【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

这篇具有很好参考价值的文章主要介绍了【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

s域分析

1 微分方程的变换解

问题:如何用拉普拉斯变换求如下n阶系统的微分方程?
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

系统的初始状态为 y ( 0 − ) , y ( 1 ) ( 0 − ) , … , y ( n − 1 ) ( 0 − ) y(0-), y^{(1)}(0-), \ldots, y^{(\mathrm{n}-1)}(0-) y(0),y(1)(0),,y(n1)(0)


方法是利用拉普拉斯变换微分特性:
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析


微分方程两边进行拉氏变换:

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
s 2 Y ( s ) − s y ( 0 − ) − y ′ ( 0 − ) + 5 ( Y ( s ) − y ( 0 − ) ) + 6 Y ( s ) = 2 s F ( s ) + 6 F ( s ) s^2Y(s)-sy(0_-)-y'(0_-)+5(Y(s)-y(0_-))+6Y(s)=2sF(s)+6F(s) s2Y(s)sy(0)y(0)+5(Y(s)y(0))+6Y(s)=2sF(s)+6F(s)
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

2 连续系统函数 H ( s ) H(s) H(s)的定义和求解

系统函数 H ( s ) H(s) H(s)定义:
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

说明:系统函数只与系统的结构、元件参数有关,与激励、初始状态无关。

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

连续系统不同描述方法的关系:
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

3 H ( S ) H(S) H(S)的零极点分布与时域特性

3.1 系统函数的零点与极点

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

零点用⭕表示;极点用❌表示。

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

极点: s = − 1 ± j 2 s=-1\pm j2 s=1±j2

3.2 系统函数 H ( s ) H(s) H(s)与时域响应 h ( t ) h(t) h(t)

讨论冲激响应的函数形式与H(s)的极点关系?

对于连续因果系统, H ( s ) H(s) H(s)按其极点在 s s s平面上的位置可分为:在左半开平面、虚轴和右半开平面三类

(1)极点在左半开平面
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
响应函数衰减。
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

响应函数震荡衰减。

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

以上三种情况:当 t → ∞ t→∞ t时,响应均趋于0,属暂态分量

(2)极点在虚轴上
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

(3)在右半开平面

均为递增函数【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

4 连续系统稳定性判别

1.连续系统稳定的充分必要条件是绝对可积:
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

H ( s ) H(s) H(s)的收敛域包含 j w jw jw虚轴,则该系统必是稳定系统。

2.连续因果系统稳定的充分必要条件是
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

系统左半开平面的极点对应的响应为衰减函数,故,
H ( s ) H(s) H(s)的极点均在左半开平面,则该系统必是稳定的
因果系统

3. 稳定系统的 S 域判别方法
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

5 系统函数与系统的频率特性

1. H ( s ) H(s) H(s) H ( j ω ) H(jω) H(jω) 关系
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

2. H ( s ) H(s) H(s) 零、极点与连续系统频率特性

系统幅频特性与零点无关,与极点有关。

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

H ( w ) H(w) H(w):零点模值相乘除极点模值相乘。

6 连续系统的s域框图

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
积分器比微分器稳定,所以现实中常用积分器代替微分器。

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

(1)选择求和器的输出 X ( s ) X(s) X(s)作为中间变量

(2)对求和器输入输出 X ( s ) X(s) X(s)列方程

(3)写出 Y ( s ) Y(s) Y(s) X ( s ) X(s) X(s)关系式

(4)整理得到 Y ( s ) Y(s) Y(s)表达式

(5)写出微分方程

7 连续系统的信号流图

信号流图是系统方框图简化的表示方法。

1.定义 :信号流图是由结点有向线段组成的几何图形。它可以简化系统的表示,并便于计算系统函数。

2.信号流图中常用术语

说明:纯粹地记忆这些概念没什么意义,可以通过例题来理解。

(1)结点: 信号流图中的每个结点

(2)支路和支路增益:

连接两个结点之间的有向线段称为支路。每条支路上的权值(支路增益)就是该两结点间的系统函数(转移函数)。
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

