異常雜訊檢測python

Ⅰ 機器學習有哪些演算法

1. 線性回歸
在統計學和機器學習領域，線性回歸可能是最廣為人知也最易理解的演算法之一。
2. Logistic 回歸
Logistic 回歸是機器學習從統計學領域借鑒過來的另一種技術。它是二分類問題的首選方法。
3. 線性判別分析
Logistic 回歸是一種傳統的分類演算法，它的使用場景僅限於二分類問題。如果你有兩個以上的類，那麼線性判別分析演算法（LDA）是首選的線性分類技術。
4.分類和回歸樹
決策樹是一類重要的機器學習預測建模演算法。
5. 樸素貝葉斯
樸素貝葉斯是一種簡單而強大的預測建模演算法。
6. K 最近鄰演算法
K 最近鄰（KNN）演算法是非常簡單而有效的。KNN 的模型表示就是整個訓練數據集。
7. 學習向量量化
KNN 演算法的一個缺點是，你需要處理整個訓練數據集。
8. 支持向量機
支持向量機（SVM）可能是目前最流行、被討論地最多的機器學習演算法之一。
9. 袋裝法和隨機森林
隨機森林是最流行也最強大的機器學習演算法之一，它是一種集成機器學習演算法。

想要學習了解更多機器學習的知識，推薦CDA數據分析師課程。CDA（Certified Data Analyst），即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證，旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。點擊預約免費試聽課。

Ⅱ 雜訊的檢測標准和檢測方法有哪些

一、檢測標准：

1、戶外標准

(2)異常雜訊檢測python擴展閱讀：

噪音的一些控制方法：

1、降低聲源噪音，工業、交通運輸業可以選用低噪音的生產設備和改進生產工藝，或者改變噪音源的運動方式（如用阻尼、隔振等措施降低固體發聲體的振動）。

2、在傳音途徑上降低噪音，控制噪音的傳播，改變聲源已經發出的噪音傳播途徑，如採用吸音、隔音、音屏障、隔振等措施，以及合理規劃城市和建築布局等。

3、受音者或受音器官的噪音防護，在聲源和傳播途徑上無法採取措施，或採取的聲學措施仍不能達到預期效果時，就需要對受音者或受音器官採取防護措施，如長期職業性噪音暴露的工人可以戴隔音耳塞、耳罩或頭盔等護耳器。

Ⅲ 如何用python搞定驗證碼中的噪點

看上去不怎麼難,沒有干擾線沒有粘連沒有扭曲.但我還是沒能用pytesser直接將它識別出來,因為當中有噪點和其他背景雜訊的存在.我的工作就是去掉這些討厭的東西
先介紹一下,我們的工具:
1.Pytesser它是基於一個c語言實現名為tesser的識別工具的python封裝.可惜比較笨,只能做最簡單的識別而且不認識漢字
2.Requests它是我們喜歡寫爬蟲的孩子的最愛,提供人性化的介面,代價是失去了一點效率(寫python就別考慮效率啦)
3.BeautifulSoup它和Requests是一對好機油,讓提取文檔中所需的內容變成一件簡單的事情
4.PIL它是今天的主角,PIL是專門用作圖像處理的庫,很好很強大.熟練的人甚至可以用它來P圖
如何寫爬蟲去實現模擬登錄此處不細說,下面說說怎麼解決驗證碼識別
解決思路如下:
1.先用PIL對圖像做一次圖像增強,因為原圖中數字的邊緣和背景中的雜訊並不是太分明,做了增強之後能將兩者分離.如果不分離,可能會在去噪點的時候導致數字中有部分會缺失
im = Image.open("randomimage/randomImage11.jpg")
im = ImageEnhance.Sharpness(im).enhance(3)參數為3是經過實驗之後感覺比較理想的值,太強不好,太弱也不好
2.做完預處理之後,就是去背景雜訊了.背景雜訊指的是背景中各種明暗變換的色塊,肉眼也許不會注意到這個.但是它的存在會給識別帶來影響.我最初的做法是將圖像轉換為只有黑白兩色,這樣自然就將雜訊轉換成了噪點.
效果如圖
但我希望能去掉噪點,成為這樣

