36、音色感知:从基础属性到复杂认知

音色感知:从基础属性到复杂认知

1. 音色属性与物体特征的关联

在日常生活中,我们常常能通过声音来感知物体的一些特征,音色就是其中一个重要的线索。例如,较宽的板材发出的声音通常具有较低的频谱重心,音色也就不那么明亮。而对于厚度,情况则有所不同。较厚的板材刚度较高,频谱的重心也较高,从而产生更明亮的撞击声,听众往往会将这种声音与较小的板材联系起来。

Eitan等人还发现了另一个有趣的矛盾现象。当使用恒定频率的纯音时,较高频率的音通常与较小的物体相关联,较低频率的音则与较大的物体相关联。然而,对于频率上升或下降的纯音,“音高上升与尺寸增大一致,音高下降与尺寸缩小一致”。

2. 人类听觉系统的声音识别能力

人类的听觉系统在识别声音方面有着令人惊叹的能力。有些人可以根据汽车关门的声音辨别汽车品牌,在音乐领域,一些人能以高于随机水平的准确率识别音乐的作曲家、演奏者,甚至是录制音乐的音乐厅。还有一位参与制作古典钢琴音乐光盘的录音工程师,能够识别出录制所用钢琴的调音师。

但这种轶事证据需要谨慎解读。以意大利老小提琴的音质和品酒为例,在盲测中,著名独奏家往往更喜欢新乐器,且无法以高于随机水平的准确率区分新旧小提琴。Levitin认为,听众对小提琴音质的判断很大程度上取决于他们对乐器价格的预期。同样,品酒者对葡萄酒的评价也受到价格预期的影响。对于非专业葡萄酒饮用者,他们的评价与葡萄酒价格呈显著的负相关,这表明他们实际上更喜欢价格较低的葡萄酒,可能是因为这些是他们习惯饮用的酒。而对于专业葡萄酒饮用者,价格与评价之间的正相关关系只能解释结果差异的一小部分。

不过,对于斯特拉迪瓦里小提琴,情况更为复杂。最近的一项研究表明,至少有一把斯特拉迪

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值