💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
⛳️赠与读者
👨💻做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑。哲学是科学之母,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许,雨过云收,神驰的天地更清朗.......🔎🔎🔎
💥1 概述
BP神经网络是一种常见的人工神经网络,用于数据分类和回归等任务。在语音特征信号分类中,BP神经网络可以用于将语音信号的特征进行分类,比如将语音信号分成不同的语音类别,如说话人的声音、语音命令、语音识别等。
具体的步骤如下:
1. 数据预处理:首先,需要对语音信号进行预处理,包括信号采样、特征提取等。常用的特征提取方法包括梅尔频率倒谱系数(MFCC)、线性预测编码(LPC)等。
2. 数据标记:为了进行监督学习,需要对语音信号进行标记,即给每个语音样本打上对应的分类标签。
3. 构建神经网络:接下来,需要构建一个BP神经网络,用于训练和分类任务。神经网络包括输入层、隐藏层和输出层,其中输入层接收预处理后的语音特征信号,输出层给出对应的分类结果。
4. 训练网络:使用已标记的语音信号样本来训练BP神经网络。训练过程中,通过反向传播算法来调整网络的权重和偏置,以减小分类误差。
5. 测试和评估:训练完成后,使用未参与训练的语音信号样本来进行测试和评估,看网络在新数据上的分类效果如何。
6. 调优和优化:根据测试结果,可以对网络结构和超参数进行调优和优化,以提高分类的准确性。
需要注意的是,BP神经网络在语音信号分类中可能面临一些挑战,比如语音信号的时域和频域特性较为复杂,样本数据量可能不足等。因此,通常需要结合其他的处理方法和改进技术,比如深度学习中的卷积神经网络(CNN)和循环神经网络(RNN)等,来进一步提高分类效果。
本文采用的是最基本的BP神经网络,可以发现准确性还有提高空间,而且多次运行分类算法后会发现第一类和第三类的识别准确率非常不稳定,从而算法还可以改进,常用的改进方法有:调整隐含层节点数、附加动量法(权值和阈值更新算法)、变学习率学习算法等等。
📚2 运行结果
主函数部分代码:
%% 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 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; %% 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(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
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]刘剑,崔远慧,成川.神经网络语音信号识别与特征值提取的研究[C]//中国航海学会通信导航专业委员会学术年会.2004.DOI:ConferenceArticle/5aa5025fc095d72220d379bc.
[2]孙峰,姚毅,李成刚.LM算法在神经网络语音识别中的应用[J].科学技术与工程, 2011, 11(9):5.DOI:10.3969/j.issn.1671-1815.2011.09.026.
[3]高茉.基于BP神经网络的语音信号分类研究[J]. 2011.
🌈4 Matlab代码实现
资料获取,更多粉丝福利,MATLAB|Simulink|Python资源获取