88、听觉感知与分析:从和声到场景构建

听觉感知与分析:从和声到场景构建

1. 和声与不协和音的奥秘

和声在音乐感知中起着关键作用。对于两个纯音,其不协和曲线的计算结果显示,当两个纯音的频率差为零时,不协和曲线值为零。随着频率差的增加,不协和曲线上升,直到粗糙度达到最大值,之后当无法再听到波动时,曲线又回到零。这表明,对于两个纯音,其协和性与和声关系并无关联。

而对于复音,其不协和曲线是通过将所有可能的谐波对(每个音取一个谐波)的不协和曲线相加得到的。这些曲线的最大值出现在两个音的分音之间干扰最明显的频率间隔处,最小值则出现在两个音的基频比可以表示为小整数比的间隔处。从定性的角度来看,不协和曲线能够很好地指示哪些音乐音程被感知为不协和或协和。

然而,不协和曲线预测,同一音乐音程在不同乐器上演奏时,其协和性可能会有很大差异。但实际上,人类听众在不同乐器上演奏同一音程时,对其协和或不协和的判断大致相同,这可能是因为协和性的第二个方面——和声性发挥了作用。

在早期的研究中,协和性有两种定义:一种是前面讨论的谐波之间无明显干扰;另一种更广义的定义是演奏的音组合的“愉悦性”。不同听众对音的和声性的欣赏程度存在差异,尤其是受过音乐训练的听众,即使在可听干扰程度相近的情况下,也会认为和声性音组合比非和声性音组合更愉悦。

协和性的最后一个方面是熟悉度。听众通常会觉得熟悉的声音组合更愉悦。例如,亚马逊地区的人,他们的本土音乐是无伴奏的单音音乐,且未接触过西方音乐,他们对音乐音程和和弦愉悦性的判断仅基于是否存在可听波动,而不考虑和声性。相反,爵士爱好者则能很好地欣赏不协和的爵士和弦。对于仅由快速衰减分音的打击乐声组成的音乐,协和与不协和的概念并不十分相关。

【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