精华内容
下载资源
问答
  • 常见噪音
    千次阅读
    2020-12-24 05:49:13

    粉红噪音和白噪音和煲耳机必备的两种声音,相信音乐爱好者和音箱爱好者都听说过煲耳机,耳机只有煲过后质量音质才会更纯。白噪音粉红噪音可以根据随机的信号来提高耳机的播放质量。白噪音被公认为对于精神分散疾病、耳鸣、听觉过敏症以及多动症等神经系统疾病来说,是一种有效的“声音化妆处理”治疗。

    白噪音煲耳机方法

    白噪声或粉红噪声之类是自然状态的噪声。之所以叫白噪声,粉红噪声,是由光波的谱线图就是光谱图类比而来,白噪声的特点是各频段的能量均匀(频谱类似太阳光谱即白光光谱),粉红噪声是在低频段强在高频段弱的噪声(频谱图类似偏红的光谱即粉红光谱)。

    1:白噪音white noise

    所谓白噪音是指一段声音中的频率分量的功率在整个可听范围(0~20KHZ)内都是均匀的。由于人耳对高频敏感一点这种声音听上去是很吵耳的沙沙声。

    2:粉红噪音pink noise

    粉红噪音是自然界最常见的噪音,简单说来,粉红噪音的频率分量功率主要分布在中低频段。粉红噪音从人耳中听到的是平直的频率响应——"非常悦耳的一种噪声"最常用于进行声学测试的声音。

    3:电视机无信号时的背景噪声和调频收音机无台时的背景噪声均是白噪声。白噪声可用来测量扬声器和耳机的谐振和灵敏度等。

    4:从波形角度看,粉红噪音是分形的,在一定的范围内音频数据具有相同或类似的能量。粉红噪声的电平从低频向高频不断衰减,其幅度与频率成反比(1/f)。其幅度每倍频程(一个8度)下降3dB。噪声能量在每倍频程内是相等的。

    5:从频谱仪的图形上看,白噪声在全频谱内是一条平直的线。

    6:从频谱仪的图形上看,粉红噪声是在一个小段频谱内平直的线,并且以其倍数频率向下衰减。即1倍频,2倍频……频率越高谱线高度越低。

    白噪声是一种无规噪声,它的瞬时值是随机变化的。它的幅值对时间的分布满足正态分布。它具有连续的噪声谱,包含有各种频率成分的噪声。它的功率谱密 度与频率无关,几个频率能量的分布是均匀的。它的等带宽输出的能量是相等的。它在线性坐标中,输出是一根平行与横坐标的直线。在对数坐标中,输出是按每倍 频程带宽增加3dB的斜率而上升的。

    粉红噪声与白噪声一样也是一种无规噪声,也具有连续的噪声谱。不同之处在于,它的功率谱密度与频率成反比,在对数坐标中,起输出为一水平线,在线性坐标中,其输出以每倍频程3dB下降。

    在人耳可听的频率范围内,具有相同能量的噪声称为白噪声。白噪声广泛用于环境声学测量中。

    更多相关内容
  • 主机常见噪音 的原因 及 降噪方法

    千次阅读 2017-06-20 15:55:41
    主机常见噪音 CPU风扇噪音 CPU风扇主动散热 Reason:主动散热 是始终保持高速运转; 被动散热 是只有CPU温度过高时才会提速运转。 Solution(仅针对Windows): 改成 被动散热 ( 控制面板 –> ...

    主机常见噪音

    • CPU风扇噪音

      • CPU风扇主动散热

        Reason:主动散热 是始终保持高速运转; 被动散热 是只有CPU温度过高时才会提速运转。

        Solution(仅针对Windows): 改成 被动散热 ( 控制面板 –> 系统和安全 –> 电源选项 –> 高级设置 –> 处理器电源管理 –> 系统散热方式 –> 设置:被动 )。

