BP神经网络的数据分类-语音特征信号分类修改

语音作为一种搭载着特定的信息模拟信号，已成为人们社会生活中获取信息和传播信息的重要的手段。本文采用matlab语言进行程序设计，采用bp神经网络的智能方法，实现对多种语音信号的分离。

%% 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
figure（1）
s（1）=subplot（411）plot（c1）;
s（2）=subplot（412）plot（c2）;
s（3）=subplot（413）plot（c3）;
s（4）=subplot（414）plot（c4）;
title（s（1）‘语音特征信号1‘）
title（s（2）‘语音特征信号2‘）
title（s（3）‘语音特征信号3‘）
title（s（4）‘语音特征信号4‘）
xlabel（‘语音帧‘‘FontSize‘22）
ylabel（s（2）‘语音特征信号‘‘FontSize‘22）


%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（12000）;
[mn]=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
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
[inputninputps]=mapminmax（input_train）;

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

%权值初始化
w1=rands（midnuminnum）;
b1=rands（midnum1）;
w2=rands（midnumoutnum）;
b2=rands（outnum1）;

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
disp（‘学习率：‘）
xite=0.1
alfa=0.01;

%% 网络训练
for ii=1:10
    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（kj）=FI（j）*x（k）*（e（1）*w2（j1）+e（2）*w2（j2）+e（3）*w2（j3）+e（4）*w2（j4））;
                db1（j）=FI（j）*（e（1）*w2（j1）+e（2）*w2（j2）+e（3）*w2（j3）+e（4）*w2（j4））;
            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_testinputps）;

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
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（2）
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（

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2017-12-07 23:25  BP神经网络的数据分类-语音特征信号分类（修改）\
     文件        4101  2017-11-25 23:33  BP神经网络的数据分类-语音特征信号分类（修改）\BP.m
     文件        3905  2010-01-30 20:21  BP神经网络的数据分类-语音特征信号分类（修改）\BPDLX.m
     文件       93015  2009-08-29 16:54  BP神经网络的数据分类-语音特征信号分类（修改）\data1.mat
     文件       92845  2009-08-29 16:54  BP神经网络的数据分类-语音特征信号分类（修改）\data2.mat
     文件       92937  2009-08-29 16:54  BP神经网络的数据分类-语音特征信号分类（修改）\data3.mat
     文件       93438  2009-08-29 16:54  BP神经网络的数据分类-语音特征信号分类（修改）\data4.mat