异常噪声检测python

Ⅰ 机器学习有哪些算法

1. 线性回归
在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。
2. Logistic 回归
Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。
3. 线性判别分析
Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。如果你有两个以上的类，那么线性判别分析算法（LDA）是首选的线性分类技术。
4.分类和回归树
决策树是一类重要的机器学习预测建模算法。
5. 朴素贝叶斯
朴素贝叶斯是一种简单而强大的预测建模算法。
6. K 最近邻算法
K 最近邻（KNN）算法是非常简单而有效的。KNN 的模型表示就是整个训练数据集。
7. 学习向量量化
KNN 算法的一个缺点是，你需要处理整个训练数据集。
8. 支持向量机
支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。
9. 袋装法和随机森林
随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。

想要学习了解更多机器学习的知识，推荐CDA数据分析师课程。CDA（Certified Data Analyst），即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证，旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。点击预约免费试听课。

Ⅱ 噪声的检测标准和检测方法有哪些

一、检测标准：

1、户外标准

(2)异常噪声检测python扩展阅读：

噪音的一些控制方法：

1、降低声源噪音，工业、交通运输业可以选用低噪音的生产设备和改进生产工艺，或者改变噪音源的运动方式（如用阻尼、隔振等措施降低固体发声体的振动）。

2、在传音途径上降低噪音，控制噪音的传播，改变声源已经发出的噪音传播途径，如采用吸音、隔音、音屏障、隔振等措施，以及合理规划城市和建筑布局等。

3、受音者或受音器官的噪音防护，在声源和传播途径上无法采取措施，或采取的声学措施仍不能达到预期效果时，就需要对受音者或受音器官采取防护措施，如长期职业性噪音暴露的工人可以戴隔音耳塞、耳罩或头盔等护耳器。

Ⅲ 如何用python搞定验证码中的噪点

看上去不怎么难,没有干扰线没有粘连没有扭曲.但我还是没能用pytesser直接将它识别出来,因为当中有噪点和其他背景噪声的存在.我的工作就是去掉这些讨厌的东西
先介绍一下,我们的工具:
1.Pytesser它是基于一个c语言实现名为tesser的识别工具的python封装.可惜比较笨,只能做最简单的识别而且不认识汉字
2.Requests它是我们喜欢写爬虫的孩子的最爱,提供人性化的接口,代价是失去了一点效率(写python就别考虑效率啦)
3.BeautifulSoup它和Requests是一对好机油,让提取文档中所需的内容变成一件简单的事情
4.PIL它是今天的主角,PIL是专门用作图像处理的库,很好很强大.熟练的人甚至可以用它来P图
如何写爬虫去实现模拟登录此处不细说,下面说说怎么解决验证码识别
解决思路如下:
1.先用PIL对图像做一次图像增强,因为原图中数字的边缘和背景中的噪声并不是太分明,做了增强之后能将两者分离.如果不分离,可能会在去噪点的时候导致数字中有部分会缺失
im = Image.open("randomimage/randomImage11.jpg")
im = ImageEnhance.Sharpness(im).enhance(3)参数为3是经过实验之后感觉比较理想的值,太强不好,太弱也不好
2.做完预处理之后,就是去背景噪声了.背景噪声指的是背景中各种明暗变换的色块,肉眼也许不会注意到这个.但是它的存在会给识别带来影响.我最初的做法是将图像转换为只有黑白两色,这样自然就将噪声转换成了噪点.
效果如图
但我希望能去掉噪点,成为这样

最先想到的是种子染色法 ,什么是种子染色法请参看这个链接
为了防止坏链,此处做部分转载
种子染色法英文叫做Flood Fill ，实际上Flood Fill这个名称更贴切一点，因为这个方法作用在一个图的结点上时恰似洪水一样“淹没”与之相连的其他结点并以相同的方式蔓延出去，这个方法通常用于计算一个图的极大连通子图（这里的“图”是图论的概念）。设想一个无向图，我们从这个图中一个未标号（“标号”可以理解为“染色”）的结点开始，将此结点和从这个结点出发可达的所有结点都赋予相同的标号（染上相同的颜色），那么我们就得到了这些被标号的结点所组成的一个极大连通子图，搜索下一个未标号的结点并重复上述过程我们便可以找到所有的极大连通子图。“染色”的过程可以用DFS或者BFS实现，如果结点数为V，边数为E，因为我们在Flood Fill过程中“造访”每个结点两次，“造访”每条边两次，所以得到所有极大连通子图的时间复杂度为o(V+E) 。
来自Wikipedia的一个示例：

