如果把一辆汽车在减速带上的颠簸过程拍成视频,你会看到一条上下晃动的曲线。这条曲线记录的是“每个瞬间车身多高”,数学家把它叫时域信号。可工程师真正关心的往往不是某个瞬间,而是整段颠簸由哪些频率和衰减组成。拉普拉斯变换就像给这段视频拍一张全景照片:照片上的每个点都在说“这个频率成分有多强”。拍完照片,原本要微积分的难题会变简单——求导在照片里只是乘以一个字母 s,积分只是除以 s,微分方程就成了代数方程。本文带你从“行车记录仪”走到“全景地图”:先认识变换定义和线性性质,再掌握把求导变乘法的微分定理,背下几张常用变换对,接着用逆变换、初值终值定理亲手解微分方程,最后看看控制工程中它是如何变成传递函数的。

岗位关联

拉普拉斯变换是控制、电路、信号处理从业者的基本功:它把动态系统建模从微积分降维成代数,让你能快速分析稳定性和响应。

目录
  1. 可视化演示
  2. 变换定义
  3. 线性性质
  4. 微分定理
  5. 常见变换对
  6. 逆变换方法
  7. 初值终值定理
  8. 微分方程求解
  9. 工程应用
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示拉普拉斯变换将时域信号f(t)转换为复频域F(s)的过程,包含常见变换对与微分方程求解的映射关系。

本节配有交互动效(进入视口后自动加载,约 3KB)。

拉普拉斯变换 时域→频域:f(t)乘e^{-st}后积分得F(s) 衰减因子e^{-st}使发散信号收敛 极点位置决定系统稳定性 F(s) = ∫₀^∞ f(t)·e^{-st} dt 拉普拉斯变换将微分方程化为代数方程

变换定义

试车员小周的车碾过减速带,行车记录仪留下一条上下抖动的曲线。这条曲线非常直观,但它只回答“某一瞬间车身高多少”。如果小周想搞清楚悬挂系统整体的频率特征,就需要换一个视角:把整段录像拍成一张全景照片。这张照片不保留每个瞬间的先后顺序,而是把所有时刻的信息“压”进一个新坐标里。这个新坐标叫复频域,这个拍照动作就是拉普拉斯变换。

技术上说,拉普拉斯变换把一个时域函数 f(t)f(t) 变成复频域函数 F(s)F(s)。这里的 s=σ+jωs=\sigma+j\omega 是一个复数:实数部分 σ\sigma 控制信号整体是增长还是衰减,虚数部分 ω\omega 控制振荡快慢。因为物理系统通常从 t=0t=0 开始研究,所以工程上最常用单边拉普拉斯变换,积分从 0−0^{-} 开始,避免漏掉起始瞬间的冲激。

有了这张照片,后续处理就不再盯着“每个瞬间”,而是盯着“整个频域结构”。微分方程的复杂度,就这样被拍进了一张更容易操作的照片里。

F(s)=L{f(t)}=∫0−∞f(t)e−st dt\displaystyle F(s)=\mathcal{L}\{f(t)\}=\int_{0^{-}}^{\infty}f(t)e^{-st}\,dt
  1. f(t)f(t)被变换的时域信号,相当于行车记录仪里的原始视频。
    f(t)=随时间变化的曲线f(t)=\text{随时间变化的曲线}
  2. e−ste^{-st}指数滤镜,ss 里的实部决定镜头是放大还是缩小信号,虚部决定它如何旋转。
    e−st=e−(σ+jω)te^{-st}=e^{-(\sigma+j\omega)t}
  3. 积分从 0−0^{-} 一直扫描到无穷大,把每一个瞬间的贡献叠加起来,合成一张照片。
    ∫0−∞⋯ dt\int_{0^{-}}^{\infty}\cdots\,dt
  4. F(s)F(s)变换得到的复频域函数,也就是那张全景照片,里面藏着原信号的频率和衰减信息。
    F(s)=L{f(t)}F(s)=\mathcal{L}\{f(t)\}

线性性质

小周拍完照片后发现,录像里的车身位移其实由两部分组成:一是路面输入的颠簸,二是悬挂系统自己的晃动。若是分别录这两段视频再合成,照片是不是也能简单叠加?答案是能。这正是拉普拉斯变换的“线性性质”:先把每一段分别拍照,再把照片按同样比例叠加,效果等同于直接拍合成后的视频。