      • CPU风扇积灰

        Reason:CPU风扇与灰尘的长时间的运动摩擦,最后导致发出声音成为电脑噪音。

        Solution:清灰。

      • CPU风扇轴承缺油

        Reason:CPU风扇轴承与扇叶最容易引起噪声,在长期使用后,风扇轴承会因为缺油而变得摩擦,所以导致发非常大的噪音。

        Solution:把风扇上面的小标签揭开,上面会有一个小洞。这个洞正是方便我们给它上油的地方,只需要滴几滴油进去就可以了。

    • 电源风扇噪音

      Reason:属于老化,再加上长时间的运动摩擦,最后导致发出声音成为电脑噪音。

      Solution:在风扇轴承上滴几滴机油,再用小毛刷,将电源旁边和里面的灰尘扫净即可。

    • 硬盘噪音

      Reason:硬盘噪音一般是由于装机器的时候螺丝没上紧,所到导致在使用运行计算机过程中,硬盘会受到风扇的震动,结果就变成了电脑噪音。

      Solution:把螺丝上紧点就行了。

    • 机箱震动噪音

      Reason:机箱质量不好。

      Solution:我们可以在购买计算机的时候,注意选择比较好的主机。比如说重量、厚度这些都是非常必要的。另外就是定期对电脑进行基本的清洗维护,但切忌电脑中尽量少用油性物质和化学物质,因为油性物质冷凝热熔,时间长对电脑有损害,化学物质则容易损伤电脑精密



    展开全文
  • 有源音箱的噪音主要于三种:电磁干扰,电线干扰及机械杂音及热噪声,本文将介绍如何预防及降低这些噪音的方法。  一、电磁干扰  电磁干扰主要是电源变压器和空间杂散电磁波。  有源音箱除极少数特殊产品外,...
  • 一般常见之家用与3C产品,如LCD/LED电视、Monitor、计算机Adaptor与多功能事务机等,上述产品虽没有风扇,但也可能有噪音的产生,使其造成使用者的不悦耳。本文主要介绍抑制音频噪音之电源管理IC。
  • 本文针对实验数据体的特征和各去噪方法的适用条件,有针对性的选取一维小波变换方法去除地震数据噪声,通过对四种阈值量化方法和六种小波函数进行实验计算和效果分析,得到了合适的小波函数和阈值量化方法。...
  • 那么,工程师们根据经验,把常见噪音进行了以下几种的分类。 1. 椒盐噪音(Salt Pepper Noise) 椒盐噪声(salt-and-pepper noise)又称脉冲噪声,它随机改变一些像素值,在二值图像上表现为使一些像素点变白,一些...

    噪音的产生

    所谓噪音,就是指在原始信号中出现了我们不希望的信号,或者干扰。了解噪音的生成方法,是为了方便我们更好的评估去噪函数。通常,在图像学领域,由于传感器的原因,会出现3种比较常见的噪音。

    分别是椒盐噪音、高斯噪音以及泊松噪音。现在就来分别了解下这些噪音的产生原因,以及手工实现噪音产生的方法。

    噪音函数

    之所以降噪,是因为在图像数据的存储、传输过程中,通常会因为电子元器件之间的电磁干扰产生,又或者图像数据在传输过程中遇到来自自然界、或者人为的干扰。

    举个例子来说,过去黑白电视机经常由于电信号干扰,而在图像中产生雪花。又或者是拿一个强磁,对着电子管的电视机进行干扰,而在图像中出现一些水纹波。

    那么,工程师们根据经验,把常见噪音进行了以下几种的分类。

    1. 椒盐噪音(Salt Pepper Noise)

    在这里插入图片描述
    椒盐噪声(salt-and-pepper noise)又称脉冲噪声,它随机改变一些像素值,在二值图像上表现为使一些像素点变白,一些像素点变黑。 是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声,也就是老人们比较熟悉的所谓“雪花”。

    N = { 0 p e p p e r 255 s a l t N = \left\{\begin{matrix} 0 & pepper\\ 255 & salt \end{matrix}\right. N={0255peppersalt

    def salt_pepper_noise(image, ratio):
        output = np.zeros(image.shape, np.uint8)
    
        for i in range(image.shape[0]):
            for j in range(image.shape[1]):
    
                rand = random.random()
                if rand < ratio:  # salt pepper noise
                    if random.random() > 0.5:  # change the pixel to 255
                        output[i][j] = 255
                    else:
                        output[i][j] = 0
                else:
                    output[i][j] = image[i][j]
    
        return output
    

    输出效果:

    在这里插入图片描述

    2. 高斯噪音(Gaussian Noise)

    文字的描述比较枯燥,我这里就直接贴一张图来说明什么叫高斯噪音

    在这里插入图片描述
    首先从一维来介绍,假设某一种有效信号它表示为 μ \mu μ,而随着时间的延续,比方说这个信号是来自某种温度传感器,由于传感器老化或者传输信号出现了某种干扰,这些干扰的信号范围在 [ − 3 σ , 3 σ ] [-3\sigma, 3\sigma] [3σ,3σ]之间,然后我们把这段时间内噪音的振幅收集并且整理后,发现它符合正态分布曲线,亦或者称为高斯曲线,那么这样的噪音就称为高斯噪音。

    f ( x ) = 1 2 π σ e ( − ( x − μ ) 2 2 σ 2 ) f(x) = \frac{1}{ \sqrt {2 \pi } \sigma } e^(- \frac{(x- \mu )^2}{2 \sigma^2} ) f(x)=2π σ1e(2σ2(xμ)2)

    这个公式简单的说一下:

    • 曲线关于 x = μ x = \mu x=μ 对称,通常这个值对应的是信号本号
    • x = μ x = \mu x=μ 处为正态分布的最大值,振幅为 1 2 π σ \frac{1}{ \sqrt {2 \pi } \sigma } 2π σ1,也就是信号本号自身的强度,亦或者说是期望值
    • σ \sigma σ所决定的,就是噪音信号的分布情况,数学上称这玩意为标准差
    • 当标准差越小,信号噪音就越集中在期望值附近,换句话说也就是信号受噪音影响程度越小,而标准差越大,信号就越模糊。

    所以,如果将信号挪到了0上,而噪音分布的标准差为1的时候,这个就是小学二年级所说的标准正态分布了。

    现在我们徒手撸一个高斯分布函数的实现:

    def gaussian_noise_kernel(x, mu, sigma):
        exp = math.exp(-1 * (
                           math.pow(x - mu, 2) / (2 * math.pow(sigma, 2))
                       ))
        peak = (math.sqrt(2 * 3.14159) * sigma)
    
        return exp / peak
    

    如果用numpy,代码可以写的更简单:

    def gaussian_noise_kernel(x, mu, sigma):
    	return np.exp(-1*((x-mu)**2)/(2*(sigma**2)))/(math.sqrt(2*np.pi) * sigma)
    

    然后,我们使用numpy的linspace函数,生成X轴坐标,关于这个函数怎么使用的,你可以网上搜素一下它的函数说明。

    用一种比较笨的方法计算Y轴坐标:

        mu1, sig1 = 0, 1  # standard distribution
        mu2, sig2 = 1, 1  # move the chart to right
        mu3, sig3 = 0, 0.5  # increase the noise coverage
        mu4, sig4 = 0, 2.5  # increase the noise coverage
        x = np.linspace(-5, 5, 100)
    
        y1, y2, y3, y4 = [], [], [], []
        for i in range(50):
            t1 = gaussian_noise_kernel(x[i], mu1, sig1)
            t2 = gaussian_noise_kernel(x[i], mu2, sig2)
            t3 = gaussian_noise_kernel(x[i], mu3, sig3)
            t4 = gaussian_noise_kernel(x[i], mu4, sig4)
    
            y1.append(t1)
            y2.append(t2)
            y3.append(t3)
            y4.append(t4)
    
        plt.plot(x, y1, 'r', label='mu1, sig1 = 0, 1')
        plt.plot(x, y2, 'g', label='mu2, sig2 = 1, 1')
        plt.plot(x, y3, 'b', label='mu3, sig3 = 0, 0.5')
        plt.plot(x, y4, 'm', label='mu4, sig4 = 0, 2.5')
        plt.legend()
        plt.grid()
        plt.show()
        plt.legend()
        plt.grid()
        plt.show()
    