想象每个白色方块为图中的结点，相邻的方块（上下左右）有边相连，那么这个图就有三个极大连通子图，这演示了Flood Fill查找其中一个极大连通子图的过程。
在这是借要用种子染色法计算每块的面积,然后把小体积的块当作噪点去除.
代码在这

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

结果呢,不是很理想因为这个体积参数设小了,噪点没去干净,设大了数字部分可能也去了一小块.最重要的是这里噪点的大小不是很规律,很难找到一个不错的面积参数.
失败只是暂时的,经过观察发现背景噪声颜色明显比数字要浅的多.这也意味着它的RGB值要比数字小的多,通过分析RGB值能去掉大部分噪声,剩下来的噪点可以再通过种子染色法处理.也就是说,分别在两张图片(分别是黑白和彩色)上获取信息,在一张图片上做处理最后做识别
核心代码在这
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,本次识别的问题就搞定啦,成功率在50%以上基本满足接口的需求

Ⅳ 噪声如何规定和测量

什么样的声音称为噪声

我们国家制定的《中华人民共和国环境噪声污染防治法》中把超过国家规定的环境噪声排放标准，并干扰他人正常生活、工作和学习的现象称为环境噪声污染。声音的分贝是声压级单位，记为dB。用于表示声音的大小。《中华人民共和国城市 区域噪声标准》中则明确规定了城市五类区域的环境噪声最高限值：

疗养区、高级别墅区、高级宾馆区，昼间50dB、夜间40dB；以居住、文教机关 为主的区域，昼间55dB、夜间45dB；居住、商业、工业混杂区，昼间60dB、夜间50dB；工业区，昼间65dB、夜间55dB；城市中的道路交通干线道路、内河航道、铁 路主、次干线两侧区域，昼间70dB、夜间55dB，（夜间指22点到次日晨6点）。

按照国家标准规定，住宅区的噪音，白天不能超过50分贝，夜间应低于45分贝，若超过这个标准，便会对人体产生危害。那么，室内环境中的噪声标准是多少呢？国家《城市区域环境噪声测量方法》中第5条4款规定，在室内进行噪声测量时，室内噪声限值低于所在区域标准值10dB。

噪声污染对身心健康危害大

1．强的噪声可以引起耳部的不适，如耳鸣、耳痛、听力损伤。据测定，超过 115分贝的噪声还会造成耳聋。据临床医学统计，若在80分贝以上噪音环境中生活，造成耳聋者可达50％。医学专家研究认为，家庭噪音是造成儿童聋哑的病因之一。

2．使工作效率降低。研究发现，噪声超过85分贝，会使人感到心烦意乱，人们会感觉到吵闹，因而无法专心地工作，结果会导致工作效率降低。

3．损害心血管。噪声是心血管疾病的危险因子，噪声会加速心脏衰老，增加心肌梗塞发病率。医学专家经人体和动物实验证明，长期接触噪声可使体内肾上腺分泌增加，从而使血压上升，在平均70分贝的噪声中长期生活的人，可使其心肌梗塞 发病率增加30％左右，特别是夜间噪音会使发病率更高。调查发现，生活在高速公路旁的居民，心肌梗塞率增加了30％左右。调查1101名纺织女工，高血压发病率为 7.2％，其中接触强度达100分贝噪声者，高血压发病率达15.2％。

4．噪声还可以引起如神经系统功能紊乱、精神障碍、内分泌紊乱甚至事故率升高。高噪声的工作环境，可使人出现头晕、头痛、失眠、多梦、全身乏力、记忆力减退以及恐惧、易怒、自卑甚至精神错乱。在日本，曾有过因为受不了火车噪声的刺激而精神错乱，最后自杀的例子。

5．干扰休息和睡眠。休息和睡眠是人们消除疲劳、恢复体力和维持健康的必要 条件。但噪声使人不得安宁，难以休息和入睡。当人辗转不能入睡时，便会心态紧 张，呼吸急促，脉搏跳动加剧，大脑兴奋不止，第二天就会感到疲倦，或四肢无力。从而影响到工作和学习，久而久之，就会得神经衰弱症，表现为失眠、耳鸣、疲劳。

