精华内容
下载资源
问答
  • 红外定量分析的准确度灵敏度
  • 基因芯片检测乙肝病毒分型耐药突变的准确度灵敏度分析.pdf
  • 这几个概念中,灵敏度是仅对实验仪器而言的,精确度仅对测量而言,而精密度和准确度既是对仪器、又是对测量而言的。根据这些概念的意义和作用,现从以下两个方面作分析和说明。  一、衡量测量仪器的品质   1、...

        在物理量的测量中灵敏度、精密度、准确度和精确度是经常用到,然而又是很容易混淆的几个概念。这几个概念中,灵敏度是仅对实验仪器而言的,精确度仅对测量而言,而精密度和准确度既是对仪器、又是对测量而言的。根据这些概念的意义和作用,现从以下两个方面作分析和说明。

     一、衡量测量仪器的品质 

        1、灵敏度:指仪器测量最小被测量的能力。所测的最小值越小,该仪器的灵敏度就越高。

        灵敏度一般是对天平和电气仪表而言的,对直尺、游标卡尺、螺旋测微器、秒表等则无所谓灵敏度。

        比如天平的灵敏度越高,每格毫克数就越小,即天平指针从平衡位置转到刻度盘一分度所需的质量就越小。

        又如多用表表盘上标的数字“20kΩ/V”就是表示灵敏度的,它表示在电表两端加1V的电压时,使指针满偏所要求电表的总内阻RV(表头内阻和附加内阻之和)为20kΩ。这个数字越大,灵敏度越高。这是因为U=IgRV,即RV/U=1/Ig,显然当RV/U越大,说明满偏电流Ig越小,灵敏度便越高。  

        仪器的灵敏度也不是越高越好,因为灵敏度过高,测量时的稳定性就越差,甚至不易测量,即准确度就差,因此在保证准确性的前提下,灵敏度也不宜要求过高。

        2、准确度:是对电气仪表而言的,对其他仪器无所谓准确度。  

        仪器的准确度一般是以准确度等级来表示的,如电表的准确度等级是指在规定条件下测量,当它指针满偏时出现的最大相对误差的百分比数值。

        某电表的准确度是2.5级,其意义是指相对误差不超过满偏度的2.5%,即仪器绝对误差=量程×准确度。如量程为0.6A的直流电流表,其最大绝对误差=0.6A×2.5%=0.015A。显然用同一电表的不同量程测量同一被测量时,其最大绝对误差是不相同的,因此使用电表时,就存在一个选择适当量程挡的问题。 

        3、精密度:又简称精度,是指仪器的构造的精细和致密程度,一般指仪器的最小分度值。

        一般仪器都存在精度问题。如刻度尺的最小分度为1mm,其精度就是1mm;水银温度计的最小分度为0.20C,其精度就是0.20C。

        仪器的最小分度越小,其精度就越高,灵敏度也就越高。比如精度为0.10C的温度计就比最小分度为0.20C的温度计灵敏度和精密度都要高。

        在正常使用情况下,仪器的精度高,准确度也就高。这表明仪器的精度是准确度的前提,有什么样的准确度,也就要求有什么样的精度相适应。这正是人们常用精密度来描述仪器准确度的原因。  

        但是,仪器的精度并不能完全反映其准确度,例如一台一定规格的电压表,其内部的附加电阻变质,使其实际准确度下降了,但精度却不变。可见精度与准确度是有区别的。  

     

    二、评价测量结果的优劣 

        1、精密度:测量的精密度是指在进行某一量的测量时,各次测量的数据大小彼此接近的程度,它是偶然误差的反映。

          测量精密度高,说明各测量数据比较接近和集中。但由于系统误差情况不确定,故测量精密度高不一定测量准确度就高。

        2、准确度:测量的准确度是指测量数据的平均值偏离真实值的程度,它是系统误差的反映。

          测量的准确度高,说明测量的平均值与真实值偏离较小。

          但由于偶然误差情况不确定,即数据不一定都集中于真实值附近,可能是分散的。故测量准确度高不一定测量精密度高。 

        3、精确度:测量的精确度是指测量数据集中于真实值附近的程度。

          测量的精确度高,说明测量的平均值接近真实值,且各次测量数据又比较集中,即测量的系统误差和偶然误差都比较小,测量得既准确又精密。因此,测量的精确度才是对测理结果的综合评价。  