这个性质可以写成:信号按常数 a,ba,b 组合,变换后的结果也按同样的常数组合。因为积分本身是线性运算,求和、缩放可以自由进出积分号。这样,复杂的输入信号就能拆成一串简单信号的组合,分别查表再相加,大大降低求解难度。

线性性质让工程师敢把复杂激励拆解成“单位阶跃、指数、正弦”这种标准件。后面只要记住几个常用变换对,就能像拼积木一样拼出复杂输入的照片。

L{af(t)+bg(t)}=aF(s)+bG(s)\displaystyle \mathcal{L}\{a f(t)+b g(t)\}=aF(s)+bG(s)
  1. af(t)+bg(t)a f(t)+b g(t)输入信号是两段视频按比例混合,例如路面输入加车身回弹。
    af(t)+bg(t)a f(t)+b g(t)
  2. 积分线性积分符号可以拆开,常数直接提到积分外面,所以左右两边天然可分离。
    ∫(af+bg)e−st dt=a∫fe−st dt+b∫ge−st dt\int \left(a f+b g\right)e^{-st}\,dt=a\int fe^{-st}\,dt+b\int ge^{-st}\,dt
  3. aF(s)+bG(s)aF(s)+bG(s)最终结果是两张照片按同样比例相加,输出结构一目了然。
    aL{f(t)}+bL{g(t)}a\mathcal{L}\{f(t)\}+b\mathcal{L}\{g(t)\}

微分定理

行车记录仪里的速度不能直接从画面看出,你必须逐帧求位移的变化率。到了全景照片上,这个求导动作突然变得极简:每求一次导数,照片只额外乘以一个 ss,同时扣除起点留下的“海拔高度”。这就是微分定理,也是拉普拉斯变换能解微分方程的灵魂。

利用分部积分可以严格推导:对 f′(t)f'(t) 做变换,积分出来的边界项恰好是 −f(0−)-f(0^{-}),剩余部分就是 sF(s)sF(s)。反复套用,还能得到二阶、三阶甚至 nn 阶导数的公式。若系统从零状态启动,初始条件都为 0,求导就直接变成乘 sns^n。

有了这个定理,含导数、二阶导的方程在复频域里只剩下 ss 的多项式。接下来要做的,就是把这张照片按代数规则整理好。

L{f′(t)}=sF(s)−f(0−),L{f′′(t)}=s2F(s)−sf(0−)−f′(0−)\displaystyle \mathcal{L}\{f'(t)\}=sF(s)-f(0^{-}),\qquad\mathcal{L}\{f''(t)\}=s^{2}F(s)-s f(0^{-})-f'(0^{-})
  1. 一阶导数项求导一次就多一个 ss,同时要减掉起点处的函数值 f(0−)f(0^{-})。
    sF(s)−f(0−)sF(s)-f(0^{-})
  2. 二阶导数项求导两次出现 s2s^{2},依次扣除 f(0−)f(0^{-}) 和 f′(0−)f'(0^{-})。
    s2F(s)−sf(0−)−f′(0−)s^{2}F(s)-s f(0^{-})-f'(0^{-})
  3. 初始条件f(0−)f(0^{-}) 和 f′(0−)f'(0^{-}) 是系统在启动瞬间的状态,相当于地图上标注的出发点海拔。
    f(0−), f′(0−)f(0^{-}),\ f'(0^{-})
  4. 零初值简化若出发点海拔为零,求导公式只剩 snF(s)s^{n}F(s),微积分彻底退化成乘法。
    L{f(n)(t)}=snF(s)\mathcal{L}\{f^{(n)}(t)\}=s^{n}F(s)

常见变换对

导航软件里会内置常用路段模板,一看到丁字路口就自动简化。拉普拉斯变换也有自己的“地图图例”:单位阶跃、指数函数、正弦、幂函数这些常见信号,都有现成的变换对。做题时不用每次重新积分,查表即可。

这些变换对都是从定义式直接积分得到的,本质上是一张“常用照片对照表”。比如单位阶跃 u(t)u(t) 相当于开关突然打开;指数函数 eate^{at} 表示持续增长或衰减;正弦函数表示振荡;幂函数 tnt^{n} 表示斜坡或更高阶输入。