6．对女性生理机能的损害。女性受噪声的威胁，还可以有月经不调、流产及早产等，如导致女性性机能紊乱，月经失调，流产率增加等。专家们曾在哈尔滨、北京和长春等7个地区经过为期3年的系统调查，结果发现噪声不仅能使女工患噪声聋，且对女工的月经和生育均有不良影响。另外可导致孕妇流产、早产，甚至可致畸胎。国外曾对某个地区的孕妇普遍发生流产和早产作了调查，结果发现她们居住在一个 飞机场的周围，祸首正是那飞起降落的飞机所产生的巨大噪声。

7．噪声对儿童身心健康危害更大。因儿童发育尚未成熟，各组织器官十分娇嫩和脆弱，不论是体内的胎儿还是刚出世的孩子，噪声均可损伤听觉器官，使听力减退或丧失。据统计，当今世界上有7000多万耳聋者，其中相当部分是由噪声所致。 专家研究已经证明，家庭室内噪音是造成儿童聋哑的主要原因，若在85分贝以上噪 声中生活，耳聋者可达5％。

8．噪声对视力的损害。人们只知道噪声影响听力，其实噪声还影响视力。试验 表明：当噪声强度达到90分贝时，人的视觉细胞敏感性下降，识别弱光反应时间延长；噪声达到95分贝时，有40％的人瞳孔放大，视模糊；而噪声达到115分贝时，多数人的眼球对光亮度的适应都有不同程度的减弱。所以长时间处于噪声环境中的人 很容易发生眼疲劳、眼痛、眼花和视物流泪等眼损伤现象。同时，噪声还会使色觉、 视野发生异常。调查发现噪声对红、蓝、白三色视野缩小80％。所以驾驶员应避免立体场音响的噪声干扰，不然易造成行车事故。

室内噪声的主要来源

1．交通运输噪声。城市交通业日趋发达，给人们工作和生活带来了便捷和舒适，同时也促进了经济的发展。但不能不看到，随着城乡车辆的增加，公路和铁路交通干线的增多，机车和机动车辆的噪声已成了交通噪声的元兇，占城市噪声的75％。据统计表明，北京是世界有名的噪声污染城市。虽然城市车辆不及日本的十分之一， 噪声程度却比日本高出1倍。特别是一些临街的建筑，受害极重。

2．工业机械噪声。这也是室内噪声污染的主要来源。由于各种动力机、工作机 做功时产生的撞击、摩擦、喷射以及振动，可产生七八十分贝以上的声响。这些声 响，像纺织车间、锻压车间、粉碎车间和钢厂、水泥厂、气泵房、水泵房都比较严 重，虽然都做了一定程度的降噪处理，但仍然不能从根本上消除机器本体上所产生 的噪声。

3．城市建筑噪声。特别是近年来城市建设迅速发展，道路建设、基础设施建设、城市建筑开发、旧城区改造，还有百姓家庭的室内装修，都造成了城市建筑噪声，建筑施工现场噪声一般在90分贝以上，最高达到130分贝。

4．社会生活和公共场所噪声。比如公共场所的商业噪声、餐厅、公共汽车、旅 客列车、人群集会、高音喇叭等。据统计，社会生活和公共场所噪声占城市噪声的 14．4％。

5．家用电器直接造成室内噪声污染。随着人们生活现代化的发展，家庭中家用电器的噪声对人们的危害越来越大，据检测，家庭中电视机、收录机所产生的噪音可达60至80分贝，洗衣机为42至70分贝，电冰箱为34至50分贝。近几年家庭卡拉 OK机广泛流行，有些人不顾他人的幸福，沉醉于自我的享受之中，这无形中又增加了噪声的污染强度。

Ⅳ python里的问题 ，pywt.dwt(signal,'db1','sym')这个函数

噪声能获取吗？好吧。你可以试试减一减。不过你的测试用例不太对。 尽量用有规律的数据去做。

比如你可以做一个正弦函数，再人为的加上一点点扰动。再做小波变换看看。另外数据要多些。太短的数据看不出效果来。

至于变换后是两个4，我想等你数据弄多些就明白了。 数据多些，就容易做图。你把变换后的数据变成图形，画出来。可以用EXCEL来画。

这样一对比就明白变换后的两个4数组是什么数据。 然后你就可以针对性的处理。取得噪声也是可以的。

通常来讲噪声是没有规律的。 但是不排除它是另外一种规律迭加上去的。 试试看。

Ⅵ python 能不能生成拉普拉斯噪声

可以。
拉普拉斯是一种二阶导数算子，是一个与方向无关的各向同性（旋转轴对称）边缘检测算子。若只关心边缘点的位置而不顾其周围的实际灰度差时，一般选择该算子进行检测。
拉普拉斯算子为二阶差分，其方向信息丢失，常产生双像素，对噪声有双倍加强作用，因此它很少直接用于边缘检测。

