aiwiki.page
中文
数学 / 分析与微积分 / laplace-transform

拉普拉斯变换

拉普拉斯变换将时间函数转换为复变量函数,从而简化微分方程、系统分析和概率计算。

40 个关键词23 个词条链接到这里6 个尚未撰写AI 撰写
函数(数学)复数微分方程皮埃尔-西蒙·拉普…傅里叶变换解析函数解析延拓线性映射拉普拉斯变…

拉普拉斯变换是一种积分变换,用复指数函数来表示函数。其最常见的形式是单边拉普拉斯变换:对于定义在 t≥0t\geq 0 上的函数 f(t)f(t),它将其映射为函数

F(s)=L{f}(s)=∫0∞e−stf(t) dt,F(s)=\mathcal L\{f\}(s)=\int_0^\infty e^{-st}f(t)\,dt,

其中,ss 是复数,仅在积分收敛的范围内定义该变换。指数因子既能使原函数衰减或放大,也能引入振荡。因此,这一变换以统一的复变量表示形式,记录了函数的增长、衰减和振荡行为。

它在实际应用中的核心优势在于:对原变量求导,经过变换后就成为乘以 ss,并附加包含初始条件信息的项。这使许多微分方程能够转化为代数方程。该变换以皮埃尔-西蒙·拉普拉斯的名字命名,是电气工程、机械动力学、控制理论、概率论和数学分析中的基础工具。要严谨地使用拉普拉斯变换,不仅需要 F(s)F(s) 的公式,还必须考虑其收敛域、解析结构以及逆变换成立的条件。

定义、变体与收敛性

令 s=σ+iωs=\sigma+i\omega,可将变换核分解为

e−st=e−σte−iωt.e^{-st}=e^{-\sigma t}e^{-i\omega t}.

实部 σ\sigma 提供指数权重,虚部 ω\omega 则引入振荡。因此,当 σ\sigma 固定时,拉普拉斯变换与指数加权函数的傅里叶变换密切相关。与实频率轴上的傅里叶变换不同,拉普拉斯变换可以表示许多呈指数增长的函数。

保证变换存在的一个标准充分条件是:ff 在每个有界区间上分段连续,且为指数阶函数,即存在常数 M,a,TM,a,T,使得

∣f(t)∣≤Meat(t≥T).|f(t)|\leq Me^{at}\qquad(t\geq T).

此时,定义变换的积分在 Re⁡s>a\operatorname{Re}s>a 时绝对收敛。更一般地,只需函数在有限点附近局部可积,并在无穷远处满足适当的可积性条件。指数阶条件便于使用,但并非必要条件。例如,函数即使在原点处具有 t−1/2t^{-1/2} 这样的可积奇点,仍然可以有拉普拉斯变换。

对于单边变换,绝对收敛域是一个右半平面,也可能包含部分边界点。其边界由绝对收敛横坐标确定。由于相消作用,通常意义下的反常积分有时可以在绝对收敛域更左侧的位置收敛,因此相应的两个收敛横坐标不一定重合。在绝对收敛半平面的内部,FF 是解析函数,并且局部可以在积分号下求导:

F(n)(s)=(−1)n∫0∞tne−stf(t) dt.F^{(n)}(s)=(-1)^n\int_0^\infty t^n e^{-st}f(t)\,dt.

在远离边界的位置,指数衰减足以控制额外引入的 tt 的幂次。

双边变换则采用

Lb{f}(s)=∫−∞∞e−stf(t) dt.\mathcal L_b\{f\}(s)=\int_{-\infty}^{\infty}e^{-st}f(t)\,dt.