        4、分辨率:是指检测仪表能够精确检测出被测量的最小变化的能力。 精度是用来描述物理量的准确程度的,而分辨率是用来描述刻度划分的

    展开全文
  • 影像组学视频学习笔记(25)-查看准确度灵敏度、特异度及混淆矩阵、Li‘s have a solution and plan..pdf
  • 图像分割质量得分让您评估图像分割质量得分,例如TP,FP,TN,FN,准确度灵敏度,精度,MCC,Dice,Jaccard =============================================== Dang NH Thanh版权所有2019。 电子邮件:thanh.dnh....
  • 通过增加敏感性特异性计算来修改来自 MR QIN-YU ZHU DR GUANG-BIN HUANG 的极限学习机代码
  •  召回率是覆盖面的度量,度量有多个正例被分为正例,recall=TP/(TP+FN)=TP/P=sensitive,可以看到召回率与灵敏度是一样的。  7)其他评价指标  计算速度:分类器训练预测需要的时间;  鲁棒性:处理缺失值...

    转自:http://www.cnblogs.com/zhizhan/p/4870429.html

    一、引言

      分类算法有很多,不同分类算法又用很多不同的变种。不同的分类算法有不同的特定,在不同的数据集上表现的效果也不同,我们需要根据特定的任务进行算法的选择,如何选择分类,如何评价一个分类算法的好坏,前面关于决策树的介绍,我们主要用的正确率(accuracy)来评价分类算法。

      正确率确实是一个很好很直观的评价指标,但是有时候正确率高并不能代表一个算法就好。比如某个地区某天地震的预测,假设我们有一堆的特征作为地震分类的属性,类别只有两个:0:不发生地震、1:发生地震。一个不加思考的分类器,对每一个测试用例都将类别划分为0,那那么它就可能达到99%的正确率,但真的地震来临时,这个分类器毫无察觉,这个分类带来的损失是巨大的。为什么99%的正确率的分类器却不是我们想要的,因为这里数据分布不均衡,类别1的数据太少,完全错分类别1依然可以达到很高的正确率却忽视了我们关注的东西。接下来详细介绍一下分类算法的评价指标。

    二、评价指标

      1、几个常用的术语

      这里首先介绍几个常见的模型评价术语,现在假设我们的分类目标只有两类,计为正例(positive)和负例(negtive)分别是:

      1)True positives(TP):  被正确地划分为正例的个数,即实际为正例且被分类器划分为正例的实例数(样本数);

      2)False positives(FP): 被错误地划分为正例的个数,即实际为负例但被分类器划分为正例的实例数;

      3)False negatives(FN):被错误地划分为负例的个数,即实际为正例但被分类器划分为负例的实例数

           4)True negatives(TN): 被正确地划分为负例的个数,即实际为负例且被分类器划分为负例的实例数。  ​

     

      上图是这四个术语的混淆矩阵,我只知道FP叫伪阳率,其他的怎么称呼就不详了。注意P=TP+FN表示实际为正例的样本个数,我曾经误以为实际为正例的样本数应该为TP+FP,这里只要记住True、False描述的是分类器是否判断正确,Positive、Negative是分类器的分类结果。如果正例计为1、负例计为-1,即positive=1、negtive=-1,用1表示True,-1表示False,那么实际的类标=TF*PN,TF为true或false,PN为positive或negtive。例如True positives(TP)的实际类标=1*1=1为正例,False positives(FP)的实际类标=(-1)*1=-1为负例,False negatives(FN)的实际类标=(-1)*(-1)=1为正例,True negatives(TN)的实际类标=1*(-1)=-1为负例。

      2、评价指标

      1)正确率(accuracy)

      正确率是我们最常见的评价指标,accuracy = (TP+TN)/(P+N),这个很容易理解,就是被分对的样本数除以所有的样本数,通常来说,正确率越高,分类器越好;

      2)错误率(error rate)

      错误率则与正确率相反,描述被分类器错分的比例,error rate = (FP+FN)/(P+N),对某一个实例来说,分对与分错是互斥事件,所以accuracy =1 -  error rate;

      3)灵敏度(sensitive)

      sensitive = TP/P,表示的是所有正例中被分对的比例,衡量了分类器对正例的识别能力;

      4)特效度(specificity)

      specificity = TN/N,表示的是所有负例中被分对的比例,衡量了分类器对负例的识别能力;

      5)精度(precision)

      精度是精确性的度量,表示被分为正例的示例中实际为正例的比例,precision=TP/(TP+FP);

      6)召回率(recall)