最先想到的是種子染色法 ,什麼是種子染色法請參看這個鏈接
為了防止壞鏈,此處做部分轉載
種子染色法英文叫做Flood Fill ，實際上Flood Fill這個名稱更貼切一點，因為這個方法作用在一個圖的結點上時恰似洪水一樣「淹沒」與之相連的其他結點並以相同的方式蔓延出去，這個方法通常用於計算一個圖的極大連通子圖（這里的「圖」是圖論的概念）。設想一個無向圖，我們從這個圖中一個未標號（「標號」可以理解為「染色」）的結點開始，將此結點和從這個結點出發可達的所有結點都賦予相同的標號（染上相同的顏色），那麼我們就得到了這些被標號的結點所組成的一個極大連通子圖，搜索下一個未標號的結點並重復上述過程我們便可以找到所有的極大連通子圖。「染色」的過程可以用DFS或者BFS實現，如果結點數為V，邊數為E，因為我們在Flood Fill過程中「造訪」每個結點兩次，「造訪」每條邊兩次，所以得到所有極大連通子圖的時間復雜度為o(V+E) 。
來自Wikipedia的一個示例：

想像每個白色方塊為圖中的結點，相鄰的方塊（上下左右）有邊相連，那麼這個圖就有三個極大連通子圖，這演示了Flood Fill查找其中一個極大連通子圖的過程。
在這是借要用種子染色法計算每塊的面積,然後把小體積的塊當作噪點去除.
代碼在這

def check(j,i):
try:
if pix[j,i] == 0 and matrix[j][i] != -1:
return True
else:
return False
except:
return False

def juli(r,s):
return abs(r[0]-s[0])+abs(r[1]-s[1])+abs(r[2]-s[2])

for i in range(w):
for j in range(h):
r = [0,0,0]
s = [0,0,0]
if pix[j,i] == 0:
if check(j-1,i):
r[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j-1,i))
print r
print s
print "-"*55
if juli(r,s) <=l:
matrix[j][i] = matrix[j-1][i]
maps[str(matrix[j][i])]+=1
elif check(j-1,i-1):
r[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j-1,i-1))
if juli(r,s) <=l:
matrix[j][i] = matrix[j-1][i-1]
maps[str(matrix[j][i])]+=1
elif check(j,i-1):
r[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j-1,i))
if juli(r,s) <=l:
matrix[j][i] = matrix[j][i-1]
maps[str(matrix[j][i])]+=1
elif check(j+1,i+1):
r[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j+1,i+1))
if juli(r,s) <=l:
matrix[j][i] = matrix[j+1][i+1]
maps[str(matrix[j][i])]+=1
elif check(j,i+1):
r[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j,i+1))
if juli(r,s) <=l:
matrix[j][i] = matrix[j][i+1]
maps[str(matrix[j][i])]+=1
elif check(j-1,i+1):
pr[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j-1,i+1))
if juli(r,s) <=l:
matrix[j][i] = matrix[j-1][i+1]
maps[str(matrix[j][i])]+=1
elif check(j+1,i-1):
r[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j+1,i-1))
if juli(r,s) <=l:
matrix[j][i] = matrix[j+1][i-1]
maps[str(matrix[j][i])]+=1
elif check(j+1,i):
r[0],r[1],r[2] = im2.getpixel((j,i))
s[0],s[1],s[2] = im2.getpixel((j+1,i))
if juli(r,s) <=l:
matrix[j][i] = matrix[j+1][i]
maps[str(matrix[j][i])]+=1
else:
n+=1
maps[str(n)]=1
matrix[j][i] = n
for i in range(w):
for j in range(h):
if matrix[j][i]!=-1 and maps[str(matrix[j][i])]<=2:
im.putpixel((j,i),255)View Code