    在这里插入图片描述

    现在我们已经成功的绘制处高斯分布曲线,然后把这个分布曲线函数引入到图像中,用来生成随机噪点。

    首先明确一点,高斯噪音的特点是增加或减少原始信号,使得原始信号出现了随机“抖动”,并且抖动范围服从高斯分布(正态分布)。所以如果要生成高斯噪音,那么我们需要在原来高斯核的基础上,增加一个随机数生成器,并且把高斯函数调整为对于X=0轴上的正态分布(不一定是标准正态分布)。

    在这里插入图片描述
    所以,如果有一个正弦信号,那么叠加上高斯噪音后,输出的结果就会呈现上图所示的样子。现在放上实现的代码,它的执行效果不是最好的,但你应该是能看明白噪音的叠加方式。

    在这里插入图片描述

    def gaussian_noise(image, ratio, sigma):
        # generate gaussian kernel
        x = np.linspace(- 4 * sigma, 4 * sigma, 100)
        kernel = gaussian_noise_kernel(x, 0, sigma)
    
        # output image
        output = np.zeros(image.shape, np.uint8)
    
        for i in range(image.shape[0]):
            for j in range(image.shape[1]):
    
                rand = random.random()
                if rand < ratio:  # apply gaussian noise
                    pos = int(100 * random.random()
    
                    if x[pos] < 0:
                        temp = image[i][j] * (1 - kernel[pos])
                        if temp < 0:
                            output[i][j] = 0
                        else:
                            output[i][j] = temp
                        continue
    
                    if x[pos] >= 0:
                        temp = image[i][j] * (1 + kernel[pos])
                        if temp > 255:
                            output[i][j] = 255
                        else:
                            output[i][j] = temp
    
                else:
                    output[i][j] = image[i][j]
    
        return output
    

    3. 泊松噪音(Poisson Noise)

    简单的说就是满足泊松分布的噪音,你会觉得它和正态分布很相似,其实如果我们采集的数据越多,精度越密,其形态上它越发接近高斯分布函数,也就是正态分布,是常见的一种满足指数函数分布的离散模型。

    泊松分布(Poisson Distribution)

    泊松噪音存在的根本原因是因为光是由离散的光子构成(光的粒子性)。光源发出的光子打在CMOS上,从而形成一个可见的光点。光源每秒发射的光子到达CMOS的越多,则该像素的灰度值越大。但是因为光源发射和CMOS接收之间都有可能存在一些因素导致单个光子并没有被CMOS接收到或者某一时间段内发射的光子特别多,所以这就导致了灰度值会有波动,也就是所谓的散粒噪声。举例而言,在光源强度比较低的时候,比如说设定光强为每秒5个光子的时候,那么每秒实际CMOS接受到的光子数可能从0到10(服从泊松分布)1

    在这里插入图片描述
    那么,泊松分布或者泊松噪音的基本形式是怎样的呢?

    P ( x = k ) = e − λ λ k k ! P(x=k) = \frac{e^{- \lambda} \lambda ^ k}{k!} P(x=k)=k!eλλk

    这里, λ \lambda λ 表示的是期望值,既某过程中,在它的给定时间内,事件的发生次数,比方说假设世界杯赛场上,每场比赛的进球数大约在2.5个球,那么 λ = 2.5 \lambda=2.5 λ=2.5,因此假设对于一场比赛,分别发生0次进球,1次进球,2次进球的概率是2

    出现0次进球
    P ( x = 0 ) = 2. 5 0 0 ! e − 2.5 ≈ 0.082 P(x=0) = \frac{2.5^0}{0!} e^{-2.5} \approx 0.082 P(x=0)=0!2.50e2.50.082

    出现1次进球
    P ( x = 1 ) = 2. 5 1 1 ! e − 2.5 ≈ 0.205 P(x=1) = \frac{2.5^1}{1!} e^{-2.5} \approx 0.205 P(x=1)=1!2.51e2.50.205

    出现2次进球
    P ( x = 2 ) = 2. 5 2 2 ! e − 2.5 ≈ 0.257 P(x=2) = \frac{2.5^2}{2!} e^{-2.5} \approx 0.257 P(x=2)=2!2.52e2.50.257