Ⅶ python中的噪声是什么意思

白噪声是时间序列预测中的一个重要概念。如果一个时间序列是白噪声，它是一个随机数序列，不能预测。如果预测误差不是白噪声，它暗示了预测模型仍有改进空间。

什么是白噪声时间序列？

时间序列可能是白噪声。时间序列如果变量是独立的且恒等分布的均值为0，那么它是白噪声。这意味着所有变量具有相同的方差 (sigma^2)，并且每个值与该系列中的所有其他值具有零相关。

如果序列中的变量被高斯分布绘制，则该系列称为高斯白噪声。

为什么这么重要？

白噪声是时间序列分析和预测中的一个重要的概念。

重要的两个主要原因为：

1.可预测性：如果你的时间序列是白噪声，那么根据定义它是随机的。你无法对它合理的建模并进行预测。

2.模型诊断：时间序列上一系列误差的预测模型最好是白噪声。

模型诊断是时间序列预测的重要领域。

时间序列数据在潜在的因素产生的信号上被预测，它包含一些白噪声成分。

例如：

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

通过时间序列预测模型进行预测，可以对其进行收集和分析。在理想情况下，预测误差应该是白噪声。

当预测误差为白噪声时，意味着时间序列中的所有信号已全部被模型利用进行预测。剩下的就是无法建模的随机波动。

模型预测的信号不是白噪声则表明可以进一步对预测模型改进。

你的时间序列白噪音吗?

你的时间序列如果符合下面条件则不是白噪声:

• 你的序列均值为零吗?

• 方差随时间变化吗?

• 值与延迟值相关吗?

你可以用一些工具来检查你的时间序列是否为白噪音:

• 创建一个折线图。检查总体特征，如变化的平均值，方差或延迟变量之间的明显关系。

• 计算汇总统计。对照序列中有意义的连续块的均值和方差，检查整个序列的均值和方差(如年、月、日)。

• 创建一个自相关的图。检查延迟变量之间的总体相关性。

白噪声时间序列的例子

在本节中,我们将使用Python创建一个高斯白噪声序列并做一些检查。它有助于在实践中创建和评估白噪声时间序列。它将提供参考框架和示例图并且使用和比较自己的时间序列项目的统计测试，以检查它们是否为白噪声

首先，我们可以使用随机模块的gauss()函数创建一个1,000个随机高斯变量的列表。

我们将从高斯分布提取变量：平均值(mu)0.0和标准偏差(sigma)1.0。

一旦创建,为方便起见，我们可以在Pandas序列中打包这个列表。

• 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)



接下来，我们可以计算和打印一些汇总统计数据，包含序列的平均值和标准偏差。

• # summary statsprint(series.describe())



鉴于我们在绘制随机数时定义了平均值和标准偏差，所以应该不会有意外。

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



我们可以看到平均值接近0.0，标准偏差接近1.0。考虑到样本较小预测会有些误差。

如果我们有更多的数据，将序列分成两半计算和比较每一半的汇总统计可能会更有趣。我们认为每个子系列的平均值和标准差都会相似。

现在我们可以创建一些序列的线条图。

• # line plot


• series.plot()pyplot.show()



