《BP神经网络的数据分类-语音特征信号分类》由会员分享，可在线阅读，更多相关《BP神经网络的数据分类-语音特征信号分类（3页珍藏版）》请在装配图网上搜索。
1、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); o
2、utput1 =data(:,1);%把输出从 1 维变成 4 维 for i=1:2000switch 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;endend %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:
3、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
4、=0.1alfa=0.01;% 网络训练for ii=1:10E(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:midnumI(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:midnumS=1/(1+exp(-I(j);FI(j
5、)=S*(1-S);endfor k=1:1:innumfor 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);endend 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_
6、2=b1_1;b1_1=b1;b2_2=b2_1;b2_1=b2;endend % 语音特征信号分类 inputn_test=mapminmax(apply,input_test,inputps);for ii=1:1for i=1:500%1500%隐含层输出for j=1:1:midnumI(j)=inputn_test(:,i)*w1(j,:)+b1(j);Iout(j)=1/(1+exp(-I(j);endfore(:,i)=w2*Iout+b2;endend% 结果分析 %根据网络输出找出数据属于哪类 for i=1:500output_fore(i)=find(fore(:,i)=
7、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 onplot(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 -r60
8、0 1-4k=zeros(1,4);%找出判断错误的分类属于哪一类 for i=1:500if 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;endendend%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 2kk(2)=kk(2)+1;case 3 kk(3)=kk(3)+1;case 4kk(4)=kk(4)+1;endend%正确率rightridio=(kk-k)./kk
BP神经网络的数据分类-语音特征信号分类