結果呢,不是很理想因為這個體積參數設小了,噪點沒去干凈,設大了數字部分可能也去了一小塊.最重要的是這里噪點的大小不是很規律,很難找到一個不錯的面積參數.
失敗只是暫時的,經過觀察發現背景雜訊顏色明顯比數字要淺的多.這也意味著它的RGB值要比數字小的多,通過分析RGB值能去掉大部分雜訊,剩下來的噪點可以再通過種子染色法處理.也就是說,分別在兩張圖片(分別是黑白和彩色)上獲取信息,在一張圖片上做處理最後做識別
核心代碼在這
r[0],r[1],r[2] = im2.getpixel((j,i))
if r[0]+r[1]+r[2]>=400 or r[0]>=250 or r[1]>=250 or r[2]>=250 :
im2.putpixel((j,i),(255,255,255)) 至此,本次識別的問題就搞定啦,成功率在50%以上基本滿足介面的需求

Ⅳ 雜訊如何規定和測量

什麼樣的聲音稱為雜訊

我們國家制定的《中華人民共和國環境雜訊污染防治法》中把超過國家規定的環境雜訊排放標准，並干擾他人正常生活、工作和學習的現象稱為環境雜訊污染。聲音的分貝是聲壓級單位，記為dB。用於表示聲音的大小。《中華人民共和國城市 區域雜訊標准》中則明確規定了城市五類區域的環境雜訊最高限值：

療養區、高級別墅區、高級賓館區，晝間50dB、夜間40dB；以居住、文教機關 為主的區域，晝間55dB、夜間45dB；居住、商業、工業混雜區，晝間60dB、夜間50dB；工業區，晝間65dB、夜間55dB；城市中的道路交通干線道路、內河航道、鐵 路主、次干線兩側區域，晝間70dB、夜間55dB，（夜間指22點到次日晨6點）。

按照國家標准規定，住宅區的噪音，白天不能超過50分貝，夜間應低於45分貝，若超過這個標准，便會對人體產生危害。那麼，室內環境中的雜訊標準是多少呢？國家《城市區域環境雜訊測量方法》中第5條4款規定，在室內進行雜訊測量時，室內雜訊限值低於所在區域標准值10dB。

雜訊污染對身心健康危害大

1．強的雜訊可以引起耳部的不適，如耳鳴、耳痛、聽力損傷。據測定，超過 115分貝的雜訊還會造成耳聾。據臨床醫學統計，若在80分貝以上噪音環境中生活，造成耳聾者可達50％。醫學專家研究認為，家庭噪音是造成兒童聾啞的病因之一。

2．使工作效率降低。研究發現，雜訊超過85分貝，會使人感到心煩意亂，人們會感覺到吵鬧，因而無法專心地工作，結果會導致工作效率降低。

3．損害心血管。雜訊是心血管疾病的危險因子，雜訊會加速心臟衰老，增加心肌梗塞發病率。醫學專家經人體和動物實驗證明，長期接觸雜訊可使體內腎上腺分泌增加，從而使血壓上升，在平均70分貝的雜訊中長期生活的人，可使其心肌梗塞 發病率增加30％左右，特別是夜間噪音會使發病率更高。調查發現，生活在高速公路旁的居民，心肌梗塞率增加了30％左右。調查1101名紡織女工，高血壓發病率為 7.2％，其中接觸強度達100分貝雜訊者，高血壓發病率達15.2％。

4．雜訊還可以引起如神經系統功能紊亂、精神障礙、內分泌紊亂甚至事故率升高。高雜訊的工作環境，可使人出現頭暈、頭痛、失眠、多夢、全身乏力、記憶力減退以及恐懼、易怒、自卑甚至精神錯亂。在日本，曾有過因為受不了火車雜訊的刺激而精神錯亂，最後自殺的例子。