我们可以看到，这个序列似乎是随机的。



为了完整性，下面提供了完整的代码清单。

• 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：网页链接

Ⅷ 怎么利用Python来处理噪声

能删单一的元素也能清空字典，清空只需一项操作。

Ⅸ 噪声的危害和测定

危害
噪声是一种恶性刺激物，长期作用于人的中枢神经系统，可使大脑皮层的兴奋和抑制失调，条件反射异常，出现头晕、头痛、耳鸣、多梦、失眠、心慌、记忆力减退、注意力不集中等症状，严重者可产生精神错乱。这种症状，药物治疗疗效很差，但当脱离噪声环境时，症状就会明显好转。噪声可引起植物神经系统功能紊乱，表现在血压升高或降低，心率改变，心脏病加剧。噪声会使人唾液、胃液分泌减少，胃酸降低，胃蠕动减弱，食欲不振，引起胃溃疡。噪声对人的内分泌机能也会产生影响，如：导致女性性机能紊乱，月经失调，流产率增加等。噪声对儿童的智力发育也有不利影响，据调查，3岁前儿童生活在75分贝的噪声环境里，他们的心脑功能发育都会受到不同程度的损害，在噪声环境下生活的儿童，智力发育水平要比安静条件下的儿童低20％。噪声对人的心理影响主要是使人烦恼、激动、易怒，甚至失去理智。此外，噪声还对动物、建筑物有损害，在噪声下的植物也生长不好，有的甚至死亡。

干扰休息和睡眠、影响工作效率

①干扰休息和睡眠。休息和睡眠是人们消除疲劳、恢复体力和维持健康的必要条件。但噪声使人不得安宁，难以休息和入睡。当人辗转不能入睡时，便会心态紧张，呼吸急促，脉搏跳动加剧，大脑兴奋不止，第二天就会感到疲倦，或四肢无力。从而影响到工作和学习，久而久之，就会得神经衰弱症，表现为失眠、耳鸣、疲劳。人进入睡眠之后，即使是40－50分贝较轻的噪声干扰，也会从熟睡状态变成半熟睡状态。人在熟睡状态时，大脑活动是缓慢而有规律的，能够得到充分的休息；而半熟睡状态时，大脑仍处于紧张、活跃的阶段，这就会使人得不到充分的休息和体力的恢复。
②使工作效率降低。研究发现，噪声超过85分贝，会使人感到心烦意乱，人们会感觉到吵闹，因而无法专心地工作，结果会导致工作效率降低。
损伤听觉、视觉器官

我们都有这样的经验，从飞机里下来或从锻压车间出来，耳朵总是嗡嗡作响，甚至听不清对方说话的声音，过一会儿才会恢复。这种现象叫做听觉疲劳，是人体听觉器官对外界环境的一种保护性反应。如果人长时间遭受强烈噪声作用，听力就会减弱，进而导致听觉器官的器质性损伤，造成听力下降。
①强的噪声可以引起耳部的不适，如耳鸣、耳痛、听力损伤。据测定，超过115 分贝的噪声还会造成耳聋。据临床医学统计，若在80分贝以上噪音环境中生活，造成耳聋者可达50％。医学专家研究认为，家庭噪音是造成儿童聋哑的病因之一。噪声对儿童身心健康危害更大。因儿童发育尚未成熟，各组织器官十分娇嫩和脆弱，不论是体内的胎儿还是刚出世的孩子，噪声均可损伤听觉器官，使听力减退或丧失。据统计，当今世界上有7000多万耳聋者，其中相当部分是由噪声所致。专家研究已经证明，家庭室内噪音是造成儿童聋哑的主要原因，若在85分贝以上噪声中生活，耳聋者可达5 ％。
③噪声对视力的损害。人们只知道噪声影响听力，其实噪声还影响视力。试验表明：当噪声强度达到90分贝时，人的视觉细胞敏感性下降，识别弱光反应时间延长；噪声达到95分贝时，有40％的人瞳孔放大，视模糊；而噪声达到115 贝时，多数人的眼球对光亮度的适应都有不同程度的减弱。所以长时间处于噪声环境中的人很容易发生眼疲劳、眼痛、眼花和视物流泪等眼损伤现象。同时，噪声还会使色觉、视野发生异常。调查发现噪声对红、蓝、白三色视野缩小80％。
对人体的生理影响