    出现3次进球
    P ( x = 3 ) = 2. 5 3 3 ! e − 2.5 ≈ 0.213 P(x=3) = \frac{2.5^3}{3!} e^{-2.5} \approx 0.213 P(x=3)=3!2.53e2.50.213

    ⋯ \cdots

    现在我们把数据绘制到图表上,根据我们推算的进球概率,这样一个概率分布,就是泊松分布了。
    在这里插入图片描述

    泊松分布与光通量

    接下来,我们把这个进球的过程换成单位时间内,有多少光子打到像素传感器上的过程3。为了说明这个问题,我们先解释一下照片成像的过程。我们在初中阶段的光学课程上,知道以前的老式相机是光束通过透镜,与胶片上的光感材料作用,把影像印在了胶片上,这个过程和小孔成像很类似。

    而现代数码相机的普及,最大的区别就是胶片变成了光传感器。也就是CMOS传感器。由于它是一种光敏材料,在被一定量的光子照射后会产生电子,继而引起数字信号的变化。而在一个CMOS传感器上,有极多的传感单元,而这些传感单元,你可以理解为我们平常提到的像素。
    在这里插入图片描述
    而光子作用在每一个传感单元上所产生的信号不同,最终组合在一起成为了像素照片。所以如果我们把这个过程简化后,假设在单位时间内,有一束光包含有400个光子打到了相机的CMOS传感器上,从微观上说,这些光子是随机的落入到不同的像素传感器内。

    因此对应一个像素传感器来说,如果我们统计一个像素在单位时间 t t t内,会有多少个光子落入到一个像素传感器内,那么可能会得出 [ 0 , 4 ] [0,4] [0,4]这样的一个结果。那么统计平均落入的光子数,并且绘制它的落入分布情况,我们可能会得出一个泊松分布。
    在这里插入图片描述
    假设这个情况的 λ = 1.05 \lambda=1.05 λ=1.05,也就是平均每个像素传感器落入1.05个光子,那么它的概率分布图,也就是下面这个样子了:
    在这里插入图片描述
    那么这个模型的标准差 σ = ∑ ( x i − x ˉ ) n ≈ 1.024 \sigma = \sqrt{\frac{\sum (x_i - \bar{x})}{n}} \approx 1.024 σ=n(xixˉ) 1.024,而这里的1.024就是光子散粒噪音(photon shot noise)

    由于光子极微小,尽管我们假设从物体反射进入到CMOS传感器上的光束在单位时间内为400个光子,但这数量本质上来说是估算,或者说是平均数。因此实际上在单位时间 t t t内,传入CMOS的光子数可能是401,也可能是387个光子。

    尽管从宏观上光子传播沿直线传播,但在微观上也就是光子运动轨迹存在一定程度的不确定性,这必然导致了噪音的产生。

    所以我们可以直观的凭本能知道,如果这样一些带着随机运动的粒子,在击打到某个平面位置时,尽管大范围上符合某个范围的分布区间,但如果细致的观察,每一个落点存在着一定的误差(“噪音”)。

    这就像是用霞弹枪、或者抛洒石灰,或者颜料,即便用同一种颜料,同一个角度抛洒到画布上,任然无法做出两幅一样的画的那种奇妙的感觉。
    在这里插入图片描述
    那么,光子到达图像传感器的这些波动如何影响我们的图像?噪点会使照片的视觉细节失真。而下图显示了一组模拟的图像,其中指定了每个像素的平均粒子数或光子数。 这表明对于低数量的光子,噪声占主导地位,但是随着光子数量(光通量)的增加,图像结构变得更加明显。
    在这里插入图片描述
    所以,如果我们要试图模拟泊松噪音,也就是单位像素传感器 p p p在单位时间 t t t内捕捉到的有效光子量,那么这个过程就是一个所谓的 “泊松过程(Poisson Process)”

    泊松过程(Poisson Process)

    现在,我们已经知道了一个概率事件它的随机概率发生分布情况,如果近似符合二项分布的,就是一个泊松分布。现在我们需要反过来,去做一个符合这个分布的随机事件发生过程,而它就是所谓的泊松过程了。