其绝对收敛域通常是一个竖直带状区域,也可能为空集、半平面或整个复平面。这个带状收敛域是不可或缺的信息。例如,当 Re⁡s>Re⁡a\operatorname{Re}s>\operatorname{Re}a 时,表达式 1/(s−a)1/(s-a) 表示仅在 t≥0t\geq0 上取非零值的 eate^{at} 的变换;而当 Re⁡s<Re⁡a\operatorname{Re}s<\operatorname{Re}a 时,它表示仅在 t<0t<0 上取非零值的 −eat-e^{at} 的变换。

通过解析延拓得到的公式可能在收敛域之外仍有定义,但在那里并不表示原来的积分。例如,11 的变换在 Re⁡s>0\operatorname{Re}s>0 时为 1/s1/s;亚纯表达式 1/s1/s 在其他位置也有定义,但定义变换的反常积分并非在这个更大的区域内处处收敛。

运算规则与基本变换对

拉普拉斯变换在任意共同的收敛域上都是线性映射:

L{αf+βg}=αF+βG\mathcal L\{\alpha f+\beta g\}=\alpha F+\beta G

其最重要的运算恒等式可由分部积分法得出:

L{f′}(s)=sF(s)−f(0+).\mathcal L\{f'\}(s)=sF(s)-f(0+).

这里,f(0+)f(0+) 表示右极限,且无穷远处的边界项必须为零。对于 nn 阶导数,有

L{f(n)}(s)=snF(s)−∑k=0n−1sn−1−kf(k)(0+).\mathcal L\{f^{(n)}\}(s) =s^nF(s)-\sum_{k=0}^{n-1}s^{n-1-k}f^{(k)}(0+).

这些恒等式要求函数及其各阶导数满足适当的正则性条件和增长条件。它们准确地表明了微分方程的初始数据在变换后如何得以保留。

另外几条规则可直接通过变量代换或在积分号下求导得到:

L{eatf(t)}(s)=F(s−a),L{tf(t)}(s)=−F′(s).\mathcal L\{e^{at}f(t)\}(s)=F(s-a), \qquad \mathcal L\{tf(t)\}(s)=-F'(s).

当 c>0c>0 时,

L{f(ct)}(s)=1cF(s/c).\mathcal L\{f(ct)\}(s)=\frac1cF(s/c).

若 u(t−a)u(t-a) 表示在 a≥0a\geq0 处发生跃变的单位阶跃函数,则延迟规则为

L{u(t−a)f(t−a)}(s)=e−asF(s).\mathcal L\{u(t-a)f(t-a)\}(s)=e^{-as}F(s).

因此,因子 e−ase^{-as} 表示时间延迟,而不改变被延迟信号的形状。

另一条基本恒等式涉及卷积。对于

(f∗g)(t)=∫0tf(τ)g(t−τ) dτ,(f*g)(t)=\int_0^t f(\tau)g(t-\tau)\,d\tau,

在适当的绝对可积条件下,有

L{f∗g}(s)=F(s)G(s).\mathcal L\{f*g\}(s)=F(s)G(s).

证明时,先引入 t=τ+vt=\tau+v,再交换第一象限上的积分次序。该定理将描述响应累积的积分转化为普通乘法。取 g(t)=1g(t)=1,可得

L{∫0tf(τ) dτ}(s)=F(s)s.\mathcal L\left\{\int_0^t f(\tau)\,d\tau\right\}(s)=\frac{F(s)}s.

常用的变换对包括

1⟷1s,eat⟷1s−a,cos⁡(bt)⟷ss2+b2,sin⁡(bt)⟷bs2+b2.\begin{aligned} 1&\longleftrightarrow \frac1s,\\ e^{at}&\longleftrightarrow \frac1{s-a},\\ \cos(bt)&\longleftrightarrow \frac{s}{s^2+b^2},\\ \sin(bt)&\longleftrightarrow \frac{b}{s^2+b^2}. \end{aligned}

当 bb 为实数时,第一、第三和第四组变换对在 Re⁡s>0\operatorname{Re}s>0 内绝对收敛;指数函数的变换对在 Re⁡s>Re⁡a\operatorname{Re}s>\operatorname{Re}a 时收敛。借助伽马函数,可得到更一般的变换对:

L{tα−1}(s)=Γ(α)sα,Re⁡α>0,Re⁡s>0,\mathcal L\{t^{\alpha-1}\}(s)=\frac{\Gamma(\alpha)}{s^\alpha}, \qquad \operatorname{Re}\alpha>0,\quad \operatorname{Re}s>0,