      召回率是覆盖面的度量,度量有多个正例被分为正例,recall=TP/(TP+FN)=TP/P=sensitive,可以看到召回率与灵敏度是一样的。

      7)其他评价指标

    •        计算速度:分类器训练和预测需要的时间;
    •        鲁棒性:处理缺失值和异常值的能力;
    •        可扩展性:处理大数据集的能力;
    •        可解释性:分类器的预测标准的可理解性,像决策树产生的规则就是很容易理解的,而神经网络的一堆参数就不好理解,我们只好把它看成一个黑盒子。

      对于某个具体的分类器而言,我们不可能同时提高所有上面介绍的指标,当然,如果一个分类器能正确分对所有的实例,那么各项指标都已经达到最优,但这样的分类器往往不存在。比如我们开头说的地震预测,没有谁能准确预测地震的发生,但我们能容忍一定程度的误报,假设1000次预测中,有5次预测为发现地震,其中一次真的发生了地震,而其他4次为误报,那么正确率从原来的999/1000=99.9%下降到996/1000=99.6,但召回率从0/1=0%上升为1/1=100%,这样虽然谎报了几次地震,但真的地震来临时,我们没有错过,这样的分类器才是我们想要的,在一定正确率的前提下,我们要求分类器的召回率尽可能的高。

     

    http://blog.sciencenet.cn/blog-460603-785098.html

    分类是一种重要的数据挖掘算法。分类的目的是构造一个分类函数或分类模型(即分类器),通过分类器将数据对象映射到某一个给定的类别中。分类器的主要评价指标有准确率(Precision)、召回率(Recall)、Fb-score、ROC、AOC等。在研究中也有采用Accuracy(正确率)来评价分类器的。但准确率和正确率这两个概念经常有人混了。【没有耐心看下面内容的博友请看最后的结论】

    准确率(Precision) 和召回率(Recall)是信息检索领域两个最基本的指标。准确率也称为查准率,召回率也称为查全率。它们的定义如下:

    Precision=系统检索到的相关文件数量/系统检索到的文件总数量

    Recall=系统检索到的相关文件数量/系统所有相关文件数量

    Fb-score是准确率和召回率的调和平均:Fb=[(1+b2)*P*R]/(b2*P+R),比较常用的是F1

    在信息检索中,准确率和召回率是互相影响的,虽然两者都高是一种期望的理想情况,然而实际中常常是准确率高、召回率就低,或者召回率低、但准确率高。所以在实际中常常需要根据具体情况做出取舍,例如对一般搜索的情况是在保证召回率的情况下提升准确率,而如果是疾病监测、反垃圾邮件等,则是在保证准确率的条件下,提升召回率。但有时候,需要兼顾两者,那么就可以用F-score指标。

    ROC和AUC是评价分类器的指标。ROC是受试者工作特征曲线 receiver operating characteristic curve ) 的简写,又称为感受性曲线(sensitivity curve)。得此名的原因在于曲线上各点反映着相同的感受性,它们都是对同一信号刺激的反应,只不过是在几种不同的判定标准下所得的结果而已[1]。ROC是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系,它通过将连续变量设定出多个不同的临界值,从而计算出一系列敏感性和特异性,再以敏感性为纵坐标、(1-特异性)为横坐标绘制成曲线。AUC是ROC曲线下面积(Area Under roc Curve)的简称,顾名思义,AUC的值就是处于ROC curve下方的那部分面积的大小。通常,AUC的值介于0.5到1.0之间,AUC越大,诊断准确性越高。在ROC曲线上,最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。

    为了解释ROC的概念,让我们考虑一个二分类问题,即将实例分成正类(positive)或负类(negative)。对一个二分问题来说,会出现四种情况。如果一个实例是正类并且也被预测成正类,即为真正类(True positive),如果实例是负类被预测成正类,称之为假正类(False positive)。相应地,如果实例是负类被预测成负类,称之为真负类(Truenegative),正类被预测成负类则为假负类(falsenegative)。列联表或混淆矩阵如下表所示,1代表正类,0代表负类。

    定义敏感性指标为:sensitivity=TP/(TP+FN)。敏感性指标又称为真正类率(truepositive rate ,TPR),刻画的是分类器所识别出的正实例占所有正实例的比例。

    定义负正类率(false positive rate, FPR),计算公式为:FPR=FP/(FP+TN).负正类率计算的是分类器错认为正类的负实例占所有负实例的比例

