是的，对于许多感官输入，确实存在类似于标准化的东西。但与最小/最大规范化或其他技术相比，它的反弹与经典数据分析不同。

让我们看一些示例和注意事项：

• 哺乳动物不会以线性方式感知热量或响度。这是因为已经有许多感觉受体具有化学/物理限制。双分贝不会以双倍强度感知。在您的耳朵内，小锤子和 abil 将支撑以保护您。--> 类似于应用对数效应的归一化。

• 与绝对温度测量相比，热感知更像是差异积分。它是通过细胞中线粒体中的 H+ 离子流来测量的（如果我没记错的话）

• 在神经元一侧，树突中的渐进信号（模拟信号）逐渐叠加，然后在轴突山上形成一个尖峰。然后依次对火灾频率进行编码-其最大频率用作自然最大限制。我记得当物体开始覆盖它们“眼睛”上的更多小眼区域时，蚱蜢会增加轴突射击频率。他们的“眼睛”被阴影覆盖的越多，神经元上的输入就越多——>射速越高。

• 许多感觉输入在较高的大脑区域进行后处理。例如。与预期相比，启发式方法用于将信号与以前的事件进行比较。

• 在进行计算数据分析时，我们可能希望获得准确性和最大的可比性。主要是关于所有可能可用的数据。--> 例如。关于标准正态分布的性质。因此，我们努力做到准确并了解真实参数，去除异常值等等 --> 大数据在这里发挥作用。相比之下，大自然经常通过以最少的资源达到最低要求的手段来争取效率。

总结： 与分析意义上的归一化（例如均值、最小值-最大值或其他特征归一化技术）相比，大自然通常只对刺激之间的当前差异感兴趣。这仅在某些相关范围内。其他信息未整合。以使测量点具有可比性为目标的归一化只发生在传感器/神经元/受体提供的映射函数的这个范围内！

所以这也应该回答你的问题，为什么一段时间后你在城市里没有闻到什么东西。然而，这肯定会发生在较高的大脑区域（也可能是你的嗅觉感受器饱和），其原理相同。你的意识只是通过不专注于无论如何都不会改变的事情来节省能量。

如果您想阅读更多内容，请查看此处：https ://en.wikipedia.org/wiki/Weber%E2%80%93Fechner_law