即用一条有向线段表示一个子系统

(3)源点与汇点,混合结点:

仅有出支路的结点称为源点(或输入结点)。
仅有入支路的结点称为汇点(或输出结点)。
有入有出的结点为混合结点 。

(4)通路、开通路、闭通路、不接触回路、自回路

通路-沿箭头指向从一个结点到其他结点的路径。

开通路-如果通路与任一结点相遇不多于一次。

闭通路-若通路的终点就是通路的起点(与其余结点相遇不多于一次。)

不接触回路-相互没有公共结点的回路。

自回路-只有一个结点和一条支路的回路。

(5)前向通路,前向通路增益,回路增益:

前向通路-从源点到汇点的开通路。
前向通路增益-前向通路中各支路增益的乘积。
回路增益-回路中各支路增益的乘积。

3.信号流图的基本性质

(1)信号只能沿支路箭头方向传输。

支路的输出=该支路的输入与支路增益的乘积。

(2)当结点有多个输入时,该结点将所有输入支路的信号相加,并将和信号传输给所有与该结点相连的
输出支路。

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

4.方框图 ↔ \leftrightarrow 流图

注意:加法器前引入增益为1的支路

5.流图的基本规则

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

8 梅森(Mason)公式

系统函数 H ( s ) H(s) H(s)记为 H H H。梅森公式为:
H = 1 Δ ∑ i p i Δ i H=\frac{1}{\Delta} \sum_{i} p_{i} \Delta_{i} H=Δ1ipiΔi

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

剩余特征多项式:用与特定前向通路不相交的回路计算。

9 连续系统的模拟

由系统函数画流图

9.1 直接形式

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

分子中每项看成是一条前向通路。分母中,除1之外,其余每项看成一个回路。画流图时,所有前向通路与全部回路相接触。所有回路均相接触。

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

由梅森公式:流图包含两条开路,一个环。

(1)画出 s − 1 s^{-1} s1
(2)确定输入输出
(3)根据分母h画环: − a 0 s \frac{-a_0}{s} sa0
(4)根据分子画通路
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

两种形式区别:环和通路公共点不同

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

(1)画出 s − 1 s^{-1} s1
(2)确定输入输出
(3)根据分母构造环: − a 1 s \frac{-a_1}{s} sa1 − a 0 s 2 \frac{-a_0}{s^2} s2a0
(4)根据分子画通路

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

9.2 级联形式

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

9.3 并联形式

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

10 零极点配置的作用

10.1 极点增强效益

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

10.2 零点抑制效益

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

适当配置零极点对,可以互相抵消在频率响应上的影响,因此,可以利用这些不同的频率选择特性,来观察结果,设计低通、高通、带通和带阻(陷波)滤波器。

11 低通、带通、带阻滤波器中零极点的配置

11.1 低通滤波器

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

11.2 带通滤波器

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

11.3 带阻滤波器

【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析
【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析

中国大学MOOC:信号与系统 ,西安电子科技大学,郭宝龙,朱娟娟文章来源地址https://www.toymoban.com/news/detail-502911.html

到了这里,关于【信号与系统】(二十二)拉普拉斯变换与复频域分析——s域分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 拉普拉斯锐化[原理及Python实现](含拉氏标定、拉普拉斯标定)

    [原理及Python实现](含拉氏标定、拉普拉斯标定) 原创文章;转载请注明出处:©️ Sylvan Ding 锐化处理的主要目的是突出灰度的过度部分。图像锐化的用途多种多样,应用范围从电子印刷和医学成像到工业检测和军事系统的制导等。利用图像微分可以增强边缘和其他突变(如

    2023年04月10日
    浏览(50)
  • 拉普拉斯算子

    在介绍拉普拉斯算子概念之前我们先介绍,哈密尔顿算子( ∇ nabla ∇ ),梯度,散度等概念 所谓哈密尔顿算子即为某一物理量在笛卡尔坐标系下的偏导数的矢量和,其运算符号为: ∇ nabla ∇ ,定义如下: ∇ = δ δ x i + δ δ y j + δ δ z k nabla={frac{delta}{delta x}}pmb{i}+{f