    定义特异性指标为:Specificity=TN/(FP+TN)=1-FPR。特异性指标又称为真负类率(True Negative Rate,TNR)。

    我们看,实际上,敏感性指标就是召回率,特异性指标=1-FPR。

    ROC曲线由两个变量绘制。横坐标是1-specificity,即负正类率(FPR),纵坐标是 Sensitivity,即真正类率(TPR)。

    在此基础上,还可以定义正确率(Accuracy)和错误率(Error)。 Accuracy=(TP+TN)/(TP+FP+TN+FN) , Error= (FP+FN)/(TP+FP+TN+FN)。如果把预测为1看作检索结果,则准确率Precision= TP/(TP+FP)。

    结论:

    分类正确率(Accuracy),不管是哪个类别,只要预测正确,其数量都放在分子上,而分母是全部数据数量,这说明正确率是对全部数据的判断。而准确率在分类中对应的是某个类别,分子是预测该类别正确的数量,分母是预测为该类别的全部数据的数量。或者说,Accuracy是对分类器整体上的正确率的评价,而Precision是分类器预测为某一个类别的正确率的评价。

     

    https://argcv.com/articles/1036.c

    自然语言处理(ML),机器学习(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。

    本文将简单介绍其中几个概念。中文中这几个评价指标翻译各有不同,所以一般情况下推荐使用英文。

    现在我先假定一个具体场景作为例子。

    假如某个班级有男生80人,女生20人,共计100人.目标是找出所有女生.现在某人挑选出50个人,其中20人是女生,另外还错误的把30个男生也当作女生挑选出来了.作为评估者的你需要来评估(evaluation )下他的工作。

    首先我们可以计算准确率(accuracy),其定义是: 对于给定的测试数据集,分类器正确分类的样本数与总样本数之比。也就是损失函数是0-1损失时测试数据集上的准确率[1].

    这样说听起来有点抽象,简单说就是,前面的场景中,实际情况是那个班级有男的和女的两类,某人(也就是定义中所说的分类器)他又把班级中的人分为男女两类。accuracy需要得到的是此君分正确的人总人数的比例。很容易,我们可以得到:他把其中70(20女+50男)人判定正确了,而总人数是100人,所以它的accuracy就是70 %(70 / 100).

    由准确率,我们的确可以在一些场合,从某种意义上得到一个分类器是否有效,但它并不总是能有效的评价一个分类器的工作。举个例子,google抓取了argcv 100个页面,而它索引中共有10,000,000个页面,随机抽一个页面,分类下,这是不是argcv的页面呢?如果以accuracy来判断我的工作,那我会把所有的页面都判断为"不是argcv的页面",因为我这样效率非常高(return false,一句话),而accuracy已经到了99.999%(9,999,900/10,000,000),完爆其它很多分类器辛辛苦苦算的值,而我这个算法显然不是需求期待的,那怎么解决呢?这就是precision,recall和f1-measure出场的时间了.

    在说precision,recall和f1-measure之前,我们需要先需要定义TP,FN,FP,TN四种分类情况.按照前面例子,我们需要从一个班级中的人中寻找所有女生,如果把这个任务当成一个分类器的话,那么女生就是我们需要的,而男生不是,所以我们称女生为"正类",而男生为"负类".

    通过这张表,我们可以很容易得到这几个值:TP=20,    FP=30,     FN=0TN=50

    精确率(precision)的公式是P=TPTP+FP,它计算的是所有被检索到的item中,"应该被检索到"的item占的比例。

    在例子中就是希望知道此君得到的所有人中,正确的人(也就是女生)占有的比例.所以其precision也就是40%(20女生/(20女生+30误判为女生的男生)).

    召回率(recall)的公式是R=TPTP+FN,它计算的是所有检索到的item占所有"应该检索到的item"的比例。

    在例子中就是希望知道此君得到的女生占本班中所有女生的比例,所以其recall也就是100%(20女生/(20女生+ 0 误判为男生的女生))

    F1值就是精确值和召回率的调和均值,也就是2F1=1P+1R

    调整下也就是F1=2PRP+R=2TP2TP+FP+FN

    例子中 F1-measure 也就是约为 57.143%(2∗0.4∗10.4+1).

    需要说明的是,有人[2]列了这样个公式Fa=(a2+1)PRa2(P+R) ,F-measure一般化.

    F1-measure认为精确率和召回率的权重是一样的,但有些场景下,我们可能认为精确率会更加重要,调整参数a,使用Fa-measure可以帮助我们更好的evaluate结果.

