【情感识别】改进的KNN算法语音情感分类识别【含GUI Matlab源码 354期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、 KNN算法简介

K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

1 定义
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，即由你的“邻居”来推断出你的类别.

2 距离公式
两个样本的距离可以通过如下公式计算，又叫欧式距离

3 KNN算法的步骤
（1）计算已知类别数据集中每个点与当前点的距离；
（2）选取与当前点距离最小的K个点；
（3）统计前K个点中每个类别的样本出现的频率；
（4）返回前K个点出现频率最高的类别作为当前点的预测分类。

4 KNN原理



5 KNN的优缺点

6 KNN性能问题
NN的性能问题也是KNN的缺点之一。使用KNN，可以很容易的构造模型，但在对待分类样本进行分类时，为了获得K近邻，必须采用暴力搜索的方式，扫描全部训练样本并计算其与待分类样本之间的距离，系统开销很大。

⛄二、部分源代码

clc;
close all;
defcolor=[0,0,0];
h_fig=figure(1);
set(h_fig,‘Menubar’,‘name’,‘语音情感识别系统 v1.0’,…
‘Numbertitle’,‘off’,…
‘color’,[0.9023 0.9074 0.8055]);
h_text=uicontrol(h_fig,‘style’,‘text’,‘unit’,‘normalized’,…
‘position’,[0.0,0.0,1,1]);
h_text1=uicontrol(h_fig,‘style’,‘text’,‘unit’,‘normalized’,…
‘position’,[0.0,0.85,0.25,0.05],‘horizontal’,‘left’,…
‘string’,‘请选择待检测wav文件:’,‘fontsize’,10,‘ForegroundColor’,defcolor);
h_edit1=uicontrol(h_fig,‘style’,‘edit’,‘unit’,‘normalized’,…
‘position’,[0.28,0.80,0.5,0.1],‘horizontal’,‘left’,…
‘fontsize’,10, ‘ForegroundColor’,defcolor);
h_push3=uicontrol(h_fig,‘style’,‘push’,‘unit’,‘normalized’,…
‘position’,[0.78,0.8,0.08,0.1],‘horizontal’,‘left’,…
‘string’,‘…’,‘fontsize’,20,‘ForegroundColor’,defcolor,‘callback’,‘getfile’);
h_push1=uicontrol(h_fig,‘style’,‘push’,‘unit’,‘normalized’,…
‘position’,[0.4,0.75,0.18,0.05],‘horizontal’,‘left’,…
‘string’,‘确定’,‘fontsize’,10,‘ForegroundColor’,defcolor,‘callback’,‘process’);
h_text3=uicontrol(h_fig,‘style’,‘text’,‘unit’,‘normalized’,…
‘position’,[0,0.5,0.28,0.1],‘horizontal’,‘left’,…
‘string’,‘传统KNN算法获得结果为：’,‘fontsize’,10,‘ForegroundColor’,defcolor);
h_edit2=uicontrol(h_fig,‘style’,‘edit’,‘unit’,‘normalized’,…
‘position’,[0.28,0.5,0.3,0.1],‘horizontal’,‘left’,…
‘fontsize’,10,‘ForegroundColor’,defcolor);
[y,fs]=wavread(filename);
sound(y,fs)
X3=mean(FunFre(y,fs));
[X1,X2,X4]=TimePara(y);
k=13;
XA=[Aa Ah As X1];XE=[Ea Eh Es X2];XF=[Fa Fh Fs X3];XZ=[Za Zh Zs X4];
PA=mapzo(XA);PE=mapzo(XE);PF=mapzo(XF);PZ=mapzo(XZ);
a=[PA(1:30);PE(1:30);PF(1:30);PZ(1:30)];
h=[PA(31:60);PE(31:60);PF(31:60);PZ(31:60)];
s=[PA(61:90);PE(61:90);PF(61:90);PZ(61:90)];
x=[PA(91);PE(91);PF(91);PZ(91)];
%%%传统KNN算法
disp(‘使用传统KNN算法识别结果为：’)
A=oushi(a,x);
H=oushi(h,x);
S=oushi(s,x);
set(h_edit2,‘style’,‘text’);
set(h_edit2,‘string’,judge(A,H,S,k));
%%%%%%%改进算法
disp(‘使用改进算法识别结果为：’)
B=mean([Aa’ Ah’ As’ Ea’ Eh’ Es’ Fa’ Fh’ Fs’ Za’ Zh’ Zs’]);
A=reshape(B,3,4);
O=reshape([Aa Ah As],30,3);
for i=1:3
for j=1:30
OO(j,i)=(abs(O(j,i)-A(i,1))/A(i,1))^2;
end
end
O=sqrt(sum(OO));
P=reshape([Ea Eh Es],30,3);
for i=1:3
for j=1:30
PP(j,i)=(abs(P(j,i)-A(i,2))/A(i,2))^2;
end
end
P=sqrt(sum(PP));
Q=reshape([Fa Fh Fs],30,3);
for i=1:3
for j=1:30
QQ(j,i)=(abs(Q(j,i)-A(i,3))/A(i,3))^2;
end
end
Q=sqrt(sum(QQ));
R=reshape([Za Zh Zs],30,3);
for i=1:3
for j=1:30
RR(j,i)=(abs(R(j,i)-A(i,4))/A(i,4))^2;
end
end
R=sqrt(mean(RR));
X=[O’ P’ Q’ R’];
for i=1:3
for j=1:4
V(i,j)=(sum(X(i,:))-X(i,j))/sum(X(i,:));
end
function [str]=judge(A,H,S,k)
f=[A H S]; %将欧距三个个矩阵合并
g=[A H];
d=numel(f);
c=[1:d]; %用来存放排序后的欧距
c=lowtohigh(f,d);
num1=0; %用来记录被判x类的次数
num2=0; %用来记录被判y类的次数
num3=0;
for i=1:k
for j=1:d
if (c(i)==f(j))
if j<=numel(A) %如果选中的欧距出自x类
num1=num1+1;
elseif j>numel(g) %如果选中的欧距出自y类
num3=num3+1;
else
num2=num2+1;
end
end
j=j+1;
end
i=i+1;
end

if(num1>num2&num1>num3)
w=0;
elseif(num2>num1&num2>num3)
w=1;
elseif(num3>num1&num3>num2)
w=2;
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]韩纪庆,张磊,郑铁然.语音信号处理（第3版）[M].清华大学出版社，2019.
[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社，2019.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合