这些变换对必须像交通标志一样熟记。后面做逆变换时,绝大多数工作就是把复杂分式拆成这些图例,再逐项翻译回时域。

L{u(t)}=1s,L{eatu(t)}=1s−a,L{sin⁡(ωt)u(t)}=ωs2+ω2,L{tnu(t)}=n!sn+1.\displaystyle\begin{aligned}\mathcal{L}\{u(t)\} &= \frac{1}{s}, &\mathcal{L}\{e^{at}u(t)\} &= \frac{1}{s-a},\\\mathcal{L}\{\sin(\omega t)u(t)\} &= \frac{\omega}{s^2+\omega^2}, &\mathcal{L}\{t^{n}u(t)\} &= \frac{n!}{s^{n+1}}.\end{aligned}
  1. 单位阶跃 u(t)u(t)开关从 0 跳到 1,变换结果是 1/s1/s。
    1s\frac{1}{s}
  2. 指数 eate^{at}指数增长或衰减的基准模板,结果是把极点搬到 s=as=a。
    1s−a\frac{1}{s-a}
  3. 正弦 sin⁡(ωt)\sin(\omega t)固定频率振荡的结果,分母是 s2+ω2s^2+\omega^2,分子是频率 ω\omega。
    ωs2+ω2\frac{\omega}{s^2+\omega^2}
  4. 幂函数 tnt^{n}带阶乘 n!n!,分母是 sn+1s^{n+1},适合处理斜坡信号。
    n!sn+1\frac{n!}{s^{n+1}}

逆变换方法

照片拍好之后,小周还要把照片翻译回行车录像,这个过程就是逆变换。逆变换的完整定义是一个复平面上的围线积分,工程中很少直接计算,更多是先把 F(s)F(s) 拆成若干“已知图例”的组合,再查表翻译。

最常用的拆法叫部分分式展开。如果 F(s)F(s) 是一个有理分式,先把分母因式分解,再把整个分式拆成若干简单分式之和。每个简单分式都能对应一个已知变换对,最后逐项叠加,就得到时域解。严格地说,留数法是部分分式在复平面上的统一数学解释,而唯一性保证只要你查表结果对,答案就只有一个。

逆变换像是把全景照片按颜色分成多个图层,再把每个图层翻译回录像,最后叠成完整视频。只要每一步查表正确,最终答案唯一且可靠。

x(t)=L−1{X(s)}=∑iAiepitu(t)\displaystyle x(t)=\mathcal{L}^{-1}\{X(s)\}=\sum_{i} A_{i}e^{p_{i}t}u(t)
  1. X(s)X(s) 展开先把复杂分式分解成因式形式,例如拆成 (s−p1)(s−p2)⋯(s-p_1)(s-p_2)\cdots。
    X(s)=N(s)(s−p1)(s−p2)⋯X(s)=\frac{N(s)}{(s-p_1)(s-p_2)\cdots}
  2. 求系数 AiA_i对每个简单极点 pip_i 求出部分分式系数,相当于给每张子图配好颜色。
    Ai=lim⁡s→pi(s−pi)X(s)A_{i}=\lim_{s\to p_i}(s-p_i)X(s)
  3. 逐项查表Ai/(s−pi)A_i/(s-p_i) 的逆变换是 Aiepitu(t)A_i e^{p_i t}u(t)。
    L−1{Ais−pi}=Aiepitu(t)\mathcal{L}^{-1}\left\{\frac{A_i}{s-p_i}\right\}=A_i e^{p_i t}u(t)
  4. 求和叠加唯一性保证所有子项相加后就是原信号的时域表达。
    x(t)=∑iAiepitu(t)x(t)=\sum_{i} A_{i}e^{p_{i}t}u(t)

初值终值定理

小周拿到一张地图,不必开着车跑完整条路,也能从地图边缘直接读出起点和终点。拉普拉斯变换也提供这种“预览”:初值定理看 t=0+t=0^+ 那一瞬间的起点,终值定理看 t→∞t\to\infty 的最终目的地。它们都只对 sF(s)sF(s) 取极限,非常快速。

初值定理用 s→∞s\to\infty 提取出发点,终值定理用 s→0s\to0 提取稳态终点。需要特别注意的是,终值定理并不是对任何信号都成立:如果系统最终持续振荡或发散,sF(s)sF(s) 会有虚轴或右半平面的极点,这时“终点预览”就会失效。

