博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
声音分贝
阅读量:2189 次
发布时间:2019-05-02

本文共 1630 字,大约阅读时间需要 5 分钟。

分贝是声压级单位,记为d B 。是计量声音强度相对大小的单位,分贝值表示的是声音的量度单位。分贝值每上升 10 ,表示音量增加 10 倍用于表示声音的大小。1 分贝大约是人刚刚能感觉到的声音。适宜的生活环境不应超过4 5 分贝,不应低于1 5 分贝。
按普通人的听觉
0 -2 0 分贝 很静、几乎感觉不到。
2 0 -4 0 分贝安静、犹如轻声絮语。
4 0 -6 0 分贝一般、普通室内谈话
6 0 -7 0 分贝吵闹、有损神经
7 0 -9 0 分贝很吵、神经细胞受到破坏
9 0 -1 0 0 分贝 吵闹加剧、听力受损
1 0 0 -1 2 0 分贝难以忍受、呆一分钟即暂时致聋。
分贝(2)通信系统传输单位
在我们日常生活和工作中离不开自然计数法,但在一些自然科学和工程计算中,对物理量的描述往往采用对数计数法。从本质上讲,在这些场合用对数形式描述物理量是因为它们符合人的心理感受特性。这是因为,在一定的刺激范围内,当物理刺激量呈指数变化时,人们的心理感受是呈线性变化的,这就是心理学上的韦伯定律和费希钠定律。它揭示了人的感官对宽广范围刺激的适应性和对微弱刺激的精细分辨,好象人的感受器官是一个对数转换装置一样。例如两个倍频的声音可以感受一个八度音程,而一个十二平均律的小二度正好是八度音程的对数的十二分之一。
采用对数描述上述的物理量,一是用较小的数描述了较大的动态范围,特别有利于作图的情况。它也把某些非线性变化的量转换成线性量。例如频率从直流到1Hz的差别可比1000Hz 到1001Hz差别大得多。当然频率的对数单位不是以dB而是以倍频程表示。另一个好处是把某些乘除运算变成了加减运算,如计算多级电路的增益,只需求各级增益的代数和,而不必将各级的放大/衰减倍数相乘。
我们知道,零和小于零的负数是没有对数的,只有大于零的正数才能取对数,这样一来,原来的物理量经过对数转换后,原来的功率、幅度、倍数等这些非负数性质的量,它们的值域便扩展到了整个实数范围。这并不意味着它们本身变负了,而只是说明它们与给定的基准值相比,是大于基准值还是小于基准值,小于则用负对数表示,若大于则用正对数表示。
分贝的计算很简单,对于振幅类物理量,如电压、电流强度等,将测量值与基准值相比后求常用对数再乘以20;对于它们的平方项的物理量如功率,取对数后乘以10就行了;不管是振幅类还是平方项,变成分贝后它们的量级是一致的,可以直接进行比较、计算。
在电信技术中一般都是选择某一特定的功率为基准,取另一个信号相对于这一基准的比值的对数来表示信号功率传输变化情况,经常是取以10为底的常用对数和以e=2.718为底的自然对数来表示。其所取的相应单位分别为贝尔
(B)和奈培(Np)。贝尔(B)和奈培(Np)都是没有量纲的对数计量单位。分贝(dB)的英文为decibel,它的词冠来源于拉丁文decimus,意思是十分之一,decibel就是十分之一贝尔。分贝一词于1924年首先被应用到电话工程中。
在1926年国际长途电话咨询委员会召开的第一次全体会议上,讨论并通过了使用传输单位的建议,贝尔和奈培正式在通信领域中普遍使用。分贝的代号也有过多种形式:DB、Db、db、dB。1968年国际电报电话咨询委员会(CCITT)第四次全会,考虑到在通信领域里同时使用两种传输单位非常不方便,而当时无线电领域中却只使用着一种传输单位dB,因此全会一致通过了第B4号建议,规定在国际上只使用分贝一种传输单位,并统一书写为dB。

我国在1980年以前,无线电领域多使用 dB,载波电话、电报等多使用Np,依稀记得在1980年原邮电部邮科字第929号通知规定:全国电信部门统一使用分贝(dB)为电信传输单位 

听觉效果

声音 声音的强弱
树叶微动 10
轻声交谈  20-30
正常说话 40-50
大声呼喊 70-80
汽车喇叭 90
载重汽车 100-110
飞机发动机 120-130

转载地址:http://rguub.baihongyu.com/

你可能感兴趣的文章
Logistic regression 为什么用 sigmoid ?
查看>>
Logistic Regression 为什么用极大似然函数
查看>>
SVM 的核函数选择和调参
查看>>
LightGBM 如何调参
查看>>
用 TensorFlow.js 在浏览器中训练神经网络
查看>>
cs230 深度学习 Lecture 2 编程作业: Logistic Regression with a Neural Network mindset
查看>>
梯度消失问题与如何选择激活函数
查看>>
为什么需要 Mini-batch 梯度下降,及 TensorFlow 应用举例
查看>>
为什么在优化算法中使用指数加权平均
查看>>
什么是 Q-learning
查看>>
用一个小游戏入门深度强化学习
查看>>
如何应用 BERT :Bidirectional Encoder Representations from Transformers
查看>>
5 分钟入门 Google 最强NLP模型:BERT
查看>>
强化学习第1课:像学自行车一样的强化学习
查看>>
强化学习第2课:强化学习,监督式学习,非监督式学习的区别
查看>>
强化学习第3课:有些问题就像个赌局
查看>>
强化学习第4课:这些都可以抽象为一个决策过程
查看>>
强化学习第5课:什么是马尔科夫决策过程
查看>>
强化学习第6课:什么是 Crossentropy 方法
查看>>
强化学习第7课:交叉熵方法的一些局限性
查看>>