    话虽然很多,其实实现非常轻松,点击此处:https://github.com/argcv/argcv/blob/master/argcv/ml/aprf.hh

    可以看到我的一个简单的实现.

    展开全文
  • 交流电桥是测量交流元件参数的一种常用仪器,交流电桥的灵敏度对各测量量的的准确值有着重要的影响,在实验中为了更准确地测出各测量量,就应选择灵敏度高的测量电路。  1 交流电桥灵敏度问题  下图为交流电桥...
  • 一项诊断试验需要具备能正确的鉴别患病未患病的能力,以反映患病实际情况的准确程度,这其中涉及到几个重要概念:灵敏度(sensitivity)、特异度(specificity)、准确度(accuracy)、阳性预测值以及阴性预测值...

    在临床上经常会用到诊断试验的手段,用于疾病诊断、病人随访或疗效监测等。判断某一诊断试验的结果是否真实、可靠,是否具有实用性,从而确定合理的医疗决策。

           一项诊断试验需要具备能正确的鉴别患病和未患病的能力,以反映患病实际情况的准确程度,这其中涉及到几个重要概念:灵敏度(sensitivity)、特异度(specificity)、准确度(accuracy)、阳性预测值以及阴性预测值。

          希望大家能够准确理解以上5个重要指标,并通过以下模拟试题练习加深理解。

          模拟试题:一项胃癌临床诊断试验受试人数是200人,实际情况为50人患胃癌,150人正常;诊断结果显示,有160人正常,40人诊断为胃癌,而这40人当中实则仅有35人真正患癌。请根据数据判断该项诊断试验的灵敏度(sensitivity)、特异度(specificity)、准确度(accuracy)、阳性预测值以及阴性预测值。

          其实,这5个指标在也适用于评价我们call变异所用的软件效能。比如:全基因组测序进行SNV检测时使用了2个软件: GATK和MuTect,共检出1300个变异,其中GATK检出1000个SNV,MuTect检出1100个SNV,共有SNV是800个;经过目标区域测序进行验证后,发现共有的800个突变均得到验证, GATK特有的SNV有80个得到验证,MuTect特有的SNV有150个得到验证(假定经过目标区域测序验证成功的SNV即为真实存在的突变) 。请计算MuTect软件的以上5个指标。

    灵敏度(Sensitivity,也称为真阳性率)是指实际为阳性的样本中,判断为阳性的比例(例如真正有生病的人中,被医院判断为有生病者的比例),计算方式是真阳性除以真阳性+假阴性(实际为阳性,但判断为阴性)的比值(能将实际患病的病例正确地判断为患病的能力,即患者被判为阳性的概率);

    特异度(Specificity,也称为真阴性率)是指实际为阴性的样本中,判断为阴性的比例(例如真正未生病的人中,被医院判断为未生病者的比例),计算方式是真阴性除以真阴性+假阳性(实际为阴性,但判断为阳性)的比值(能正确判断实际未患病的病例的能力,即试验结果为阴性的比例)。

    阳性预测值是指真阳性人数占试验结果阳性人数的百分比,表示试验结果阳性者属于真病例的概率。

    阴性预测值是指真阴性人数占试验结果阴性人数的百分比,表示试验结果阴性者属于非病例的概率。

    准确度(accuracy)也称效率(efficiency),用真阳性与真阴性人数之和占受试人数的百分率表示。

    灵敏度= a/(a+c)×100%

    特异度=d/(b+d)×100%

    阳性预测值=a/(a+b)×100%

    阴性预测值=d/(c+d)×100%

    准确度=(a+d)/n×100%

    模拟题1为基础题,意在帮助大家理解概念,而在实际情况中我们遇到的情况可能就是类似于模拟题2的情境。准确把握真实值和试验值,画出四格表是关键,然后就可以代入公式啦~

    模拟题1较为简单,四格表如下:

     
    疾病
    阳性
    阴性
    试验结果
    阳性
    真阳性   35    a
    假阳性 5      b
    阴性
    假阴性    15    c
    真阴性 145     d

    模拟题2首先要画出MuTect 软件和GATK软件变异检出情况(文恩图),则理解起来更容易。

    针对于MuTect软件的变异检出画四格表,如下:

     

     

     真变异
    阳性阴性
    MuTect检测结果阳性真阳性    950     a假阳性 150      b
    阴性假阴性   80     c真阴性 120       d