    回到上面的例子,如果在单位事件内 t t t,向CMOS传感器发射了(或者说物体反射了)一束包含400个光子光束,落在单个像素传感器上的光子数为 P s ∈ [ 0 , 4 ] P_s \in[0, 4] Ps[0,4] ,我们在不考虑这些光子激发的电子有效率的情况下,假设1个光子落入了像素传感器就会产生1个电子。

    也就是说,在单位时间内,一个像素可能接收到0个、1个、2个、3个、4个光子4。而如果我们把观察时间微分为 Δ t \Delta t Δt,如果假设在某一个时间内,发生了1个光子击中像素传感器,那么接下来再发生一次光子击中像素传感器的概率就会下降;如果再次发生一次击中,那么等待第三次发生的概率就会更小,直到全部观察时间结束。

    在这里插入图片描述
    这一过程符合于指数,通常情况下,我们用下式表示这个过程,用通俗的话来描述:就是当某事件发生后,后续事件再次发生的概率,随着时间增加而减少

    P ( t w a i t > t e v e n t ) = e − σ ⋅ t P(t_{wait} > t_{event}) = e^{- \sigma \cdot t} P(twait>tevent)=eσt

    这里 t t t表示时间变量, σ \sigma σ表示单位时间内 Δ t \Delta t Δt事件怕平均发生次数,或者说是期望。那么,我们同样可以得出某事件发生前的前面的事件发生概率,随着时间减少而增加

    P ( t w a i t ≤ t e v e n t ) = 1 − e − σ ⋅ t P(t_{wait} \leq t_{event}) = 1 - e^{- \sigma \cdot t} P(twaittevent)=1eσt

    明白了这个公式的概念,接下来我们就可以来模拟这个泊松过程了,那么受限于篇幅,生成泊松随机数的过程我就放在下一章里进行介绍了。


    1. 《泊松噪音》 ↩︎

    2. Poisson Distribution, Alexander Katz, Andy Hayes, Tejas Suresh, etc. ↩︎

    3. How to Create Awesome Noise That Is Actually Real, Erez Posner
      ↩︎

    4. The Poisson Distribution and Poisson Process Explained, Will Koehresen ↩︎

    展开全文
  • 一般常见之家用与3C产品,如LCD/LED电视、Monitor、计算机Adaptor与多功能事务机等,上述产品虽没有风扇,但也可能有噪音的产生,使其造成使用者的不悦耳。  究竟噪音的来源是什么?如表一所示,其1、2、3项皆因...
  • 有源音箱的噪音主要来源于三种:电磁干扰,电线干扰及机械杂音及热噪声,本文将介绍如何预防及降低这些噪音的方法。  一、电磁干扰  电磁干扰主要来源是电源变压器和空间杂散电磁波。  有源音箱除极少数特殊...
  • PULSE 系统是丹麦B&K 公司于1996 年推出的世界上首个噪声、振动多分析仪 系统,能够同时进行多通道、实时、FFT、CPB、总级值等分析。
  • 【白噪音和粉红噪音】煲机必备无损噪音 下载

    千次下载 热门讨论 2010-05-04 11:42:20
    粉红噪音是自然界最常见噪音,简单说来,粉红噪音的频率分量功率主要分布在中低频段。粉红噪音从人耳中听到的是平直的频率响应——"非常悦耳的一种噪声"最常用于进行声学测试的声音。 3: 电视机无信号时的背景...
  • 通过将片式磁珠(贴片磁珠)串联插入容易成为噪音放射源的传输线路中,能够方便地发挥除去噪音的效果,因其有此便利性,片式磁珠被广泛用于各种设备中。以串联方式插入需要EMC对策的信号线及电源线中可有望除去噪音...
  •  汽车的运行环境是十分恶劣的,包括振动、高温、噪音、电磁波等都会干扰车内电子设备的正常工作,因此轿车专用的音响设备不论从设计和工艺制造方面的要求都要比家用音响严格 ,而且价格不菲,从这个意义上讲,高...
  • 不仅如此,TL431的开态响应速度快输出噪音低,并且价格低廉。因此受到电源工程师和初学者们大力好评。本篇文章主要为大家介绍了TL431的基本应用电路和几种并不常见的接法,并进行了讲解。  图(1)是TL431的典型接...
  • 多媒体教室中设备的常见故障及处理方法 一、 多媒体教室扩音系统常见故障及处理方法 问题1、有线话筒、无线手持、无线咪领夹话筒无声 建议:查电源 设备的电源是否开启、检查设备的电池是否耗尽。 查功放设备:检查...
  •  汽车的运行环境是十分恶劣的,包括振动、高温、噪音、电磁波等都会干扰车内电子设备的正常工作,因此轿车专用的音响设备不论从设计和工艺制造方面的要求都要比家用音响严格 ,而且价格不菲,从这个意义上讲,高...
  • 电脑CPU四大常见问题:重启、死机、噪音、过热,自己也可以解决!大家好!欢迎阅读硅谷聊科技原创作品,每天更新最新、最全、最权威的科技资讯,带你领略不一样的科技世界。CPU中文简称中央处理器,它是整台计算机的...