5．干擾休息和睡眠。休息和睡眠是人們消除疲勞、恢復體力和維持健康的必要 條件。但雜訊使人不得安寧，難以休息和入睡。當人輾轉不能入睡時，便會心態緊 張，呼吸急促，脈搏跳動加劇，大腦興奮不止，第二天就會感到疲倦，或四肢無力。從而影響到工作和學習，久而久之，就會得神經衰弱症，表現為失眠、耳鳴、疲勞。

6．對女性生理機能的損害。女性受雜訊的威脅，還可以有月經不調、流產及早產等，如導致女性性機能紊亂，月經失調，流產率增加等。專家們曾在哈爾濱、北京和長春等7個地區經過為期3年的系統調查，結果發現雜訊不僅能使女工患雜訊聾，且對女工的月經和生育均有不良影響。另外可導致孕婦流產、早產，甚至可致畸胎。國外曾對某個地區的孕婦普遍發生流產和早產作了調查，結果發現她們居住在一個 飛機場的周圍，禍首正是那飛起降落的飛機所產生的巨大雜訊。

7．雜訊對兒童身心健康危害更大。因兒童發育尚未成熟，各組織器官十分嬌嫩和脆弱，不論是體內的胎兒還是剛出世的孩子，雜訊均可損傷聽覺器官，使聽力減退或喪失。據統計，當今世界上有7000多萬耳聾者，其中相當部分是由雜訊所致。 專家研究已經證明，家庭室內噪音是造成兒童聾啞的主要原因，若在85分貝以上噪 聲中生活，耳聾者可達5％。

8．雜訊對視力的損害。人們只知道雜訊影響聽力，其實雜訊還影響視力。試驗 表明：當雜訊強度達到90分貝時，人的視覺細胞敏感性下降，識別弱光反應時間延長；雜訊達到95分貝時，有40％的人瞳孔放大，視模糊；而雜訊達到115分貝時，多數人的眼球對光亮度的適應都有不同程度的減弱。所以長時間處於雜訊環境中的人 很容易發生眼疲勞、眼痛、眼花和視物流淚等眼損傷現象。同時，雜訊還會使色覺、 視野發生異常。調查發現雜訊對紅、藍、白三色視野縮小80％。所以駕駛員應避免立體場音響的雜訊干擾，不然易造成行車事故。

室內雜訊的主要來源

1．交通運輸雜訊。城市交通業日趨發達，給人們工作和生活帶來了便捷和舒適，同時也促進了經濟的發展。但不能不看到，隨著城鄉車輛的增加，公路和鐵路交通干線的增多，機車和機動車輛的雜訊已成了交通雜訊的元兇，占城市雜訊的75％。據統計表明，北京是世界有名的雜訊污染城市。雖然城市車輛不及日本的十分之一， 雜訊程度卻比日本高出1倍。特別是一些臨街的建築，受害極重。

2．工業機械雜訊。這也是室內雜訊污染的主要來源。由於各種動力機、工作機 做功時產生的撞擊、摩擦、噴射以及振動，可產生七八十分貝以上的聲響。這些聲 響，像紡織車間、鍛壓車間、粉碎車間和鋼廠、水泥廠、氣泵房、水泵房都比較嚴 重，雖然都做了一定程度的降噪處理，但仍然不能從根本上消除機器本體上所產生 的雜訊。

3．城市建築雜訊。特別是近年來城市建設迅速發展，道路建設、基礎設施建設、城市建築開發、舊城區改造，還有百姓家庭的室內裝修，都造成了城市建築雜訊，建築施工現場雜訊一般在90分貝以上，最高達到130分貝。