噪声是一种恶性刺激物，长期作用于人的中枢神经系统，可使大脑皮层的兴奋和抑制失调，条件反射异常，出现头晕、头痛、耳鸣、多梦、失眠、心慌、记忆力减退、注意力不集中等症状，严重者可产生精神错乱。这种症状，药物治疗疗效很差，但当脱离噪声环境时，症状就会明显好转。噪声可引起植物神经系统功能紊乱，表现在血压升高或降低，心率改变，心脏病加剧。噪声会使人唾液、胃液分泌减少，胃酸降低，胃蠕动减弱，食欲不振，引起胃溃疡。噪声对人的内分泌机能也会产生影响，如：导致女性性机能紊乱，月经失调，流产率增加等。噪声对儿童的智力发育也有不利影响，据调查，3岁前儿童生活在75分贝的噪声环境里，他们的心脑功能发育都会受到不同程度的损害，在噪声环境下生活的儿童，智力发育水平要比安静条件下的儿童低20％。噪声对人的心理影响主要是使人烦恼、激动、易怒，甚至失去理智。此外，噪声还对动物、建筑物有损害，在噪声下的植物也生长不好，有的甚至死亡。
①损害心血管。噪声是心血管疾病的危险因子，噪声会加速心脏衰老，增加心肌梗塞发病率。医学专家经人体和动物实验证明，长期接触噪声可使体内肾上腺分泌增加，从而使血压上升，在平均70分贝的噪声中长期生活的人，可使其心肌梗塞发病率增加30％左右，特别是夜间噪音会使发病率更高。调查发现，生活在高速公路旁的居民，心肌梗塞率增加了30％左右。调查1101名纺织女工，高血压发病率为 7.2％，其中接触强度达100 分贝噪声者，高血压发病率达15.2％。
②对女性生理机能的损害。女性受噪声的威胁，还可以有月经不调、流产及早产等，如导致女性性机能紊乱，月经失调，流产率增加等。专家们曾在哈尔滨、北京和长春等7 个地区经过为期3 年的系统调查，结果发现噪声不仅能使女工患噪声聋，且对女工的月经和生育均有不良影响。另外可导致孕妇流产、早产，甚至可致畸胎。国外曾对某个地区的孕妇普遍发生流产和早产作了调查，结果发现她们居住在一个飞机场的周围，祸首正是那飞起降落的飞机所产生的巨大噪声。
③噪声还可以引起如神经系统功能紊乱、精神障碍、内分泌紊乱甚至事故率升高。高噪声的工作环境，可使人出现头晕、头痛、失眠、多梦、全身乏力、记忆力减退以及恐惧、易怒、自卑甚至精神错乱。在日本，曾有过因为受不了火车噪声的刺激而精神错乱，最后自杀的例子。

测定

定义1：干扰人们休息、学习和工作的声音，可引起人的心理和生理变化。
定义2：不同频率、不同强度无规则地组合在一起的声音。如电噪声、机械噪声，可引伸为任何不希望有的干扰。

噪声特性的测量方法

最常用的是噪声源法，也称为Y 系数法（见图）。若噪声源分别输出准确已知的温度T1和T2，设 Te为被测件的等效输入噪声温度；G为全系统的增益；B为带宽；Y为接入T1时的输出P1与接入T2时的相应输出P2之比,即Y=P2/P1=(T2+Te)kBG/(T1+Te)kBG=(T2+Te)/(T1+Te)。从而得出，Te=(T2-YT1)/(Y-1)和噪声系数F=Te/290+1。标准噪声信号的T1和 T2通常取自气体放电管噪声源的点燃和熄灭两种工作状态，也可取自饱和二极管噪声源的两种不同灯丝电压工作状态，或固态噪声源的激励和不激励两种工作状态，也可以取自处于两种不同温度下的源电阻。输出噪声功率可以用功率计检测，也可以使用校准的检波器，更常用的是校准接收机(或辐射计)。接收机中一般接有精密衰减器，当输入不同噪声信号电平时，调节衰减器使输出指示保持恒定，衰减器的变动量就是Y值。

噪声标准和校准系统

噪声标准是输出电平准确已知的标准噪声源，通常由电阻负载、传输线和加热电阻炉或致冷杜瓦瓶构成。它完全遵循奈奎斯特定理工作,输出噪声功率P＝kTB,经过准确测温并严格计算传输线产生的影响,即可精确推知其输出噪声电平。1000K左右的热标准精确度可达4K,78K的液氮冷标准精确度可达0.3K，而4.2K的液氦冷标准精确度可达0.05K。
校准系统是用来精确比较二个噪声源间电平差值的测量系统，与噪声标准源配套构成噪声标准装置。校准系统实际上是一个高灵敏度、高精度的测试接收机，常称作辐射计。常用的型式有全功率接收式辐射计、狄克辐射计及其改进型（零平衡指示式）、附加噪声注入式辐射计和相关接收式辐射计等。辐射计标准系统中，读取噪声电平差值的精密衰减器是确定系统精确度的关键部件。输出超噪比为15.5分贝的气体放电噪声源的校准精度可达0.03分贝；液氮致冷的780K冷负载噪声源的校准精度为0.06K。