79、听觉场景分析中的原始与基于图式的处理过程

听觉场景分析中的原始与基于图式的处理过程

在听觉场景分析(ASA)中,即构建我们周围发生事情的心理描述的感知过程,存在两种不同的子过程:原始过程和基于图式的过程。

1. 原始过程与基于图式过程的定义

原始过程通常是与生俱来的,不受听众注意力的控制,是一种自下而上、由刺激驱动的过程。例如,同时起始的声音成分的整合,或者当高低音之间的频率差异超出时间连贯边界时,高低音序列的听觉流分离。

基于图式的过程则是在我们的生活中逐渐习得的,包含了我们对先前听到声音的知识,是一种自上而下的过程。比如旋律识别就是基于图式的过程,我们需要学习和记忆旋律才能进行识别。

不同的作者对这两种过程有不同的表述:
- Vliegen、Moore和Oxenham以及Roberts、Glasberg和Moore将原始过程描述为“自动且强制的”。
- Cusack和Roberts以及McDermott谈到了“自下而上”和“自上而下”的过程。
- Snyder等人则提及“低级和高级过程”,它们可能相互作用,为我们创造丰富的声景意识体验。

2. 原始过程与基于图式过程的区别

Bregman总结了原始ASA和基于图式的ASA的一系列区别,具体如下表所示:
| 原始ASA的特征 | 基于图式的ASA的特征 |
| — | — |
| 无过去学习,无自愿注意,存在于婴儿中,与生俱来 | 涉及过去学习,受自愿注意控制,不存在于婴儿中,后天习得 |
| 将感官证据划分为不同的流 | 从流中选择感官证据 |
| 对称:注意力可以平等地指向任何流 | 不对称:注意力只能指向流的一个子集 |

【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