44、音高感知:从合成声音到复杂声音的奥秘

音高感知:从合成声音到复杂声音的奥秘

1. 虚拟音高的产生与特性

1.1 高次谐波诱导虚拟音高

当至少有足够数量的谐波存在时,即使所有谐波的阶次都非常高,也能产生虚拟音高。不过,随着谐波阶次的升高,虚拟音高的显著性或强度会降低。例如,在演示中,由高于 3kHz 的六个谐波诱导出的虚拟音高,以及高于 4.5kHz 的六个谐波诱导的虚拟音高,都能听到自然音阶,但高频率段(高于 4.5kHz)的虚拟音高显著性更低。

1.2 低阶谐波诱导虚拟音高

对于低阶谐波,仅两个谐波就足以诱导出虚拟音高。两个相邻谐波的阶次越高,虚拟音高的显著性越低。增加谐波数量可以提高虚拟音高的显著性。大多数具有交流意义的声音,如音乐和语音,通常包含远多于两三个谐波,其音高通常非常显著。

1.3 音高频率与声音成分频率的关系

声音的音高频率不一定与它的任何一个成分的频率相对应。在电话通信中,低于 300Hz 和高于 3000Hz 的频率被过滤掉,但男性等低沉声音的音高不受影响。许多发声玩具的扬声器无法再现低于几百赫兹的频率,但玩具播放的旋律或话语仍有明确的音高。

2. 分析性聆听与综合性聆听

2.1 两种聆听模式的定义

Terhardt 区分了两种聆听方式:分析性聆听和综合性聆听。分析性聆听对应于关注分音的频率,综合性聆听对应于聆听虚拟音高。

2.2 聆听模式的示例

在一个演示中,依次呈现两个双音复合体。第一个音由 200Hz 的第 9 和第 10 次谐波组成,第二个音由 250Hz 的第 7 和第 8 次谐波组成。复合体的两个较低谐

【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,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