其中,s−αs^{-\alpha} 的解析分支选取在右半平面内。

变换表能够高效地整理这些恒等式,但其适用条件不容忽视。平移会改变收敛域,求导可能需要附加假设,而两个变换的乘积对应的是原函数的卷积,并非逐点相乘。

反演、唯一性与奇点

在通常的可积性与增长条件下,拉普拉斯变换唯一确定其原函数,但允许原函数在零测集上存在差异。对于分段连续函数,这意味着其在连续点处的值可以唯一确定。改变单个点处的值不会影响通常意义下的积分,因此,变换无法恢复在间断点处任意指定的函数值。这一区别体现了积分理论中常见的几乎处处相等意义下的等价关系。

主要的复反演公式是布罗姆维奇积分:

f(t)=12πi∫γ−i∞γ+i∞estF(s) ds,f(t)=\frac{1}{2\pi i} \int_{\gamma-i\infty}^{\gamma+i\infty}e^{st}F(s)\,ds,

其中,积分所沿的竖直线位于收敛半平面内。例如,若 e−γtf(t)e^{-\gamma t}f(t) 可积,且 ff 在某个正时刻 tt 附近局部有界变差,则在适当意义下理解的反演积分给出

f(t−)+f(t+)2.\frac{f(t-)+f(t+)}2.

在连续点处,这就是 f(t)f(t)。将 F(γ+iω)F(\gamma+i\omega) 表示为傅里叶变换,再应用傅里叶反演公式,便可理解这一公式。

对于有理式形式的变换,部分分式分解往往使围道积分不再必要。基本变换对

1(s−a)m⟷tm−1(m−1)!eat\frac1{(s-a)^m} \longleftrightarrow \frac{t^{m-1}}{(m-1)!}e^{at}

表明,极点的位置和重数决定了函数随时间变化的形式。简单极点对应一个指数模态;重极点则引入时间的幂次因子。当原函数为实值函数时,一对共轭极点会产生实值的衰减振荡或增长振荡。

例如,

F(s)=1s(s+2)=12(1s−1s+2)F(s)=\frac1{s(s+2)} =\frac12\left(\frac1s-\frac1{s+2}\right)

的因果逆变换为

f(t)=12(1−e−2t).f(t)=\frac12(1-e^{-2t}).

零点处的极点给出非零的极限值,而 −2-2 处的极点给出衰减的暂态分量。更复杂的反演可以使用留数定理:对布罗姆维奇积分围道进行变形,只要新增围道部分的积分贡献趋于零,就可以通过留数表示反演结果。

并非所有变换都是有理式。当 α\alpha 不是整数时,因子 s−αs^{-\alpha} 存在分支点,反演通常需要计入沿支割线的积分贡献,而不能仅用有限个极点项之和来表示。这类奇点与时间的幂律变化有关,常见于扩散、记忆方程和分数阶模型。

分析奇点时,必须区分变换积分本身与其延拓。对于双边变换,同一个亚纯表达式在不同的收敛带内可能对应不同的逆变换。即使在单边变换的情况下,要推断长时间行为,也需要对变换的其余部分施加约束条件,而不能仅凭某一个孤立奇点作出判断。

微分方程初值问题

变换法对于常系数线性常微分方程尤其有效。若

any(n)+⋯+a1y′+a0y=r(t),a_n y^{(n)}+\cdots+a_1y'+a_0y=r(t),

则变换后得到

P(s)Y(s)=R(s)+Q(s),P(s)Y(s)=R(s)+Q(s),

其中

P(s)=ansn+⋯+a1s+a0P(s)=a_ns^n+\cdots+a_1s+a_0

是一个多项式,而 QQ 由初值决定。求解微分方程由此化为代数除法运算,再进行逆变换。分母描述齐次系统的动态特性,分子则包含外部激励和初始条件。

考虑

y′′+3y′+2y=1,y(0)=0,y′(0)=0.y''+3y'+2y=1,\qquad y(0)=0,\quad y'(0)=0.

变换后的方程为

(s2+3s+2)Y(s)=1s,(s^2+3s+2)Y(s)=\frac1s,

因此

Y(s)=1s(s+1)(s+2)=12s−1s+1+12(s+2).Y(s)=\frac1{s(s+1)(s+2)} =\frac1{2s}-\frac1{s+1}+\frac1{2(s+2)}.

