63、听觉流形成:感知、测量与限制

听觉流形成:感知、测量、应用与展望

听觉流形成:感知、测量与限制

在日常生活中,我们所感知到的听觉环境通常是稳定的,不会频繁地从一种感知配置切换到另一种。然而,在一些特定的实验演示中,情况却并非如此。这些演示中的纯音序列仅由频率、持续时间和音间间隔(IOIs)这三个参数决定,与日常生活中的听觉单元相比,信息来源较为单一,导致感知配置不稳定,可能会在不同配置之间转换。这表明在信息模糊的情况下,听觉场景分析(ASA)系统会不断尝试寻找更合理的配置。

1. 听觉流整合与分离的测量

在之前的演示中,让听众判断听到的是奔腾节奏还是等时节奏,或者是一个、两个还是三个听觉流。但这种方法具有主观性,因为听众的注意力可能会影响感知结果。为了更客观地测量听众是否听到一个或两个听觉流,可以定义一些任务,其结果取决于连续声音是否在感知上进行了整合。

1.1 整合促进的任务

听觉流中连续单元的最重要属性是它们的时间连贯性。当时间连贯性丧失时,很难听出连续音调序列与等时性的偏差。例如在图10.8的演示中,刺激由高音(H)、低音(L)和另一个高音(H)组成的三连音序列构成。前18个三连音中,L和H音的频率差为半音;后18个三连音中,频率差为一个八度。在频率差为半音时,能清晰听到熟悉的奔腾节奏以及后续的不规则“跳跃”节奏;而当频率差增大到一个八度时,H音和L音形成了分离的听觉流,时间连贯性丧失,对节奏变化的感知也发生了改变。这表明,对于属于同一听觉流的单元,更容易检测到与等时性的偏差,因此可以通过这个任务的表现来客观衡量整合或分离的程度。

1.2 分离促进的任务

交错旋律识别任务(interleaved - melody - recognition task)在分离情况下会变得更

【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分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪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效率,为后续的电能治理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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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