    电脑CPU四大常见问题:重启、死机、噪音、过热,自己也可以解决!

    大家好!欢迎阅读硅谷聊科技原创作品,每天更新最新、最全、最权威的科技资讯,带你领略不一样的科技世界。

    CPU中文简称中央处理器,它是整台计算机的核心,它就好比人类的大脑,从电脑启动的那一刻起,就开始不停地运转着,计算电脑每一个参数,将数据进行收集和输出。由于它极其重要,因此在日常使用电脑的过程中,很多毛病都是因为处理器发生了故障所致,所以我们平时如果出现了一下几个问题,那么可以考虑是不是处理器发生了故障,然后进行精准处理。

    c42e49566d2291b26d46b1e00514d4e4.png

    第一,当你电脑出现重启、死机、蓝屏等问题的时候,如果检查过不是内存和显卡的问题的话,那么毫无疑问就是CPU的问题。当CPU积累的灰尘过多,导致CPU散热不均匀,那么就是会发生这个问题,因此我们只需要给CPU或者整个机箱进行一次大清理,将灰尘用吹风机或者吸尘器进行清理,然后用纸巾沾上酒精对CPU表明进行拭擦,基本就能解决问题。

    ff6266c704675833b82266e03e0240cc.png

    第二,当你的电脑出现无法开机现象时候,那么首先就要从CPU上进行考虑,一般来说,导致电脑无法开机,要么就是电源插头问题,要么就是CPU问题。因此,我们可以通过看CPU的针脚是否有松动或者脱离、发霉、氧化等现象就可以做出判断。一般来说出现这个问题,只能听天由命,如果清理CPU针脚之后能够解决问题,那么自然无事,如果不行就只能更换CPU了。不过我们可以预防,平时最好将电脑主机放在干燥一点的地方,避免太过潮湿。

    8faa7aa127f4837141b12e3b7f4173c8.png

    第三,当你的电脑一开机的片刻,就会发出极大的噪音,那么毫无疑问就是和CPU的另外一个硬件有关了。那就是CPU散热风扇,虽然这个问题说是CPU的问题不太贴切,不过也算是与之有关,因为如果散热风扇没有安装合理,就会发生这个问题,从而导致CPU散热出现问题,从而引发过热问题,直接烧坏CPU也多数是因为这个原因。

    51e3474054b9f49f0dd45d05a80f7f83.png

    第四,温度上升过快;一般来说,当你打开电脑的那一刻起,CPU就已经开始工作了,只要你没关机他都在工作。因此CPU的温度是一个非常需要注意的问题,一般来说CPU的合理温度一般保持下50度左右,如果使用不久CPU温度就超过了这个数字,那么一定要引起足够的重视!因为如果一直不管,会大大降低CPU的使用寿命。

    一般来说主要有两个解决办法,一个是简单的清理CPU和散热风扇上的灰尘;另一个就是整个机箱进行一次大清理,将所有硬件拆开分别进行清理,如果没有经验的小白,建议还是交给专业人士操作。