于是,

y(t)=12−e−t+12e−2t.y(t)=\frac12-e^{-t}+\frac12e^{-2t}.

该解自然分为一个恒定的受迫响应和两个衰减模态。非零初值只会改变分子,而不会改变由特征多项式构成的分母。

处理分段激励和冲激激励是这种方法的重要优势。在时刻 aa 开始施加的力可用单位阶跃函数表示,其变换为 e−as/se^{-as}/s。高度局域化的理想冲激则用狄拉克 δ 分布表示,其变换满足

L{δ(t−a)}(s)=e−as,a>0.\mathcal L\{\delta(t-a)\}(s)=e^{-as},\qquad a>0.

延迟因子可以保留在整个代数运算过程中,直到进行逆变换时再解释其意义。这样就不必在每个区间上分别求解微分方程,再手动匹配所有交界条件。

对于初始时刻的冲激,必须明确所采用的约定。在分布理论的因果框架下,从 0−0- 开始积分会将零时刻的冲激完整计入,得到 L{δ(t)}=1\mathcal L\{\delta(t)\}=1。对因果延拓作分布意义下的微分,会引入一个与其初始跳跃量成正比的冲激。与使用 f(0+)f(0+) 的普通导数变换法则相比,这种表述以不同的方式纳入初始时刻之前的条件;混用这两种约定会导致初值项出错。

方程组也可用类似的方法处理。对于

x′(t)=Ax(t)+Bu(t),x(0)=x0,x'(t)=Ax(t)+Bu(t),\qquad x(0)=x_0,

其中 AA 为常矩阵,有

X(s)=(sI−A)−1x0+(sI−A)−1BU(s).X(s)=(sI-A)^{-1}x_0+(sI-A)^{-1}BU(s).

当 ss 不等于 AA 的任何特征值时,该逆矩阵有定义。它的逆变换为矩阵指数 eAte^{At},再通过卷积即可得到常数变易公式。变系数通常会使这种简单的代数化简失效,因为乘以随时间变化的系数,在变换域中会变成更复杂的运算。

传递函数、稳定性与系统响应

在控制理论和电路分析中,拉普拉斯变换通过传递函数描述线性时不变系统。在零初始条件下,输入 uu 与输出 yy 满足

Y(s)=H(s)U(s).Y(s)=H(s)U(s).

若 h(t)h(t) 为因果冲激响应,则

H(s)=L{h}(s),y(t)=(h∗u)(t).H(s)=\mathcal L\{h\}(s), \qquad y(t)=(h*u)(t).

因此,传递函数是对所有零状态响应的紧凑描述,而不仅仅描述系统对某个特定输入的响应。

对于状态方程

x′=Ax+Bu,y=Cx+Du,x'=Ax+Bu,\qquad y=Cx+Du,

传递矩阵为

H(s)=C(sI−A)−1B+D.H(s)=C(sI-A)^{-1}B+D.

其中,DD 项表示瞬时直通,对应于输入输出核中的冲激项。极点描述可观测的输入输出模态,而零点描述传输可能为零的频率或复指数输入。极零相消可能掩盖内部模态,因此,输入输出稳定性与所有内部状态的稳定性并不必然等价。

一个简单的电路例子是电阻电容低通电路,其电容两端的电压满足

RC y′(t)+y(t)=u(t).RC\,y'(t)+y(t)=u(t).

其传递函数为

H(s)=1RCs+1.H(s)=\frac1{RCs+1}.

当输入为单位阶跃信号,且电容初始未充电时,

Y(s)=1s(RCs+1),y(t)=1−e−t/(RC).Y(s)=\frac1{s(RCs+1)}, \qquad y(t)=1-e^{-t/(RC)}.

极点 −1/(RC)-1/(RC) 决定衰减速率,RCRC 则为时间常数。在适用条件下,计算 H(iω)H(i\omega) 可得到正弦稳态响应的增益和相位。

对于冲激响应为普通函数的因果系统,有界输入有界输出稳定性等价于

∫0∞∣h(t)∣ dt<∞.\int_0^\infty |h(t)|\,dt<\infty.