4．社會生活和公共場所雜訊。比如公共場所的商業雜訊、餐廳、公共汽車、旅 客列車、人群集會、高音喇叭等。據統計，社會生活和公共場所雜訊占城市雜訊的 14．4％。

5．家用電器直接造成室內雜訊污染。隨著人們生活現代化的發展，家庭中家用電器的雜訊對人們的危害越來越大，據檢測，家庭中電視機、收錄機所產生的噪音可達60至80分貝，洗衣機為42至70分貝，電冰箱為34至50分貝。近幾年家庭卡拉 OK機廣泛流行，有些人不顧他人的幸福，沉醉於自我的享受之中，這無形中又增加了雜訊的污染強度。

Ⅳ python里的問題 ，pywt.dwt(signal,'db1','sym')這個函數

雜訊能獲取嗎？好吧。你可以試試減一減。不過你的測試用例不太對。 盡量用有規律的數據去做。

比如你可以做一個正弦函數，再人為的加上一點點擾動。再做小波變換看看。另外數據要多些。太短的數據看不出效果來。

至於變換後是兩個4，我想等你數據弄多些就明白了。 數據多些，就容易做圖。你把變換後的數據變成圖形，畫出來。可以用EXCEL來畫。

這樣一對比就明白變換後的兩個4數組是什麼數據。 然後你就可以針對性的處理。取得雜訊也是可以的。

通常來講雜訊是沒有規律的。 但是不排除它是另外一種規律迭加上去的。 試試看。

Ⅵ python 能不能生成拉普拉斯雜訊

可以。
拉普拉斯是一種二階導數運算元，是一個與方向無關的各向同性（旋轉軸對稱）邊緣檢測運算元。若只關心邊緣點的位置而不顧其周圍的實際灰度差時，一般選擇該運算元進行檢測。
拉普拉斯運算元為二階差分，其方向信息丟失，常產生雙像素，對雜訊有雙倍加強作用，因此它很少直接用於邊緣檢測。

Ⅶ python中的雜訊是什麼意思

白雜訊是時間序列預測中的一個重要概念。如果一個時間序列是白雜訊，它是一個隨機數序列，不能預測。如果預測誤差不是白雜訊，它暗示了預測模型仍有改進空間。

什麼是白雜訊時間序列？

時間序列可能是白雜訊。時間序列如果變數是獨立的且恆等分布的均值為0，那麼它是白雜訊。這意味著所有變數具有相同的方差 (sigma^2)，並且每個值與該系列中的所有其他值具有零相關。

如果序列中的變數被高斯分布繪制，則該系列稱為高斯白雜訊。

為什麼這么重要？

白雜訊是時間序列分析和預測中的一個重要的概念。

重要的兩個主要原因為：

1.可預測性：如果你的時間序列是白雜訊，那麼根據定義它是隨機的。你無法對它合理的建模並進行預測。

2.模型診斷：時間序列上一系列誤差的預測模型最好是白雜訊。

模型診斷是時間序列預測的重要領域。

時間序列數據在潛在的因素產生的信號上被預測，它包含一些白雜訊成分。

例如：

y(t)= signal(t)+ noise(t)

通過時間序列預測模型進行預測，可以對其進行收集和分析。在理想情況下，預測誤差應該是白雜訊。

當預測誤差為白雜訊時，意味著時間序列中的所有信號已全部被模型利用進行預測。剩下的就是無法建模的隨機波動。

模型預測的信號不是白雜訊則表明可以進一步對預測模型改進。

你的時間序列白噪音嗎?

你的時間序列如果符合下面條件則不是白雜訊:

• 你的序列均值為零嗎?

• 方差隨時間變化嗎?

• 值與延遲值相關嗎?