这两个定理是控制工程师的“快速仪表盘”:不需要求逆变换,就能判断系统起点是否跳变、终点是否收敛。在分析稳态误差时,终值定理几乎是必用工具。

f(0+)=lim⁡s→∞sF(s),lim⁡t→∞f(t)=lim⁡s→0sF(s)\displaystyle f(0^{+})=\lim_{s\to\infty}sF(s),\qquad\lim_{t\to\infty}f(t)=\lim_{s\to0}sF(s)
  1. sF(s)sF(s)把变换结果先乘一个 ss,相当于把“照片”换成“速度式预览图”。
    sF(s)sF(s)
  2. 初值定理让 s→∞s\to\infty,从高频端读出系统刚启动时的值 f(0+)f(0^+)。
    f(0+)=lim⁡s→∞sF(s)f(0^{+})=\lim_{s\to\infty}sF(s)
  3. 终值定理让 s→0s\to0,从低频端读出系统到达稳态后的值。
    lim⁡t→∞f(t)=lim⁡s→0sF(s)\lim_{t\to\infty}f(t)=\lim_{s\to0}sF(s)
  4. 适用条件终值定理要求 sF(s)sF(s) 的极点都在左半开平面,否则不能套用。
    Re⁡(pi)<0\operatorname{Re}(p_i)<0

微分方程求解

现在把“行车录像”和“全景地图”真正接在一起。面对一个常系数线性微分方程,小周的做法是:先对等式两边同时做拉普拉斯变换,利用微分定理把导数换成 ss,初始条件自动进入代数式;然后像解普通代数方程一样解出 Y(s)Y(s);最后做部分分式展开和逆变换,得到时域解。

对于方程 y′′+3y′+2y=f(t)y''+3y'+2y=f(t),两边变换后得到下面的代数关系。等号右边既有输入 F(s)F(s),也有初始条件项,它们共同决定了系统的零状态响应和零输入响应。

比如取 f(t)=e−tf(t)=e^{-t},初始条件 y(0)=1, y′(0)=0y(0)=1,\ y'(0)=0,可算出 Y(s)=(s+2)/(s+1)2Y(s)=(s+2)/(s+1)^2,展开后逆变换得到 y(t)=(e−t+te−t)u(t)y(t)=(e^{-t}+te^{-t})u(t)。一个原本要解微积分方程的难题,就这样被“拍照—代数—翻译”三步解决。

(s2+3s+2)Y(s)=F(s)+sy(0)+y′(0)+3y(0)\displaystyle (s^2+3s+2)Y(s)=F(s)+s y(0)+y'(0)+3y(0)
  1. 两边取变换对微分方程每一项做拉普拉斯变换,微分运算全部变成 ss 的多项式。
    L{y′′}+3L{y′}+2L{y}=L{f(t)}\mathcal{L}\{y''\}+3\mathcal{L}\{y'\}+2\mathcal{L}\{y\}=\mathcal{L}\{f(t)\}
  2. 代入微分定理用 s2Y(s)−sy(0)−y′(0)s^2Y(s)-sy(0)-y'(0) 替换二阶导,用 sY(s)−y(0)sY(s)-y(0) 替换一阶导。
    s2Y(s)−sy(0)−y′(0)+3sY(s)−3y(0)+2Y(s)=F(s)s^{2}Y(s)-s y(0)-y'(0)+3sY(s)-3y(0)+2Y(s)=F(s)
  3. 整理代数方程把所有 Y(s)Y(s) 合并,初始条件和输入信号移到等号另一边。
    (s2+3s+2)Y(s)=F(s)+sy(0)+y′(0)+3y(0)(s^2+3s+2)Y(s)=F(s)+s y(0)+y'(0)+3y(0)
  4. 解出 Y(s)Y(s)除以特征多项式 s2+3s+2s^2+3s+2,再做部分分式展开。
    Y(s)=F(s)+sy(0)+y′(0)+3y(0)s2+3s+2Y(s)=\frac{F(s)+s y(0)+y'(0)+3y(0)}{s^2+3s+2}

工程应用

在控制工程中,工程师不会每次都对整个微分方程重新求变换,而是直接研究系统的“身份证”——传递函数。传递函数定义为系统输出 Y(s)Y(s) 与输入 U(s)U(s) 之比,它描述了系统本身的固有特性,与具体输入无关。