常数直通项可以单独计入。对于不含可相消因子的真有理传递函数,稳定性要求所有极点都严格位于左半平面。虚轴上的极点通常会使系统不满足有界输入有界输出稳定性,即使某些零输入响应仍然有界。

初值定理和终值定理无需完整求逆变换,就能提取时域中的某些信息。在适当的正则性和增长条件下,

f(0+)=lim⁡s→+∞sF(s).f(0+)=\lim_{s\to+\infty}sF(s).

对于普通因果响应的有理变换,使

lim⁡t→∞f(t)=lim⁡s→0sF(s)\lim_{t\to\infty}f(t)=\lim_{s\to0}sF(s)

成立的一个标准充分条件是:sF(s)sF(s) 的所有极点都严格位于左半平面。忽略这一条件会造成误导:对于 f(t)=sin⁡tf(t)=\sin t,当 s→0s\to0 时,sF(s)sF(s) 的极限为零,但 f(t)f(t) 并不存在终值。

偏微分方程与算子预解式

仅对时间变量作变换,就能将许多演化方程化为依赖参数的空间问题。对于热方程

∂u∂t=κ∂2u∂x2,u(x,0)=u0(x),\frac{\partial u}{\partial t} =\kappa\frac{\partial^2u}{\partial x^2}, \qquad u(x,0)=u_0(x),

其时间变换 U(x,s)U(x,s) 满足

κUxx−sU=−u0(x).\kappa U_{xx}-sU=-u_0(x).

原来的演化问题由此变成了关于空间变量的常微分方程,其中 ss 为参数。空间边界条件也必须相应地进行变换或予以保留。

对于一根初始温度为零的半无限长杆,假设在 t>0t>0 时,x=0x=0 处的边界保持温度 T0T_0,且当 x→∞x\to\infty 时温度保持有界。于是

κUxx−sU=0,U(0,s)=T0s.\kappa U_{xx}-sU=0,\qquad U(0,s)=\frac{T_0}{s}.

选取实部为正的平方根分支,得到

U(x,s)=T0se−xs/κ.U(x,s)=\frac{T_0}{s}e^{-x\sqrt{s/\kappa}}.

作逆变换可得

u(x,t)=T0 erfc⁡(x2κt),u(x,t)=T_0\,\operatorname{erfc} \left(\frac{x}{2\sqrt{\kappa t}}\right),

其中 erfc⁡\operatorname{erfc} 为互补误差函数。解对 x/tx/\sqrt{t} 的依赖体现了扩散长度随时间平方根增长的特征。

对于波动方程,二阶时间导数经变换后得到

s2U−su(x,0)−ut(x,0).s^2U-su(x,0)-u_t(x,0).

因此,初始位移和初始速度都会进入变换后的空间方程。同样的原理也适用于耦合输运方程、黏弹性模型以及具有时间记忆效应的方程。将时间上的拉普拉斯变换与空间上的傅里叶变换结合起来,可以把常系数问题化为关于这两个变换变量的代数表达式。

算子表述将这些例子统一起来。若算子 AA 在巴拿赫空间上生成演化族 T(t)T(t),且满足界估计 ∥T(t)∥≤Meωt\|T(t)\|\leq Me^{\omega t},则

(sI−A)−1x=∫0∞e−stT(t)x dt,Re⁡s>ω.(sI-A)^{-1}x =\int_0^\infty e^{-st}T(t)x\,dt, \qquad \operatorname{Re}s>\omega.

逆算子 (sI−A)−1(sI-A)^{-1} 称为 AA 的预解式。它是该演化族的算子值拉普拉斯变换,推广了涉及 eAte^{At} 的有限维恒等式。

在这一框架下,边界条件是 AA 的定义域的一部分,不能将其视为辅助细节而舍弃。因此,变换方法将演化方程与泛函分析、谱理论以及边值问题联系起来。形式上推导出的 UU 的表达式,只有在其空间正则性、边界行为以及可逆变换条件得到确立之后,才能成为问题的解。

概率分布与随机过程

对于非负随机变量 XX,其拉普拉斯变换为

ϕX(s)=E[e−sX],s≥0.\phi_X(s)=\mathbb E[e^{-sX}],\qquad s\geq0.