你可以用一些工具來檢查你的時間序列是否為白噪音:

• 創建一個折線圖。檢查總體特徵，如變化的平均值，方差或延遲變數之間的明顯關系。

• 計算匯總統計。對照序列中有意義的連續塊的均值和方差，檢查整個序列的均值和方差(如年、月、日)。

• 創建一個自相關的圖。檢查延遲變數之間的總體相關性。

白雜訊時間序列的例子

在本節中,我們將使用Python創建一個高斯白雜訊序列並做一些檢查。它有助於在實踐中創建和評估白雜訊時間序列。它將提供參考框架和示例圖並且使用和比較自己的時間序列項目的統計測試，以檢查它們是否為白雜訊

首先，我們可以使用隨機模塊的gauss()函數創建一個1,000個隨機高斯變數的列表。

我們將從高斯分布提取變數：平均值(mu)0.0和標准偏差(sigma)1.0。

一旦創建,為方便起見，我們可以在Pandas序列中打包這個列表。

• from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plot


• # seed random number generatorseed(1)# create white noise series


• series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)



接下來，我們可以計算和列印一些匯總統計數據，包含序列的平均值和標准偏差。

• # summary statsprint(series.describe())



鑒於我們在繪制隨機數時定義了平均值和標准偏差，所以應該不會有意外。

• count 1000.000000mean -0.013222std 1.003685min -2.96121425% -0.68419250% -0.01093475% 0.703915max 2.737260



我們可以看到平均值接近0.0，標准偏差接近1.0。考慮到樣本較小預測會有些誤差。

如果我們有更多的數據，將序列分成兩半計算和比較每一半的匯總統計可能會更有趣。我們認為每個子系列的平均值和標准差都會相似。

現在我們可以創建一些序列的線條圖。

• # line plot


• series.plot()pyplot.show()



我們可以看到，這個序列似乎是隨機的。



為了完整性，下面提供了完整的代碼清單。

• from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plotfrom matplotlibimport pyplot


• # seed random number generatorseed(1)# create white noise series


• series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)# summary statsprint(series.describe())# line plot


• series.plot()pyplot.show()# histogram plot


• series.hist()pyplot.show()# _plot(series)pyplot.show()

原文：網頁鏈接

Ⅷ 怎麼利用Python來處理雜訊

能刪單一的元素也能清空字典，清空只需一項操作。

Ⅸ 雜訊的危害和測定

危害
雜訊是一種惡性刺激物，長期作用於人的中樞神經系統，可使大腦皮層的興奮和抑制失調，條件反射異常，出現頭暈、頭痛、耳鳴、多夢、失眠、心慌、記憶力減退、注意力不集中等症狀，嚴重者可產生精神錯亂。這種症狀，葯物治療療效很差，但當脫離雜訊環境時，症狀就會明顯好轉。雜訊可引起植物神經系統功能紊亂，表現在血壓升高或降低，心率改變，心臟病加劇。雜訊會使人唾液、胃液分泌減少，胃酸降低，胃蠕動減弱，食慾不振，引起胃潰瘍。雜訊對人的內分泌機能也會產生影響，如：導致女性性機能紊亂，月經失調，流產率增加等。雜訊對兒童的智力發育也有不利影響，據調查，3歲前兒童生活在75分貝的雜訊環境里，他們的心腦功能發育都會受到不同程度的損害，在雜訊環境下生活的兒童，智力發育水平要比安靜條件下的兒童低20％。雜訊對人的心理影響主要是使人煩惱、激動、易怒，甚至失去理智。此外，雜訊還對動物、建築物有損害，在雜訊下的植物也生長不好，有的甚至死亡。

干擾休息和睡眠、影響工作效率

①干擾休息和睡眠。休息和睡眠是人們消除疲勞、恢復體力和維持健康的必要條件。但雜訊使人不得安寧，難以休息和入睡。當人輾轉不能入睡時，便會心態緊張，呼吸急促，脈搏跳動加劇，大腦興奮不止，第二天就會感到疲倦，或四肢無力。從而影響到工作和學習，久而久之，就會得神經衰弱症，表現為失眠、耳鳴、疲勞。人進入睡眠之後，即使是40－50分貝較輕的雜訊干擾，也會從熟睡狀態變成半熟睡狀態。人在熟睡狀態時，大腦活動是緩慢而有規律的，能夠得到充分的休息；而半熟睡狀態時，大腦仍處於緊張、活躍的階段，這就會使人得不到充分的休息和體力的恢復。
②使工作效率降低。研究發現，雜訊超過85分貝，會使人感到心煩意亂，人們會感覺到吵鬧，因而無法專心地工作，結果會導致工作效率降低。
損傷聽覺、視覺器官