电路分析也受益于同样思路:电感的复频域阻抗是 sLsL,电容的复频域阻抗是 1/(sC)1/(sC)。把电路画到复频域后,基尔霍夫定律就变成普通代数方程,瞬态响应、稳态响应都能统一求解。

拉普拉斯变换把“系统为什么震荡”“怎样才能稳定”这类问题,变成了看极点位置和阻尼比取值的代数问题。小周最终靠这张全景地图,快速完成了悬挂系统的参数调优。

H(s)=Y(s)U(s)=ωn2s2+2ζωns+ωn2\displaystyle H(s)=\frac{Y(s)}{U(s)}=\frac{\omega_n^2}{s^2+2\zeta\omega_n s+\omega_n^2}
  1. Y(s)/U(s)Y(s)/U(s)系统照片的“输入输出比例”,即传递函数。
    H(s)=Y(s)U(s)H(s)=\frac{Y(s)}{U(s)}
  2. ωn2\omega_n^2自然频率的平方,决定系统固有振荡快慢。
    ωn2\omega_n^2
  3. ζ\zeta阻尼比,决定系统是过阻尼、欠阻尼还是临界阻尼。
    2ζωns2\zeta\omega_n s
  4. 稳定性判断检查分母极点是否都在左半平面,若有极点跑到右半平面,系统就不稳定。
    Re⁡(pi)<0\operatorname{Re}(p_i)<0

AI 应用场景

自动驾驶车辆控制

阶段:模型部署与底层控制调优

解决的问题:AI 决策模块输出期望车速后,车辆本身的一阶惯性、延迟会让实际车速偏离目标。传统上需要反复调 PID 参数,若只看时域曲线,很难判断系统是否会发生超调或震荡。用拉普拉斯变换建立车辆纵向动力学传递函数,可以把控制问题变成极点配置问题,快速判断稳定性并整定参数。

具体案例:某自动驾驶团队发现车辆的油门响应有 0.2 秒延迟,导致巡航控制震荡。工程师把延迟后的整车模型写成传递函数,利用终值定理和根轨迹分析,重新整定 PID,最终让车速在 3 秒内平稳收敛。

电源与芯片供电电路分析

阶段:AI 硬件设计与供电仿真

解决的问题:AI 加速卡在推理任务突增时,电流会突然跳变,供电电压一旦跌落过低,芯片就会报错。传统电路分析要解很多微分方程,效率低。用拉普拉斯变换把电容、电感变成复频域阻抗,可以快速写出供电网络的传递函数,分析电压跌落和恢复时间。

具体案例:硬件团队在设计大模型推理服务器时,用拉普拉斯变换分析电源瞬态响应,发现输出电容偏小导致电压跌落超过 5%。通过加大电容并调整反馈网络,最终满足芯片的电压容限要求。

Python 演示

python14 行
import sympy as sp def main():    s, t = sp.symbols("s t")    y0, dy0 = 1, 0    rhs = 1 / (s + 1)    numerator = rhs + s * y0 + 3 * y0 + dy0    Y = sp.apart(numerator / (s**2 + 3 * s + 2), s)    yt = sp.inverse_laplace_transform(Y, s, t)    print("Y(s) =", Y)    print("y(t) =", sp.simplify(yt)) if __name__ == "__main__":    main()
目的:用 SymPy 符号计算完成拉普拉斯变换法求解微分方程,展示“代数化”和“部分分式”两个核心步骤。
  1. s, t = sp.symbols("s t")定义复频域变量 ss 和时域变量 tt,让计算机做符号运算。
  2. numerator = rhs + s * y0 + 3 * y0 + dy0把输入信号和初始条件一起放进代数方程分子。
  3. Y = sp.apart(numerator / (s**2 + 3 * s + 2), s)对解出的 Y(s)Y(s) 做部分分式展开。
  4. yt = sp.inverse_laplace_transform(Y, s, t)用逆变换把照片翻译回时域,得到 y(t)y(t)。

常见误区

误区我看到 f′(t)f'(t) 就写成 sF(s)sF(s),完全不用管初始条件,反正题目会给初值。

正解微分定理的正确形式是 sF(s)−f(0−)sF(s)-f(0^{-}),初始条件必须保留。它就像一个登山起点海拔,求导变成乘法后,起点高度不会凭空消失。如果忽略 f(0)f(0),解出的零输入响应就会缺失。

