71、听觉流形成的组织原则解析

听觉流形成的组织原则解析

1. 听觉流中的音高与亮度感知

在听觉流的研究中,音高轨迹有着独特的特性。当存在上升和下降的半音阶时,若音阶由纯音音色的音调组成,且连续音调之间的间隔(IOI)始终为 200 毫秒,呈现等时性,这与韦塞尔错觉类似。然而,当上升和下降音阶的所有音调都是纯音时,情况发生了变化。此时,大多数听众不会像良好连续性原则所规定的那样,听到上升和下降的半音阶在中间交叉,而是会听到两条具有“反弹”轨迹的流:一条高音流先下降然后上升,一条低音流先上升然后下降。并且,由于两个音阶的音调交替且分配到不同的流中,流的第一部分与第二部分不再等时,导致两条流在中间听起来也不等时。这表明,良好连续性原则和时间规律性原则都未能整合半音阶的音调,等时性在听觉流形成中并未起到重要作用,而相似性原则似乎优先于良好连续性原则和规律性原则。

从亮度的角度来看,低音较暗的音色使低音相互整合,形成一个亮度先增加后减少的较暗流和一个亮度先减少后增加的较亮流。这说明音色的相似性在顺序整合中比基频(F0)的连续性发挥着更强的作用。

音高轨迹在频谱 - 时间域中没有沿斜直线移动的趋势,而是会停留在一个有限的范围内,即音高寄存器。这个寄存器可能是声源的特征,例如男性或女性说话者、鸟类物种、动物的情绪等。

2. 时间规律性在听觉流形成中的作用

时间规律性在听觉流的顺序整合中可能起着重要作用。因为时间规律性使得规则序列中音调的出现具有可预测性,人们直觉上认为规则序列的顺序整合应比不规则序列更强。然而,这一问题并不明确。早期的研究似乎反驳了时间规律性增强顺序整合的观点。例如,French - St George 和 Bregman 比较等时和非等时音调序列的流分离时,未发

【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
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