我們都有這樣的經驗，從飛機里下來或從鍛壓車間出來，耳朵總是嗡嗡作響，甚至聽不清對方說話的聲音，過一會兒才會恢復。這種現象叫做聽覺疲勞，是人體聽覺器官對外界環境的一種保護性反應。如果人長時間遭受強烈雜訊作用，聽力就會減弱，進而導致聽覺器官的器質性損傷，造成聽力下降。
①強的雜訊可以引起耳部的不適，如耳鳴、耳痛、聽力損傷。據測定，超過115 分貝的雜訊還會造成耳聾。據臨床醫學統計，若在80分貝以上噪音環境中生活，造成耳聾者可達50％。醫學專家研究認為，家庭噪音是造成兒童聾啞的病因之一。雜訊對兒童身心健康危害更大。因兒童發育尚未成熟，各組織器官十分嬌嫩和脆弱，不論是體內的胎兒還是剛出世的孩子，雜訊均可損傷聽覺器官，使聽力減退或喪失。據統計，當今世界上有7000多萬耳聾者，其中相當部分是由雜訊所致。專家研究已經證明，家庭室內噪音是造成兒童聾啞的主要原因，若在85分貝以上雜訊中生活，耳聾者可達5 ％。
③雜訊對視力的損害。人們只知道雜訊影響聽力，其實雜訊還影響視力。試驗表明：當雜訊強度達到90分貝時，人的視覺細胞敏感性下降，識別弱光反應時間延長；雜訊達到95分貝時，有40％的人瞳孔放大，視模糊；而雜訊達到115 貝時，多數人的眼球對光亮度的適應都有不同程度的減弱。所以長時間處於雜訊環境中的人很容易發生眼疲勞、眼痛、眼花和視物流淚等眼損傷現象。同時，雜訊還會使色覺、視野發生異常。調查發現雜訊對紅、藍、白三色視野縮小80％。
對人體的生理影響

雜訊是一種惡性刺激物，長期作用於人的中樞神經系統，可使大腦皮層的興奮和抑制失調，條件反射異常，出現頭暈、頭痛、耳鳴、多夢、失眠、心慌、記憶力減退、注意力不集中等症狀，嚴重者可產生精神錯亂。這種症狀，葯物治療療效很差，但當脫離雜訊環境時，症狀就會明顯好轉。雜訊可引起植物神經系統功能紊亂，表現在血壓升高或降低，心率改變，心臟病加劇。雜訊會使人唾液、胃液分泌減少，胃酸降低，胃蠕動減弱，食慾不振，引起胃潰瘍。雜訊對人的內分泌機能也會產生影響，如：導致女性性機能紊亂，月經失調，流產率增加等。雜訊對兒童的智力發育也有不利影響，據調查，3歲前兒童生活在75分貝的雜訊環境里，他們的心腦功能發育都會受到不同程度的損害，在雜訊環境下生活的兒童，智力發育水平要比安靜條件下的兒童低20％。雜訊對人的心理影響主要是使人煩惱、激動、易怒，甚至失去理智。此外，雜訊還對動物、建築物有損害，在雜訊下的植物也生長不好，有的甚至死亡。
①損害心血管。雜訊是心血管疾病的危險因子，雜訊會加速心臟衰老，增加心肌梗塞發病率。醫學專家經人體和動物實驗證明，長期接觸雜訊可使體內腎上腺分泌增加，從而使血壓上升，在平均70分貝的雜訊中長期生活的人，可使其心肌梗塞發病率增加30％左右，特別是夜間噪音會使發病率更高。調查發現，生活在高速公路旁的居民，心肌梗塞率增加了30％左右。調查1101名紡織女工，高血壓發病率為 7.2％，其中接觸強度達100 分貝雜訊者，高血壓發病率達15.2％。
②對女性生理機能的損害。女性受雜訊的威脅，還可以有月經不調、流產及早產等，如導致女性性機能紊亂，月經失調，流產率增加等。專家們曾在哈爾濱、北京和長春等7 個地區經過為期3 年的系統調查，結果發現雜訊不僅能使女工患雜訊聾，且對女工的月經和生育均有不良影響。另外可導致孕婦流產、早產，甚至可致畸胎。國外曾對某個地區的孕婦普遍發生流產和早產作了調查，結果發現她們居住在一個飛機場的周圍，禍首正是那飛起降落的飛機所產生的巨大雜訊。
③雜訊還可以引起如神經系統功能紊亂、精神障礙、內分泌紊亂甚至事故率升高。高雜訊的工作環境，可使人出現頭暈、頭痛、失眠、多夢、全身乏力、記憶力減退以及恐懼、易怒、自卑甚至精神錯亂。在日本，曾有過因為受不了火車雜訊的刺激而精神錯亂，最後自殺的例子。