    转载于:https://www.cnblogs.com/xiaofeiIDO/p/8366360.html

    展开全文
  • 此代码是为两个或多个类实例混淆矩阵的形成计算而设计的1准确度2.错误3.灵敏度(召回率或真阳性率) 4.特异性5.精密6.FPR-假阳性率7.F_score 8.MCC-Matthews相关系数9.kappa-Cohen's kappa 运行demo.m进行证明...
  • 准确测量激光接收设备的检测灵敏度非常重要。 在传统的检测概率曲线测试方法的基础上,提出了一种通过逐一测量激光脉冲进行工作的新测试方法。 构建了精确的测量系统以提高激光能量测量能量调节的准确性。 提出了...
  • 利用隐含层节点输出和相对应的输出层权值向量, 定义学习残差对于隐含层节点的灵敏度和网络规模适应度, 根据灵敏度大小判断隐含层节点的重要性, 利用网络规模适应度确定隐含层节点个数, 删除重要性较低的节点....
  • mic的灵敏度和声音的大小

    万次阅读 2015-10-14 11:18:16
    mic的灵敏度和声音的大小  我对于mic的灵敏度一直无法说出其准确定义的表述。我看过mic的sepc上面都是标注的负的多少dB,比如-42dB。所以我一直认为-30dB的mic的灵敏度比-42dB的mic的灵敏度要高,也就是负数比较...
    今天查看麦克风的一些资料,发现这个博客写得很好,不知道这样转载是否可以。
     
    mic的灵敏度和声音的大小
             我对于mic的灵敏度一直无法说出其准确定义的表述。我看过mic的sepc上面都是标注的负的多少dB,比如-42dB。所以我一直认为-30dB的mic的灵敏度比-42dB的mic的灵敏度要高,也就是负数比较大小。然后我认为对应到声音大小,灵敏度为-30dB的mic要比灵敏度为-42dB的mic声音要大。而且我遇到的实例是,主板mic灵敏度为-42dB,耳机mic灵敏度为-30dB,后者发送到通话对端的声音明显大很多。 [52RD.com]
            但是我在读论坛中“ 关于echo 的个人总结,以及讨论 ”帖子时,看到把灵敏度范围写为“mic的灵敏度不要太高。35dB---44dB已经够用”,这样理解是35dB的mic灵敏度要小,对应声音效果也要小。跟贴中也没有人提出异议。所以这里提出两个问题,还请高手给出解释,多谢。 [52RD.com]
    1 mic的灵敏度定义的表述。 [52RD.com]
    2 mic的灵敏度和声音大小的关系。到底是-30dB的mic的声音大,还是-42dB的mic的声音大。 [
    发贴心情 
    麦克风灵敏度的定义是馈给1pa(94dB)的声压时,麦克风输出端的电压(dBV)。
    所以-30dBV/Pa的麦克风的灵敏度比-42dBV/Pa的麦克要高很多。
     

    MIC灵敏度是指输出电压同麦克风所受声压得复数比。通常情况下定义传声器在1帕声压时输出端的输出电压为1V时的灵敏度为0dB。麦克风的灵敏度就是以这个标准为基准得出的一个相对值:Lm=20lgVm/Vs,Vs=1v,Vm为麦克风在1帕时输出的电压。
    另外,麦克风的灵敏度的dB通常是指dB/V,除此之外,还有一个单位也是简称dB的,即dB/bar,两者之间的关系是-30dB/bar=-50dB/V,
    通常情况下,耳机上用的麦克风的灵敏度不能太高,一般是在-50dB/V以下,故楼主所说的可能的一种情况是主板MIC为-42dB/V,耳机上的MIC为-30dB/bar,
     
    多谢两位的解答。那么从定义来看,我的第二个问题是可以解答的。-30dB的mic在1帕声压时输出端的输出电压肯定比-40dB的mic在1帕声压时输出端的输出电压要大,那么在其他条件相同的情况下,通话对端接收到声音也要大些。可以这样推断吗?
                我们的那款-30dB的mic的耳机的确声音很大,通话双方都在屋内,5m之外的另一间房间的人讲话都能由耳机的mic拾取到,也就是通话对端的receiver里都能听到另一间房间的人讲话。一旦通话对端使用免提则产生严重的啸叫。当然啸叫的原因不全部在于耳机mic灵敏度太大,双方都用免提时,我们的手机有的时候也会产生啸叫(好像是两部手机距离较近时易发生)。
                我们的另一款耳机的mic是-40dB的,也不在3楼朋友所说的“通常情况下,耳机上用的麦克风的灵敏度不能太高,一般是在-50dB/V以下”情况里,这款耳机使用起来没有啸叫的毛病。但我还是对您的经验有点保留意见,对这点我会留意并总结规律。
     
