BP神经网络识别语音特征

语音特征识别是模式识别的一个重要研究内容，对本案例，提取了民歌，古筝、摇滚和流行四类不同音乐的24维特征向量各500组，希望用BP网络实现对着四类音乐的有效分类。1） 比较采用2-3种不同的隐含层神经元个数对分类精度的影响；2） 采用不同训练算法，比较traingd，traingdm，traingdx以及trainlm的效果（精度和收敛速度）。包括源程序和神经网络结构示意图，计算结果及分析。

% 2018年11月22日 by zhangyaokun
% BP identification
clear all;
close all;
%% 语音数据预处理方法:先随机打乱数据，再对数据进行归一化，然后可以直接顺序选取训练数据和测试数据
% load data1.mat; load data2.mat; load data3.mat; load data4.mat; %加载原数据
% Ori_Data1=[c1;c2;c3;c4];  %全部的原始数据 2000*25
% rowrank = randperm（size（Ori_Data1 1））; % 随机打乱的数字，从1~行数打乱
% Ori_Data = Ori_Data1（rowrank :）;%%按照rowrank打乱矩阵的行数 2000*25
% 
% %输入数据处理：归一化
% Ori_Data_X = Ori_Data（:2:25）;  %取出原始数据中的特征向量 2000*24
% FlattenedData = Ori_Data_X（:）‘; % 展开矩阵为一列，然后转置为一行。
% MappedFlattened = mapminmax（FlattenedData）; % 对整个矩阵的数据进行归一化，到[-11]之间
% MappedData = reshape（MappedFlattened size（Ori_Data_X））; % 还原为原始矩阵形式。此处不需转置回去，因为reshape恰好是按列重新排序  2000*24
% X=MappedData（1:1500:）‘; Xc=MappedData（1501:2000:）‘; %前1500个数据全部作为训练数据，后500个数据作为测试数据
% 
% %输出数据处理：%定义输出向量 分别为[1 0 0 0] [0 1 0 0] [0 0 1 0] [0 0 0 1]
% To= Ori_Data（:1）‘;%取出第一列元素为输出
% Tt=[1 0 0 0];                                                          
% for i=1:1:2000
%     switch To（i）
%         case 1
%             Tt（i:）=[1 0 0 0];
%         case 2
%             Tt（i:）=[0 1 0 0];  
%         case 3
%             Tt（i:）=[0 0 1 0];
%         case 4
%             Tt（i:）=[0 0 0 1];    
%     end
% end
% T=Tt（1:1500:）‘;   Tc=Tt（1501:2000:）‘;
% save（‘traindata_X‘‘X‘）; save（‘traindata_Xc‘‘Xc‘）; %保存训练数据
% save（‘traindata_To‘‘To‘）;save（‘traindata_T‘‘T‘）; save（‘traindata_Tc‘‘Tc‘）;  %保存测试数据  
% 
% clearvars -except X T Xc Tc To;  %清除其余变量，仅保留训练数据和测试数据
%上面的程序只需要运行一遍
 load traindata_X; load traindata_T; load traindata_Xc; load traindata_Tc; load traindata_To;%加载训练数据和测试数据
 %% BP网络结构及参数初始化
 % BP网络结构为 24-10-4
 Hid_num = 10;
 Func=0;
 
[RQ]= size（X）;
[S~]= size（T）;
[ScQc]= size（Tc）;
%% 使用不同的隐含层数目训练网络  
% for k=5:5:40 %不同的隐含层数目
%     Hid_num = k;
%     
%     net=newff（XTHid_num）;  %建立BP神经网络 {‘logsig‘‘purelin‘}‘trainlm‘
%     switch Func  %选择训练函数
%         case 1
%              net. trainFcn=‘traingd‘;
%         case 2
%              net. trainFcn=‘traingdm‘;
%         case 3
%              net. trainFcn=‘traingdx‘;
%         otherwise
%              net. trainFcn=‘trainlm‘;
%     end 
% 
%     net.trainParam.epochs=2000;  %设置训练次数
%     net.trainParam.max_fail = 50;
%     net.trainParam.goal=0.005;  %设置mean square error， 均方误差
%     net.trainParam.lr=0.03; %设置学习速率
% 
%     net.iw{11}=rands（Hid_numR）;  %隐含层神经元的初始权值
%     net.lw{21}=rands（SHid_num）;  %输出层神经元的初始权值
%     net.b{1}=rands（Hid_num1）;  %隐含层神经元的初始偏置
%     net.b{2}=rands（S1）;  %输出层神经元的初始偏置
%     [nettr_gd]=train（netXT）;  %训练网络
% 
%     A=sim（netX）;  %测试网络
%     E=T-A;  %测试误差
%     error = sumsqr（E）/（S*Q）  %测试结果的的MSE
%     A1=sim（netXc）;  %测试网络
%     E1=Tc-A1;  %测试误差
%     error_c1 = sumsqr（E1）/（Sc*Qc）  %测试结果的的MSE
%     for i=1:500      
%         Res（i）=find（A1（:i）==max（A1（:i）））; %以能够识别出最大值的趋势，作为正确识别的标准
%     end
%     E2=To（:1501:2000）-Res;
%     I=find（E2（:）~=0）;  %识别错误的数据
%     length（I）     %识别错误的个数
%     
%     pause
% en

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-04-25 02:29  BP_Music_recog\
     文件       22690  2018-11-28 12:08  BP_Music_recog\20_elm.JPG
     文件       20147  2018-11-28 12:10  BP_Music_recog\20_gd.JPG
     文件       20128  2018-11-28 12:11  BP_Music_recog\20_gdm.JPG
     文件       19530  2018-11-28 12:12  BP_Music_recog\20_gdx.JPG
     文件        4994  2018-11-28 12:33  BP_Music_recog\BP_Music_recog.m
     文件       93015  2009-08-29 16:54  BP_Music_recog\data1.mat
     文件       92845  2009-08-29 16:54  BP_Music_recog\data2.mat
     文件       92937  2009-08-29 16:54  BP_Music_recog\data3.mat
     文件       93438  2009-08-29 16:54  BP_Music_recog\data4.mat
     文件       22569  2018-11-28 11:48  BP_Music_recog\elm_10.JPG
     文件       22082  2018-11-28 11:49  BP_Music_recog\elm_15.JPG
     文件       22581  2018-11-28 11:51  BP_Music_recog\elm_20.JPG
     文件       22720  2018-11-28 11:52  BP_Music_recog\elm_25.JPG
     文件       22978  2018-11-28 12:01  BP_Music_recog\elm_30.JPG
     文件       22507  2018-11-28 11:55  BP_Music_recog\elm_35.JPG
     文件       22085  2018-11-27 16:59  BP_Music_recog\elm_40.JPG
     文件       22867  2018-11-28 11:47  BP_Music_recog\elm_5.JPG
     文件       25454  2018-11-27 17:02  BP_Music_recog\error.jpg
     文件         912  2018-11-28 11:31  BP_Music_recog\traindata_T.mat
     文件         435  2018-11-28 11:31  BP_Music_recog\traindata_Tc.mat
     文件         854  2018-11-28 11:31  BP_Music_recog\traindata_To.mat
     文件      273878  2018-11-28 11:31  BP_Music_recog\traindata_X.mat
     文件       91390  2018-11-28 11:31  BP_Music_recog\traindata_Xc.mat
     文件        2458  2018-11-28 10:10  BP_Music_recog\work3.m
     文件      191558  2019-04-25 02:28  语音特征识别-神经网络应用.docx