基于Matconvnet深度学习框架的方言分类（1）

背景

本文是基于Matconvnet深度学习框架对方言音频文件进行分类，介绍如下：

预处理数据

声谱图

预处理数据都是对音频文件进行处理，我们都知道 CNN 主要是针对二维数据做分类等，因此我们第一步需要做的是将一维的音频信号，通过调用specgram函数将音频文件转换成声谱图，我在实验中的采用过两种参数，分别如下：

• [b,f,t] = specgram(x,512,fs,512,256);
• [b,f,t] = specgram(x,1024,fs,1024,512);

两种参数生成的声谱图 [频谱图]虽然从肉眼的角度可以看出区别，但是从最后的实验结果上来看，可能对分类的结果影响不大。在下面的实验中我会以实验结果作说明。

改变尺寸

上述中提到的声谱图只是由 Matlab 自带函数生成的图片，生成的声谱图片中，存在边缘空白信息，为了提高我们最终的实验结果，我们首先要先将空白边缘信息使用 imcrop 函数进行裁剪，然后使用 imresize 函数对裁剪过的图片进行尺寸的缩放，通常我们需要将图片缩放成经典网络模型需要的尺寸，如：cifar经典数据集、vggnet、alexnet、imagenet等。本文中，我也是采用如下所述的4种尺寸，分别为：32*32、224*224、227*227、256*256.

实验准备

下载编译代码<