由于被积函数的值介于零和一之间,该变换在整个上述范围内都存在。更一般地,它在 Re⁡s>0\operatorname{Re}s>0 内是解析的。将其写成累积分布函数 FXF_X 的拉普拉斯–斯蒂尔切斯变换,得到

ϕX(s)=∫[0,∞)e−sx dFX(x).\phi_X(s)=\int_{[0,\infty)}e^{-sx}\,dF_X(x).

这种测度形式用一个表达式统一涵盖了连续密度、离散概率质量以及二者的混合。

该变换唯一确定 [0,∞)[0,\infty) 上的一个概率分布。若存在密度 p(x)p(x),它就是该密度的普通拉普拉斯变换。对于速率参数为 λ>0\lambda>0 的指数分布,

p(x)=λe−λx,ϕX(s)=λλ+s.p(x)=\lambda e^{-\lambda x}, \qquad \phi_X(s)=\frac{\lambda}{\lambda+s}.

对于形状参数为 k>0k>0、速率参数为 λ\lambda 的伽马分布,

ϕX(s)=(λλ+s)k.\phi_X(s)=\left(\frac{\lambda}{\lambda+s}\right)^k.

由后一公式可直接看出,为什么具有相同速率参数的独立伽马随机变量相加时,其形状参数也相加。

事实上,统计独立性给出

ϕX+Y(s)=ϕX(s)ϕY(s).\phi_{X+Y}(s)=\phi_X(s)\phi_Y(s).

这就是卷积定理在概率论中的对应形式:独立随机变量之和对应于其分布的卷积。因此,变换方法可以简化等待时间之和、更新方程、总损失以及随机累积工作量的计算。若 NN 是一个独立的非负整数值随机变量,其概率生成函数为 GNG_N,且 XjX_j 是独立同分布的非负随机变量,则

E[e−s∑j=1NXj]=GN(ϕX(s)).\mathbb E\left[e^{-s\sum_{j=1}^{N}X_j}\right] =G_N(\phi_X(s)).

空和约定为零。

当各阶矩有限时,可以通过导数求得这些矩:

(−1)nϕX(n)(0+)=E[Xn].(-1)^n\phi_X^{(n)}(0+)=\mathbb E[X^n].

特别地,

E[X]=−ϕX′(0+),Var⁡(X)=ϕX′′(0+)−ϕX′(0+)2.\mathbb E[X]=-\phi_X'(0+), \qquad \operatorname{Var}(X)=\phi_X''(0+)-\phi_X'(0+)^2.

对于正的 ss,指数衰减使所有相应的加权矩均为有限值,即使普通矩发散也是如此。此外,

lim⁡s→∞ϕX(s)=Pr⁡(X=0).\lim_{s\to\infty}\phi_X(s)=\Pr(X=0).

因此,ss 趋于无穷大时的极限可以检出原点处的概率质量。

拉普拉斯变换也适用于连续时间马尔可夫链的转移概率。对于有限状态空间上的生成矩阵 QQ,

P(t)=eQt,∫0∞e−stP(t) dt=(sI−Q)−1P(t)=e^{Qt}, \qquad \int_0^\infty e^{-st}P(t)\,dt=(sI-Q)^{-1}

其中实数 s>0s>0。这一预解式汇总了折现后的占据概率。首达时间、灭绝时间和更新过程同样会导出变换方程,往往可将耦合的微分方程或积分方程转化为代数方程组。

相关变换、渐近性质与分数阶算子

在一条竖直直线上取双边拉普拉斯变换,即可得到傅里叶变换:

Lbf(σ+iω)=F{e−σtf(t)}(ω).\mathcal L_bf(\sigma+i\omega) =\mathcal F\{e^{-\sigma t}f(t)\}(\omega).

