.cn/blog_migrate/4b45d68d982efd212f3867d6f7ea1da4.jpeg)
像这种形式,自变量是t,求解函数f(t)(这里是u(t)).对原方程进行拉氏变换:
![0b83a451661451785151740fe1444396.png](https://i-blog.csdnimg.cn/blog_migrate/83945629382017cf6171c61208df21b2.png)
然后再对u(s)进行拉氏逆变换,根据s的式子,可以直接逆变换。
将上式化解成下面类似形式(上面具体的变换,我懒得推理了)
![c84cf637ee6f931c3e57bb2fce5819f1.png](https://i-blog.csdnimg.cn/blog_migrate/8bf5c75cf2ed71bd87128b4b5b3c7c00.png)
反变换,就得到了f(t),完成了目标
![837d89e9fa00c76a9925e7dc996db761.png](https://i-blog.csdnimg.cn/blog_migrate/1c14335059339725cc9ff40056b15dab.png)
再比如:
拉氏变换:
进行傅里叶反变换
同样上面这个微分方程,使用分离变量法也可以搞定:
![3840c8ca07a507b2e17b4746e9a29344.png](https://i-blog.csdnimg.cn/blog_migrate/e8be96061f5a57ed75c5617ac129c4e8.jpeg)
来自下面地址:
[图文]6.2 常微分方程的分离变量法 - 百度文库wenku.baidu.com从上面这个例子可以看出,拉普拉斯变换,可以纯粹作为微分方程的一种解法来用。
场景就是,求f(t),先拉氏变换,再拉氏逆变换。
而且好像(后面有时间具体证实),比如微分方程解法,只有齐次方程才能使用分离变量法来解,而且还是一阶齐次微分方程。而拉氏变换可以解高阶,非齐次微分方程。
各类微分方程的解法 - 百度文库wenku.baidu.com再多说两句,上面链接里总结了各种微分方程的解法,其中,有很多要求是齐次方程,然后关于什么是齐次方程又有一些讨论:
齐次方程的「齐次」代表什么?www.zhihu.com这个链接里对齐次讨论的比较深入。
从各种微分方程的解法里我得出的结论:
对于齐次微分方程,一阶线性微分方程,可以使用分离变量法来求解。当然,根据上面举的例子,使用拉氏变换法也能求解,不过使用拉氏变换可能点大炮打蚊子的感。
对于高阶微分方程,上面链接里的解法,其实就是使用的拉氏变换,只不过把中间过程省掉了,让你死记规律了。
下面这个链接里说了齐次方程的意义:
齐次/非齐次偏微分方程组,所谓齐次与非齐次到底有何实在意义?www.zhihu.com其中,有一条是这样说的:
![01256a07f31959b10263ed722e2031e5.png](https://i-blog.csdnimg.cn/blog_migrate/0e6c316afff5146ffae1837cdec927ae.png)
就好像下面要举的弹簧振子的例子一样,如果F(t)=0,那么就是齐次方程,求出的r(t)就是无外力作用下的响应。
如果F(t)=1,那么求出的r(t)就是阶跃输入下的响应。
如果F(t)是个变化的函数,那么直接看传递函数就好了。
拉氏变换的另外一个应用,也是我最关注的应用:分析系统响应
比如
![64bbc904399a55ef7cc1cc0c38b1b1c9.png](https://i-blog.csdnimg.cn/blog_migrate/904c59cba322ccada597556f8fc55e7c.jpeg)
来自于
J Pan:如何入门自动控制理论zhuanlan.zhihu.com![89169f571e56fb514d86207ee80871ca.png](https://i-blog.csdnimg.cn/blog_migrate/b89ccae3c421f07e56468d0c8deec8c2.jpeg)
这里,输入是F(t),输出是r(t),自变量是t,可以认为有两个函数。我们要求不是单独的F(t),也不是r(t),F(t)可以认为是已知的随时间变化的量,我们要求的是:不同变化规律下的F(t)(可以是正弦,可以是阶跃),对应的r(t)(这是响应)
这个时候对上式进行拉氏变换,最后得到:
![7a416ed26324b8cb4f180ce333acf8b9.png](https://i-blog.csdnimg.cn/blog_migrate/0964969955691aee951582981185ce1a.png)
这个时候,我们不需要拉氏逆变换, 我们不需要求Y(t),因为本身就不存在Y(t)这个函数,这是个没有意义的函数。上面的拉氏变换,右边:分子表示输出的某个W分量的向量,分母表示输入的某个W分量的向量。可以认为:输入分量引起的输出分量的响应,是放大还是衰减,因为是向量,相当于两个分量有相位,表示滞后还是超前。
这个就是我们关心的幅频响应和相频响应
![038ebb1b978cefe5d0d33a9b4373186a.png](https://i-blog.csdnimg.cn/blog_migrate/716b49af050060137513b6aa6b949ee5.png)
这个也终于解开我,拉氏变换在分析系统响应和解微分方程之间的关系了,我的理解是没有关系,意义完全不同。分析系统响应,要充分考虑拉氏变换的物理意义。对于解微分方程,就仅仅是一种数学变换而已,方便求解而已。
然后求解微分方程:如果是非齐次微分方程,要先化成齐次微分方程,求出通解,再加上特解。所以说齐次方程是解非齐次方程的一个过度形式,利于使用分离变量法。
拉普拉斯变换有什么用?www.zhihu.com现在再最后总结一下:
其实傅里叶变换和拉氏变换是一回事,目的就是将一个不好处理的信号分解为一些正弦,余弦信号或者是复指数信号(根据欧拉公式知道,其实是一回事)。原因是正弦信号好处理,为什么好处理?哪些方面好处理?
正弦信号的一阶微分,二阶微分,多阶微分还是其本身。或者是指数信号的微分(底是e的情况下)也是其本身,那么在处理多阶微分的情况下,如果是这个函数是正弦信号,那么不论多少阶微分,都特别好运算,一下子降为了代数方程。而我们很多要处理的物理现象或者物理量其实都是对t的一阶或者多阶微分,比如加速度,速度等。比如感抗应该也是电压对时间求微分?这个需要再核实。
我们已经知道傅里叶变换是特殊的拉氏变换,那么我就想,一个可积的周期信号的傅里叶变换应该与拉氏变换(
我们看
![11013b5ff415fc8c2f275528825d0d37.png](https://i-blog.csdnimg.cn/blog_migrate/fa69da93a45d5ea8c838f921af08ff72.png)
![ce99d094aa4d828c2172f985e611f544.png](https://i-blog.csdnimg.cn/blog_migrate/7fa44d5397244473e13b58a6c330d375.png)
傅里叶变换是:
拉氏变换是:
可以看到,两个变换,虽然都在
因为根据欧拉公式
考察信号:
![dc172322dd04be01a6790d8235019f65.png](https://i-blog.csdnimg.cn/blog_migrate/a5cfedf6777d45a2e2cbd7ffd670c640.png)
![57278ed12fcf238d188a744c6ef8fee0.png](https://i-blog.csdnimg.cn/blog_migrate/47679e951925ef1f635c0f657299652c.png)
傅氏变换:
拉氏变换:
粗看,在
我认为这里的关键是:傅氏变换,时间是从
这里的关键应该是,对于
我们可以看这么一个函数:
这个函数应该是我们求
可以看到,这个与拉氏变换结果是完全一致的。
关于傅氏变换推导比较正常的文章 :
[图文]傅里叶变换及其性质 - 百度文库wenku.baidu.com [图文]周期信号的傅立叶变换 - 百度文库wenku.baidu.com