✅作者简介：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：Matlab科研工作室

🍊个人信条：格物致知。

⛄ 内容介绍

语音分类是语音信号处理的重要组成部分.准确快速地对语音进行分类在语音编码,语音合成中有着重要的意义.针对语音的多样性和不确定性,使用传统分类方法在大规模的实际语音分类应用中速度慢,正确率低.为了提高语音分类的正确率和分类精度,

⛄ 完整代码

%% 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);

⛄ 运行结果

基于BP神经网络语言信号分类附matlab代码_神经网络

⛄ 参考文献

[1] 高茉. 基于BP神经网络的语音信号分类研究[J].  2011.

[2] 蒋良孝, 李超群. 基于BP神经网络的函数逼近方法及其MATLAB实现[J]. 微型机与应用, 2004, 23(1):2.

[3] 孙保峰. 基于神经网络的表面肌电信号分类方法研究[D]. 吉林大学.

⛳️ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料