    2024年02月09日
    浏览(48)
  • visual Studio MFC 平台实现拉普拉斯和拉普拉斯与直方图均衡化与中值滤波相结合实现比较

    本文使用visual Studio MFC 平台实现图像增强中的拉普拉斯变换,同时拉普拉斯一般不会单独使用,与其他平滑操作相结合,本文使用了拉普拉斯与直方图均衡化以及与中值滤波相结合,也对三种方式进行了对比 关于基础工程的创建可以参考 01-Visual Studio 使用MFC 单文档工程绘制

    2024年02月04日
    浏览(49)
  • 【线性代数】P3 拉普拉斯定理

    拉普拉斯定理是通过对余子式和代数余子式的变形展开得到,有关余子式和代数余子式的概念见:https://blog.csdn.net/weixin_43098506/article/details/126765390 假设有四阶行列式: k阶子式 行列式D的一个二阶子式为: 余子式 那么二阶子式A的余子式为: 代数余子式 那么二阶子式的代数余

    2024年02月12日
    浏览(45)
  • 图谱论学习—拉普拉斯矩阵背后的含义

    一、为什么学习拉普拉斯矩阵     早期,很多图神经网络的概念是基于图信号分析或图扩散的,而这些都需要与图谱论相关的知识。并且在图网络深度学习中(graph deep learning)中,拉普拉斯矩阵是很常用的概念,深入理解其物理含义非常有助于加深对GNN模型的理解。博主最

    2023年04月09日
    浏览(44)
  • 基于拉普拉斯金字塔的图像融合

    仅为笔记,供自己使用。 读入两幅大小相同的图像 img1 img2; 构建 img1 img2的 高斯金字塔,层数根据需要设定(本实验为7层); 根据高斯金字塔和拉普拉斯金字塔的关系,推出拉普拉斯金字塔的Li(也为7层,第一层大小和原图相同); 在 两组拉普拉斯图层 的每一层进行图像

    2024年02月11日
    浏览(45)
  • 图像处理之LoG算子(高斯拉普拉斯)

    LoG算子是由拉普拉斯算子改进而来。拉普拉斯算子是二阶导数算子,是一个标量,具有线性、位移不变性,其传函在频域空间的原点为0。所有经过拉普拉斯算子滤波的图像具有零平均灰度。但是该算子的缺点是对噪声具有敏感性,因此在实际应用中,一般先要对图像进行平滑

    2024年02月16日
    浏览(44)
  • Opencv 图像金字塔----高斯和拉普拉斯

    原文:图像金字塔----高斯和拉普拉斯 图像金字塔 是图像中多尺度表达的一种,最初用于机器视觉和图像压缩,最主要用于图像的分割、融合。 高斯金字塔是由底部的最大分辨率图像逐次向下采样得到的一系列图像。最下面的图像分辨率最高,越往上图像分辨率越低。 高斯

    2024年02月09日
    浏览(43)
  • 学习笔记:Opencv实现拉普拉斯图像锐化算法

    2023.8.19 为了在暑假内实现深度学习的进阶学习,Copy大神的代码,记录学习日常 图像锐化的百科: 图像锐化算法-sharpen_lemonHe_的博客-CSDN博客 在环境配置中要配置opencv: pip install opencv-contrib-python Code and lena.png:注意你是否在data下由lena.png   附上lena.png  效果所示(解读):

    2024年02月12日
    浏览(43)
  • 【译】用分数阶拉普拉斯解开大脑的神秘面纱

    原作:普利瑟姆 /Gemini翻译/   人类大脑通常被称为已知宇宙中最复杂的物体,是连接性和功能性的奇迹。大脑由数十亿个神经元组成,每个神经元都有可能与数千个其他神经元相连,因此大脑的网络既庞大又复杂。 深度神经网络,特别是transformers的兴起无疑彻底改变了自然

    2024年03月25日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包