    楼上讲到的用-30dB的MIC系统在通话中会产生啸叫的情况,原因除了是双方都使用免提功能外,还有一个原因就是整个系统缺少增益控制,形成正反馈回路引起啸叫,解决方法之一就是在MIC后加限幅器,对过大的信号进行控制,或者直接换成灵敏度稍低的MIC,还有一个方案就是使用单指向型MIC,使用这种MIC可以明显的减少啸叫的发生。
     
    -42dB的mic灵敏度高


    上面说得萧叫是太近了    很多手机近了都会有萧叫的何况免提
     
    是因为side tone得原因,MIC和SPEAKER形成回路产生啸叫
     
    对于SPEAKER 1pa为94db,对于MIC 1pa应该为0db
     
    因为一般厂家测试MIC的标准条件是:at1KHZ, 2.2k,DC4.5V所测得的dB数,如果条件不同,MIC的灵敏度是不一样的。
     
    发贴心情 
    MIC灵敏度是指在单位声压强度下所产生的信号电强度,用DBV表示。
    单位声压绝对值为1PA,相对值为94DB(也有用加权的,94DBA),其中基准压强为2X10-5PA。

    现在大多产家是按这个来定义的,所以-40DB的比-30DB的灵敏度高。

    MIC灵敏度是固定指标,是指在标准偏置下测出的。产商可改变工艺或者材料来提高。用户在使用中不可降低,如果用户偏置不正确,会产生失真和带宽挤压,表现为灵敏度降低。

    你所说的啸叫问题,应该不是MIC灵敏度问题。因为在HF MODE是半双工模式,侧间会被消除。如果在TEST MODE仍是全双工所以会正反馈。

    消除啸叫常有,降低声音强度(SPEAKER输出),结构调整(MIC和SPEAKER),加MUTE,密封,降噪等方法消除。
    灵敏度

     

    灵敏度是话筒在单位声压激励下输出电压与输入声压的比值,其单位是mV/Pa。为与电路中电平的度量一致,灵敏度也可以分贝值表示。早期分贝多以单位dBmdBV表示:

     

    0dBm=1mW/Pa,即把1Pa输入声压下给600Ω负载带来的1mW功率输出定义为0dB

     

    0dBV=1V/μ?bar,把在1μbar输入声压下产生的1V电压输出定义为0dB

     

    现在的分贝则以单位dBμ表示:

     

    0dBμ=0.775V/Pa,即将1Pa输入声压下话筒0.775V电压输出定义为0dB (这样就把话筒声压-电压转换后的电平度量,统一到电路中普遍采用的0dBμ= 0.775V这一参考单位)

     

    显然,不论灵敏度如何表示,我们都可将它转换为dBμ,前提是行输入统一到Pa这个单位

    (自己注:这里补充一点:1 Pa=10?μbar,后面的计算中有用到这个公式)
     

    例如:NEUMANN U89话筒的灵敏度8mV/Pa,可直接由

     

    20lg[(0.008V/Pa)÷(0.775V/Pa)]

     

    得出其灵敏度约为-40dBμ。

     

     

    再如:AKG C414话筒的灵敏度-60dBV,由

     

    0dBV=1V/μbar=10V/Pa

    (此处用到之前提到的公式:1 Pa=10?μbar)

     

    先求出1Pa声压下-60dBV的输出电压X

     

    20lg[(X V/Pa)÷(10V/Pa)]=-60

     

    得出X=0.01(V),即它的灵敏度10mV/Pa。再由式

     

    20lg[(0.01V/Pa)÷(0.775V/Pa)]

     

    可得其灵敏度约为-37dBμ。

     

    好的,看了上面这两个例子,下面我们自己也来动手算一算416的灵敏度哈哈

    首先下载一下416的一份产品介绍书,(点击右键另存)出自sennheiser官方网站?