    以上内容均为作者硅谷聊科技原创,图片来自网络,抄袭必究

    举报/反馈

    展开全文
  • 虽然差分电路对于类似地弹以及其它可能存在于电源和地平面上的噪音信号是不敏感的。地平面的部分回流抵消并不代表差分电路就不以参考平面作为信号返回路径,其实在信号回流分析上,差分走线和普通的单端走线的机理是...
  • 虽然差分电路对于类似地弹以及其它可能存在于电源和地平面上的噪音信号是不敏感的。地平面的部分回流抵消并不代表差分电路就不以参考平面作为信号返回路径,其实在信号回流分析上,差分走线和普通的单端走线的机理是...
  • 噪音是液压系统常见故障之一,长期以来液压系统设计者多从消除振动,添加节流阀、脉动消减器,加强维护监控等方面来降低噪音.液压站是工业液压系统的重要组成部分,也是噪音的重要来源.从液压站结构入手,分析液压站噪音...
  • 从官方的解释来看,粉红噪音是自然界最常见噪音,简单说来,粉红噪音的频率分量功率主要分布在中低频段。从波形角度看,粉红噪音是分形的,在一定的范围内音频数据具有相同或类似的能量。从功率(能量)的角度来看,...
  • 关于噪音测试App的选择与使用

    千次阅读 2021-07-23 05:07:37
    很多值友在写使用评测时都会对噪音大小进行测评,噪音污染在生活中无处不在,人们对噪声污染问题也越发地重视。但由于苹果系统和安卓系统上的各种噪音测试app质量参差不齐,所以楼主想通过本文的一些测评说明两个...
  • 能使发动机声音变大的因素有很多,首先先确定一下是否有别的异响还是跟正常工作的声音一样只是音量变大(最好多个转速都测试一下),如果没有别的异响那么有这么几种比较常见的可能,心里作用,发动机及进气道、节气门...
  • 不仅如此,TL431的开态响应速度快输出噪音低,并且价格低廉。因此受到电源工程师和初学者们大力好评。本篇文章主要为大家介绍了TL431的基本应用电路和几种并不常见的接法,并进行了讲解。  图(1)是TL431的典型接...
  • 虽然差分电路对于类似地弹以及其它可能存在于电源和地平面上的噪音信号是不敏感的。地平面的部分回流抵消并不代表差分电路就不以参考平面作为信号返回路径,其实在信号回流分析上,差分走线和普通的单端走线的机理是...
  • 风力发电机常见故障分析国电联合动力风电设备调试所服务部偏航系统 偏航位置不准故障现象风机偏航时显示值与实际偏差原因1 偏航齿圈内可能有异物 2偏航编码器出错排查步骤1 先检查偏航齿圈内是否有异物 2 测试偏航...
  • 对于许多烧友来说,在煲机...粉红噪音(Pink Noise)是自然界最常见噪音,频率分量功率主要分布在中低频段。从波形角度看,粉红噪音是分形的,在一定的范围内音频数据具有相同或类似的能量。从功率(能量)的角度来...
  • 工业视觉 六 图像降噪及3D降噪

    千次阅读 2018-07-25 14:08:07
    图像降噪的本质是:从图像中去掉无关的信号。 假设噪音性质:平均值为零;则可以对像素点周围像素取平均值。 降噪问题(这里只讨论additive noise),用最简单的数学语言...一般图像去噪中常见的噪声有以下几种: ...
  • 如何解决电脑主机噪音

    千次阅读 2021-07-25 08:41:34
    电脑主机用一段时间后,噪音就会变得非常大,很多用户都不知道如何解决。那么如何解决电脑主机噪音大呢?这里学习啦小编就教给大家解决电脑主机噪音大的方法。解决电脑主机噪音大方法首先我们来找找电脑主机噪音来源...
  • 文章目录泊松噪音Knuth算法散列生成算法生成泊松噪音的图像 泊松噪音 Knuth算法 首先,回顾泊松分布的函数: P(x=k)=e−λλkk! P(x=k) = \frac{e^{- \lambda} \lambda ^ k}{k!} P(x=k)=k!e−λλk​ 其中,λ\...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 21,843
精华内容 8,737
关键字:

常见噪音