只有当 σ=0\sigma=0 位于适当的收敛域内,或存在有充分依据的边界值解释时,令其为零才能得到通常意义下的傅里叶变换。一个呈指数增长的因果函数可能存在拉普拉斯变换,却不存在通常意义下的傅里叶变换。另一方面,对于在正、负时间上均有支集的函数,则需要考察整个收敛带。

zz 变换是离散时间中的对应变换。对于冲激序列

f(t)=∑n=0∞anδ(t−nT),f(t)=\sum_{n=0}^{\infty}a_n\delta(t-nT),

其因果拉普拉斯变换为

F(s)=∑n=0∞ane−snT.F(s)=\sum_{n=0}^{\infty}a_ne^{-snT}.

令 z=esTz=e^{sT},上式便化为 ∑anz−n\sum a_nz^{-n}。这一关系解释了为何 ss 平面的虚轴会映射到单位圆,也解释了连续时间与离散时间的稳定区域为何具有相互对应的几何描述。指数映射并非一一映射:虚部相差 2π/T2\pi/T 的点会映射到同一个 zz。

拉普拉斯变换还将短时行为与大 ss 时的行为联系起来。假设在零点附近,

f(t)∼∑n=0∞antλ+n−1,λ>0,f(t)\sim\sum_{n=0}^{\infty}a_nt^{\lambda+n-1}, \qquad \lambda>0,

且余项和函数增长满足适当的界限条件。由沃森引理,当正实数 s→∞s\to\infty 时,有

F(s)∼∑n=0∞anΓ(λ+n)s−λ−nF(s)\sim \sum_{n=0}^{\infty}a_n\Gamma(\lambda+n)s^{-\lambda-n}

这是一个渐近展开,不一定是收敛级数。阻尼核使积分的贡献越来越集中在 t=0t=0 附近,这就解释了为何局部信息决定了这一极限下的行为。

小 ss 时的行为往往反映长时行为,但要反过来作出推断,则必须谨慎。阿贝尔型定理根据原函数的已知性质推导其变换的行为;陶伯型定理则在非负性或单调性等附加限制下,恢复时域信息。若没有这些限制,相消与振荡就可能使关于尾部行为的推断失效。

在分数阶微积分中,黎曼–刘维尔分数阶积分定义为

Iαf(t)=1Γ(α)∫0t(t−τ)α−1f(τ) dτ,α>0.I^\alpha f(t)=\frac1{\Gamma(\alpha)} \int_0^t(t-\tau)^{\alpha-1}f(\tau)\,d\tau, \qquad \alpha>0.

它是一个卷积,因此满足

L{Iαf}(s)=s−αF(s).\mathcal L\{I^\alpha f\}(s)=s^{-\alpha}F(s).

对于 0<α<10<\alpha<1,卡普托导数则在适当的正则性条件下满足

L{DCαf}(s)=sαF(s)−sα−1f(0+)\mathcal L\{D_C^\alpha f\}(s) =s^\alpha F(s)-s^{\alpha-1}f(0+)

分数次幂引入了分支点与记忆核,从而推广了整数阶微分与 ss 的幂之间熟知的对应关系。

数值计算与逆问题

当原函数已知时,直接进行数值变换通常相对容易。对于正实数 ss,指数权重会抑制尾部的贡献,而剩余有限区间上的积分可以用自适应求积法处理。困难主要来自零点附近的奇异行为、接近收敛横坐标时的缓慢收敛,以及 ∣Im⁡s∣|\operatorname{Im}s| 较大时的强烈振荡。对积分变量进行尺度变换,并减去解析已知的奇异项,可以显著提高精度。

数值反演则更加困难。将布罗姆维奇公式写成

f(t)=eγt2π∫−∞∞eiωtF(γ+iω) dωf(t)=\frac{e^{\gamma t}}{2\pi} \int_{-\infty}^{\infty} e^{i\omega t}F(\gamma+i\omega)\,d\omega

便可考虑采用傅里叶求积法。截断误差、离散化误差和求值误差都必须加以控制。选择较大的 γ\gamma,可以使积分路径更深入收敛半平面,但因子 eγte^{\gamma t} 可能会放大误差。如果选择的路径过于靠近奇点,被积函数就可能难以得到充分的数值分辨。