測定

定義1：干擾人們休息、學習和工作的聲音，可引起人的心理和生理變化。
定義2：不同頻率、不同強度無規則地組合在一起的聲音。如電雜訊、機械雜訊，可引伸為任何不希望有的干擾。

雜訊特性的測量方法

最常用的是雜訊源法，也稱為Y 系數法（見圖）。若雜訊源分別輸出准確已知的溫度T1和T2，設 Te為被測件的等效輸入雜訊溫度；G為全系統的增益；B為帶寬；Y為接入T1時的輸出P1與接入T2時的相應輸出P2之比,即Y=P2/P1=(T2+Te)kBG/(T1+Te)kBG=(T2+Te)/(T1+Te)。從而得出，Te=(T2-YT1)/(Y-1)和雜訊系數F=Te/290+1。標准雜訊信號的T1和 T2通常取自氣體放電管雜訊源的點燃和熄滅兩種工作狀態，也可取自飽和二極體雜訊源的兩種不同燈絲電壓工作狀態，或固態雜訊源的激勵和不激勵兩種工作狀態，也可以取自處於兩種不同溫度下的源電阻。輸出雜訊功率可以用功率計檢測，也可以使用校準的檢波器，更常用的是校準接收機(或輻射計)。接收機中一般接有精密衰減器，當輸入不同雜訊信號電平時，調節衰減器使輸出指示保持恆定，衰減器的變動量就是Y值。

雜訊標准和校準系統

雜訊標準是輸出電平準確已知的標准雜訊源，通常由電阻負載、傳輸線和加熱電阻爐或致冷杜瓦瓶構成。它完全遵循奈奎斯特定理工作,輸出雜訊功率P＝kTB,經過准確測溫並嚴格計算傳輸線產生的影響,即可精確推知其輸出雜訊電平。1000K左右的熱標准精確度可達4K,78K的液氮冷標准精確度可達0.3K，而4.2K的液氦冷標准精確度可達0.05K。
校準系統是用來精確比較二個雜訊源間電平差值的測量系統，與雜訊標准源配套構成雜訊標准裝置。校準系統實際上是一個高靈敏度、高精度的測試接收機，常稱作輻射計。常用的型式有全功率接收式輻射計、狄克輻射計及其改進型（零平衡指示式）、附加雜訊注入式輻射計和相關接收式輻射計等。輻射計標准系統中，讀取雜訊電平差值的精密衰減器是確定系統精確度的關鍵部件。輸出超噪比為15.5分貝的氣體放電雜訊源的校準精度可達0.03分貝；液氮致冷的780K冷負載雜訊源的校準精度為0.06K。