为何常见:因为零初始条件的题目太常见,简化形式用多了,就把“带初值”的完整公式忘了。

误区傅里叶变换和拉普拉斯变换差不多,反正都是把时域变频域,考试随便用。

正解傅里叶变换是 s=jωs=j\omega 的特例,只能处理收敛或能量有限的信号;拉普拉斯变换的 s=σ+jωs=\sigma+j\omega 多了一个实部,能描述信号的衰减或增长,特别适合瞬态分析和稳定判据。

为何常见:两者图像上都是“频域谱”,初学者只看到相似形式,没注意到复频域多出的自由度。

误区不管信号是震荡还是发散,只要把 Y(s)Y(s) 乘上 ss 再令 s→0s\to0,就能算出终值。

正解终值定理要求信号最终收敛,通常要求 sF(s)sF(s) 的极点都在左半开平面。若信号像 sin⁡(ωt)\sin(\omega t) 那样持续振荡,或者像 ete^{t} 那样发散,强行使用会得到错误答案。

为何常见:很多教材例题里的信号都收敛,学生通过反复刷题形成“直接取极限”的机械记忆,缺少对条件的检验。

误区如果分母出现 s2+9s^2+9 这种没实数根的多项式,部分分式就拆不动了,题目做不了。

正解共轭复根一样可以展开,只是结果会对应正弦和余弦项。比如 1/(s2+ω2)1/(s^2+\omega^2) 直接对应 (1/ω)sin⁡(ωt)(1/\omega)\sin(\omega t),并不需要拆成实数根。

为何常见:中学阶段处理的多是实数根,遇到复数根就下意识想“没法因式分解”,忽略了复根本身的物理含义。

面试题

Q1. 拉普拉斯变换把一个时域函数主要变换到哪个域?

单选题 · easy

  • 复频域

Q2. 单位阶跃函数 u(t)u(t) 的拉普拉斯变换是以下哪个?

单选题 · easy

  • 1/s1/s

Q3. 拉普拉斯变换中,一阶导数的变换公式是哪个?

单选题 · mid

  • sF(s)−f(0)sF(s)-f(0)

Q4. 根据线性性质,L{af(t)+bg(t)}\mathcal{L}\{af(t)+bg(t)\} 等于什么?

单选题 · easy

  • aF(s)+bG(s)aF(s)+bG(s)

Q5. 下列逆变换结果中,正确的有哪些?

多选题 · mid

  • L−1{1/(s+3)}=e−3tu(t)\mathcal{L}^{-1}\{1/(s+3)\}=e^{-3t}u(t)
  • L−1{s/(s2+9)}=cos⁡(3t)u(t)\mathcal{L}^{-1}\{s/(s^2+9)\}=\cos(3t)u(t)
  • L−1{1/(s2+9)}=sin⁡(3t)u(t)\mathcal{L}^{-1}\{1/(s^2+9)\}=\sin(3t)u(t)

Q6. 用拉普拉斯变换解 y′′+y=0y''+y=0,且 y(0)=1, y′(0)=0y(0)=1,\ y'(0)=0,则 Y(s)Y(s) 是多少?

单选题 · mid

  • s/(s2+1)s/(s^2+1)

Q7. 下列哪个信号可以用终值定理求稳态值?

单选题 · hard

  • e−2tu(t)e^{-2t}u(t)

Q8. F(s)=1/[s(s+1)]F(s)=1/[s(s+1)] 的逆变换是哪个?

单选题 · hard

  • (1−e−t)u(t)(1-e^{-t})u(t)

Q9. 下列常见变换对中,正确的有哪些?

多选题 · mid

  • L{u(t)}=1/s\mathcal{L}\{u(t)\}=1/s
  • L{eatu(t)}=1/(s−a)\mathcal{L}\{e^{at}u(t)\}=1/(s-a)
  • L{sin⁡(ωt)u(t)}=ω/(s2+ω2)\mathcal{L}\{\sin(\omega t)u(t)\}=\omega/(s^2+\omega^2)

Q10. 关于初值定理和终值定理,下列说法正确的有哪些?

多选题 · extreme

  • 初值定理可直接得到 f(0+)f(0^+)
  • 终值定理要求 sF(s)sF(s) 的极点都在左半开平面
  • 等幅振荡信号不满足终值定理的条件