基于MATLAB的BP神经网络进行语音特征信号分类

基于MATLAB的BP神经网络进行语音特征信号分类

1、内容简介

略 467-可以交流、咨询、答疑

2、内容说明

略

3、仿真分析

%% 该代码为基于BP网络的语言识别

%% 清空环境变量 clc clear

%% 训练数据预测数据提取及归一化

%下载四类语音信号 load data1 c1 load data2 c2 load data3 c3 load data4 c4

%四个特征信号矩阵合成一个矩阵 data(1:500,:)=c1(1:500,:); data(501:1000,:)=c2(1:500,:); data(1001:1500,:)=c3(1:500,:); data(1501:2000,:)=c4(1:500,:);

%从1到2000间随机排序 k=rand(1,2000); [m,n]=sort(k);

%输入输出数据 input=data(:,2:25); output1 =data(:,1);

%把输出从1维变成4维 output=zeros(2000,4); for i=1:2000     switch output1(i)         case 1             output(i,:)=[1 0 0 0];         case 2             output(i,:)=[0 1 0 0];         case 3             output(i,:)=[0 0 1 0];         case 4             output(i,:)=[0 0 0 1];     end end

%随机提取1500个样本为训练样本，500个样本为预测样本 input_train=input(n(1:1500),:)'; output_train=output(n(1:1500),:)'; input_test=input(n(1501:2000),:)'; output_test=output(n(1501:2000),:)';

%输入数据归一化 [inputn,inputps]=mapminmax(input_train);

%% 网络结构初始化 innum=24; midnum=25; outnum=4;

%权值初始化 w1=rands(midnum,innum); b1=rands(midnum,1); w2=rands(midnum,outnum); b2=rands(outnum,1);

w2_1=w2;w2_2=w2_1; w1_1=w1;w1_2=w1_1; b1_1=b1;b1_2=b1_1; b2_1=b2;b2_2=b2_1;

%学习率 xite=0.1; alfa=0.01; loopNumber=10; I=zeros(1,midnum); Iout=zeros(1,midnum); FI=zeros(1,midnum); dw1=zeros(innum,midnum); db1=zeros(1,midnum);

%% 网络训练 E=zeros(1,loopNumber); for ii=1:loopNumber     E(ii)=0;     for i=1:1:1500        %% 网络预测输出          x=inputn(:,i);         % 隐含层输出         for j=1:1:midnum             I(j)=inputn(:,i)'*w1(j,:)'+b1(j);             Iout(j)=1/(1+exp(-I(j)));         end         % 输出层输出         yn=w2'*Iout'+b2;                 %% 权值阀值修正         %计算误差         e=output_train(:,i)-yn;              E(ii)=E(ii)+sum(abs(e));                  %计算权值变化率         dw2=e*Iout;         db2=e';                  for j=1:1:midnum             S=1/(1+exp(-I(j)));             FI(j)=S*(1-S);         end               for k=1:1:innum             for j=1:1:midnum                 dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4));                 db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4));             end         end                     w1=w1_1+xite*dw1';         b1=b1_1+xite*db1';         w2=w2_1+xite*dw2';         b2=b2_1+xite*db2';                  w1_2=w1_1;w1_1=w1;         w2_2=w2_1;w2_1=w2;         b1_2=b1_1;b1_1=b1;         b2_2=b2_1;b2_1=b2;     end end

%% 语音特征信号分类 inputn_test=mapminmax('apply',input_test,inputps); fore=zeros(4,500); for ii=1:1     for i=1:500%1500         %隐含层输出         for j=1:1:midnum             I(j)=inputn_test(:,i)'*w1(j,:)'+b1(j);             Iout(j)=1/(1+exp(-I(j)));         end                  fore(:,i)=w2'*Iout'+b2;     end end

%% 结果分析 %根据网络输出找出数据属于哪类 output_fore=zeros(1,500); for i=1:500     output_fore(i)=find(fore(:,i)==max(fore(:,i))); end

%BP网络预测误差 error=output_fore-output1(n(1501:2000))';

%画出预测语音种类和实际语音种类的分类图 figure(1) plot(output_fore,'r') hold on plot(output1(n(1501:2000))','b') legend('预测语音类别','实际语音类别')

%画出误差图 figure(2) plot(error) title('BP网络分类误差','fontsize',12) xlabel('语音信号','fontsize',12) ylabel('分类误差','fontsize',12)

%print -dtiff -r600 1-4

k=zeros(1,4);   %找出判断错误的分类属于哪一类 for i=1:500     if error(i)~=0         [b,c]=max(output_test(:,i));         switch c             case 1                  k(1)=k(1)+1;             case 2                  k(2)=k(2)+1;             case 3                  k(3)=k(3)+1;             case 4                  k(4)=k(4)+1;         end     end end

%找出每类的个体和 kk=zeros(1,4); for i=1:500     [b,c]=max(output_test(:,i));     switch c         case 1             kk(1)=kk(1)+1;         case 2             kk(2)=kk(2)+1;         case 3             kk(3)=kk(3)+1;         case 4             kk(4)=kk(4)+1;     end end

%正确率

rightridio=(kk-k)./kk;

disp('正确率')

disp(rightridio);

4、参考论文

略

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。