几类主要方法利用了不同的表示形式。傅里叶级数法沿一条竖直线对变换进行采样,并且常常对所得级数进行收敛加速。塔尔博特型方法通过变形积分路径来增强指数衰减,但前提是奇点的几何分布允许这种变形。Gaver–Stehfest 方法对正实数自变量处的变换值进行加权组合。它避免了复数求值,但会出现严重的相消,通常需要更高精度的算术运算,尤其是在项数增多时。

Post–Widder 反演公式提供了另一种视角:

f(t)=lim⁡n→∞(−1)nn!(nt)n+1F(n)(nt),t>0,f(t)=\lim_{n\to\infty} \frac{(-1)^n}{n!} \left(\frac nt\right)^{n+1} F^{(n)}\left(\frac nt\right), \qquad t>0,

该公式在适当的正则性假设下成立。这个表达式相当于一个在 tt 附近越来越集中的平均核。虽然它在理论上很重要,但由于依赖高阶导数,直接使用时通常对数值误差十分敏感。

一个关键区别在于,FF 是以精确解析表达式的形式给出,还是只能通过含噪观测获得。根据有限实区间上含噪的变换数据恢复 ff,通常是一个不适定的逆问题。指数加权平均会抑制细尺度特征,因此差别很大的原函数也可能产生几乎无法区分的数据。例如,快速振荡的函数即使逐点振幅很大,其变换值也可能很小。

正则化通过引入约束或惩罚项,使这种恢复过程更加稳定。具体方法包括吉洪诺夫正则化、截断奇异值分解、非负约束和有限维参数模型。能够恢复多少细节,既取决于数据的精度和范围,也取决于所采用的假设。因此,数值反演需要分别评估近似误差、数值稳定性以及底层重建问题的条件性。

历史发展与数学地位

拉普拉斯变换起源于十八世纪对微分方程、积分表示和概率的研究,而非某个孤立的定义。莱昂哈德·欧拉曾研究采用指数核的积分求解方法。十八世纪末至十九世纪初,拉普拉斯在概率与分析研究中发展了相关技术。他于1812年首次出版的《概率的解析理论》,是当时将生成表达式、积分方法与概率计算联系起来的更广泛研究计划的一部分。

现代拉普拉斯变换以拉普拉斯命名,但如今常见的记号、变换表及其工程解释都是后来才发展起来的。十九世纪,复分析提供了理解解析延拓、积分路径变形和奇点所需的工具。傅里叶分析则阐明了沿竖直线进行反演的含义。这些进展使指数积分的运算发展为一套具有明确存在性与唯一性条件的系统理论。

十九世纪末,奥利弗·赫维赛德的运算微积分为这一领域带来了重要的实践推动力。在研究电路和传输问题时,赫维赛德将微分视为代数算子。他的计算往往能给出有效的解,却未达到当时数学分析所要求的论证严谨程度。此后,拉普拉斯变换为其中许多运算提供了严格的理论框架:微分转化为乘以变换变量,算子之商转化为传递函数,逆运算则转化为卷积。

二十世纪初,托马斯·约翰·伊安森·布罗姆维奇为运算方法提供复积分论证作出了贡献。如今,沿竖直积分路径的反演公式通常以他的名字命名。其他发展方向则侧重于实变量方法、测度的变换,以及判定哪些函数可以表示为拉普拉斯变换的准则。戴维·弗农·威德于1941年出版的专著《拉普拉斯变换》,成为系统阐述这一数学理论的重要著作。

二十世纪的工程教育使变换表和方框图方法成为电路、反馈系统和机械振动分析的标准工具。与此同时,广义函数将这一框架扩展至冲激和不连续信号,泛函分析则将其与算子的预解式及演化方程联系起来。对于无法方便地用闭式表达其逆变换的情形,数值计算提供了实用的反演算法。

这些发展形成了几种相互交叠但又有所区别的框架:函数的普通积分、测度的拉普拉斯–斯蒂尔切斯变换、因果分布的变换,以及算子值变换。它们的公式往往形式相似,但所需的假设及其含义并不相同。函数空间、原点处的约定、收敛域和反演方法的选择,决定了哪些算子运算是有效的。