72、听觉组织原则与显著性研究

听觉组织原则与显著性研究

1. 图形 - 背景组织原则概述

在听觉场景中,如同视觉场景中的视觉对象一样,听觉流也存在图形 - 背景关系,这一原则也被称为前景 - 背景原则或清晰度原则。该原则表明,一个听觉流会比另一个更突出,这种突出程度被称为听觉显著性。

一般来说,如果一个对象 A 比另一个对象 B 更容易被检测到,那么对象 A 就比对象 B 更显著。可以通过以下实验方法来测量:呈现一个目标对象 A 和多个相同的干扰对象 B,让听众尽快指出 A 对象;反之,呈现一个目标对象 B 和多个对象 A,让听众检测 B 对象。如果在多个干扰对象 B 中检测目标 A 的速度比在多个对象 A 中检测目标 B 的速度快,那么对象 A 就比对象 B 更显著。例如,在一个包含 60 个十字和 12 条线段的左图,以及一个包含 60 条线段和 12 个十字的右图中,指出左图中的线段比指出右图中的十字花费的时间更多,这表明十字比线段更显著。

2. 听觉单元和流的显著性研究
  • 听觉单元的显著性 :Cusack 和 Carlyon 通过实验比较了稳定音调和调频音调、短音调和长音调的显著性。结果发现,长音调比短音调更显著,调频音调比未调制的纯音调更显著。这说明听觉流中的单元可以按显著性排序,Tordini 等人将这种单个听觉单元的显著性称为感官显著性。
  • 听觉流的显著性 :Tordini 等人认为,不仅听觉单元有显著性,听觉流也有显著性,他们将其称为感知显著性。他们以不同节奏和亮度的鸟鸣声等时序列为实验材料,让听众对序列中的非等时偏差尽快做出反应,用反应时间和检测率来衡量流的显
【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
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