
从物理角度讲,引入单位阶跃函数一是为了解决单位冲激函数(狄拉克Delta函数)的积分;二是系统在输入信号激励下的响应问题中,为了区分信号加入系统前后两个时点。信号加入系统开始起作用的时点称为“0时刻”后沿,记为0+,t=0+,就是t>0;输入信号要加而未加入的时点称为0时刻前沿,记为0-,t=0-,就是t<0。因而物理上一般不介入(0- ,0+)时区,因为这个时区内说不清输入信号到底加入系统了没有,实际上这个时区的宽度也不定,数学上可以认为它趋于0。于是单位阶跃函数在自变量为0处,即(0-,0+)区间上的值不予定义。这就是物理上采用第一种定义的缘故。
卷积性质
f(t)u(t)=1/D[f(t)](D为微分算子)
这一性质不难通过Delta函数的卷积性质和卷积运算的积分性质证明。
f(t)δ(t)=f(t)且有1/D[f(t)δ(t)]=f(t)1/D[δ(t)]=f(t)u(t)
所以:f(t)u(t)=1/D[f(t)]
u(t)u(t)=t×u(t)
根据积分性质,u(t)u(t)相当于对u(t)积分,所以结果为斜升函数r(t)=t×u(t) (t≤0时为零)
常用推论:u(t+a)u(t+b)=(t+a+b)u(t+a+b)
首先可证明:
如果有:f(t)g(t)=h(t),则有
f(t+a)g(t+b)=h(t+a+b)
这一定理称”卷积的平移性质“。
所以,令f=g=u, 则h = r(t) = t×u(t),可得
u(t+a)u(t+b)=(t+a+b)u(t+a+b)
1、筛选性质
如果信号x(t)是一个在t=t₀处连续的普通函数,则有
上式表明,信号x(t)与冲激函数相乘,筛选出连续时间信号x(t)在t=t₀时的函数值x(t₀),可以理解为冲激函数在t=t₀时刻对函数x(t)的一瞬间的作用,其值是冲激函数和x(t₀)相乘的结果,瞬间趋于无穷大。
2、取样性质
如果信号x(t)是一个在t=t₀处连续的普通函数,则有
冲激信号的取样特性表明,一个连续时间信号x(t)与冲激函数相乘,并在时间域
上积分,其结果为信号x(t)在t=t₀时的函数值x(t₀) 。该式可以理解为冲激函数作用于函数x(t),趋于稳态时最终作用的结果,即得到信号x(t)在t₀时刻的值x(t₀)。
3、导数性质
冲激函数的导数性质如下:
其证明如下:
4、尺度变换
冲激函数的尺度变换性质如下:
其推论明如下:
(1)
(2)
(3)当a=-1时
(4)
为偶函数。
(5)
为奇函数
-冲激函数
冲激函数是因果系统,是用来处理因果信号的函数。
你可以看看这两个定义。
因果信号:输出信号仅与输入信号的现在时刻过去时刻有关,则该系统为因果系统,输出输入信号为因果信号。
冲激函数:奇异函数,它是对强度极大、作用时间极短暂且积分有限的一类理想化数学模型。冲激函数用于对连续信号进行线性表达。
明显冲激函数是用来处理信号的。它本身不是信号。
对于线性时不变系统,单位冲激函数 作用下的零状态响应称为冲激响应 ,与阶跃响应的关系为 。该系统对任意激励 的响应为 , 为零输入相应。
离散形式为 。
若系统的输入-输出( )方程有以下微分方程形式,
微分算子用 表示,即 ,则可得到一转移算子 ,
微分方程化为 ,则冲激响应为 。若 ,则对 作分式展开后得到如下形式,
而由Laplace变换可知对于不同的 有如下解
所以可求得冲激响应
下举两例
1
2
由上面的讨论可知,冲激响应的求解归结为求 。而根据线性时不变系统的相关性质,可以先求解易解的 ,在作叠加即可求得冲激响应 。
仍以 为例。
所以可得冲激响应,
考虑描述一因果线性时不变系统的差分方程,
用 表示 ,则该系统的频率响应为,
于是也可以对应得出冲激响应为,
可以看出,即使 是真分式也可以用类似的部分分式法求解冲激响应。
系统在单位阶跃输入作用下,系统在零初始条件下的输出响应为c(t)=1-2e^-2t+e^-t,系统的传递函数r(t)=1(t)进行拉氏变换得到R(S)=1/s,c(t)进行拉氏变换得到C(S)=1/s-1/(s+2)+1/(s+1),G(S)=C(s)/R(S)=(2-ss)/(ss+3s+2)。
引入单位阶跃函数为了解决单位冲激函数(狄拉克Delta函数)的积分,系统在输入信号激励下的响应问题中,为了区分信号加入系统前后两个时点。
信号加入系统开始起作用的时点称为“0时刻”后沿,记为0+,t=0+,就是t>0;输入信号要加而未加入的时点称为0时刻前沿,记为0-,t=0-,就是t<0。
扩展资料:
一般认为,阶跃信号对于系统来说是十分严峻的工作状态,因为阶跃信号中存在跃断点(不连续点)。针对零初始状态系统在单位阶跃输入下的响应情况。
定义了一系列动态性能指标,用以评判系统的动态性能,如超调量、衰减比、上升时间、调节时间、峰值时间等等。
-单位阶跃函数
欢迎分享,转载请注明来源:内存溢出
微信扫一扫
支付宝扫一扫
评论列表(0条)