    打开之后看到介绍,上面写着416的sensitivity (free field,no load) 25 mV/Pa ± 1 dB at 1 kHz

    套用前面的公式

    20lg[(0.025V/Pa)÷(0.775V/Pa)]=-69dBμ

    展开全文
  • 利用该方法对NXPLG2XM芯片Impinj—Monza3芯片在800-1000 MHz频段内灵敏度进行测试,并将测试结果与datasheet进行对照,分析误差产生的原因,最终证明此方法的准确性。该测试方法采用常规仪器对800-1000 MHz频段内...
  • 精确度,准确度,精密度关系

    千次阅读 2020-11-23 23:51:20
    精度:一般指的是传感器回读的数据绝对温度/压力的差值 分辨率:传感器可以感知最小温度/压力的数值 国产规定:A级:不大于±(0.15℃+0.002*传感器量程) B级:不大于±(0.30℃+0.005*传感器量程) ...
  • 依据车架结构的灵敏度分析结果来选择设计变量,在保证车架低阶模态频率的前提下,以车架轻量化为目标优化车架构件厚度,实现了车架质量8.0%的降低幅度;在控制车架质量的条件下,以提高车架低阶模态频率为目标,实现了车架...
  • 【PEST++】02 新安江模型参数自动率定 【PEST++】03 水文模型不确定性和灵敏度分析 【PEST++】04 用户手册笔记 一、绪论 1.1 水文预报不确定性的分类 1.1.1 水文现象不确定性 水文过程在其发生、发展演变过程中受...
  • 通过研究零值分析的基本原理与故障灵敏度分析的本质,提出了针对现有并发错误检测机制安全性的通用评估模型。为减小攻击分析的复杂度,提出了一套完整的区分模型选取准则。为验证提出的故障灵敏度零值分析方法的高效...
  • 传感器灵敏度,精度分辨率的区别   如果传感器特指压力传感器的情况下: 灵敏度:指传感器在稳态工作情况下输出量变化△y对输入量变化△x的比值,即输出、输入量的量纲之比。例如,某位移传感器,在位移变化...
  • 射频 - 灵敏度

    千次阅读 2019-11-21 11:11:10
    灵敏度是一个规格指示器,显示设备接收信号的程度,并在“令人满意的错误率”内对其进行解码。 (“令人满意的错误率”的错误率应该有多低,通常由每个应用自己的规范定义)。灵敏度以功率电平(例如,-100dBm)表示...
  • 通过熟练地利用全基因组索引GPU上的动态编程,它在速度和灵敏度方面都提高了SOAP3。 SOAP3被限制为最多找到4个不匹配的对齐方式,而SOAP3-dp可以找到涉及不匹配,INDEL小间距的对齐方式。 从SOAP3到SOAP3-dp,...
  • 最近在很多工程师交流的时候发现很多人由于对灵敏度、精度、分辨率的概念模糊不清常常导致答非所问,为此自己也查了下资料做了详细的总结,备需。 灵敏度 灵敏度是指在稳态工作的情况下输出变量△y对输入变量△x的...
  • 讨论了起重臂在弯曲刚度扭转刚度失效模式下的可靠性灵敏度设计问题。推导出两种失效模式下结构的系统可靠性灵敏度公式;解决了不同失效模式间基本随机变量不一致的问题;编写了相应的计算机程序,能够迅速准确地...
  • 影响摄像头移动侦测灵敏度因素

    千次阅读 2019-02-15 21:48:31
    1、漏报与误报概念 移动侦测:IPC(网络摄像头)监控过程中检测到画面中存在变动即会报警提示,是一个监控过程是在...同理IPC也无法做到绝对意义上的准确判断,算法设计上只能符合大多数人主观的感觉习惯,因此...
  • 通过人工神经网络算法与参数灵敏度分析的结合,找到了一种新的工程系统功能模拟变化分析方法。神经网络可以有效地解决复杂、非线性系统的功能模拟问题,其传递函数的可微性为参数灵敏度矩阵的求解提供了保证,从而...
  • 在最优化方法中经常利用灵敏度分析来研究原始数据不准确或发生变化时最优解的稳定性。通过灵敏度分析还可以决定哪些参数对系统或模型有较大的影响。 因此,灵敏度分析几乎在所有的运筹学方法以及在对各种方案进行...
  • 特异度(specificity)与灵敏度(sensitivity)

    万次阅读 多人点赞 2018-01-13 14:11:11
    在论文阅读的过程中,经常遇到使用特异性(specificity)和灵敏度(sensitivity)这两个指标来描述分类器的性能。对这两个指标表示的含有一些模糊,这里查阅了相关资料后记录一下。 基础知识 考虑一个二分类的...
  • 计算特异性和灵敏度95%CI

    千次阅读 2019-06-04 22:00:42
    计算网站 计算说明

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 13,194
精华内容 5,277
关键字:

准确度和灵敏度