本代码在原链接代码的基础上进行了简化，改成了通用版本，只需设置必要参数（特别是 trainNum 的合理设置对分类结果尤为重要，一般在样本总量的85%左右较为合适，可根据实际需要自行调整）即可正常运行。
本代码测试样例的data数据链接：链接：https://pan.baidu.com/s/1WP6wbK2jTW去掉我FQ6ZuRck05Vg 提取码：s85n
%% 该代码为基于BP网络的语音识别通用程序，以下程序正文
% data矩阵的第一列是label列，每一行表示一个样本，每一列代表数据的属性
% labelNum为label列的类别数目
% sampleData为data去掉label列的数据矩阵
% outputLabel为data提取的label列
% sampleNum为总的数据样本数目
% trainNum为训练样本数目
% testNum为验证集数目
%% 清空环境变量
clc
clear
%% 训练数据预测数据提取及归一化
%载入语音信号
load data
% data矩阵的第一列是label列，每一行表示一个样本，每一列代表数据的属性
[rowNum, colNum] = size(data);
labelNum = length(unique(data(:,1))); %labelNum为标签类别数目
% 从1到sampleNum间随机排序， sampleNum为样本数目
sampleNum = rowNum;
k=rand(1,sampleNum);
[m,n]=sort(k);
% m是k按照顺序排列好的数组
% n相当于1到sampleNum的随机排列数组
% 输入输出数据
sampleData=data(:,2:colNum);
outputLabel =data(:,1);
%把输出从1维变成labelNum维
output=zeros(sampleNum,labelNum);
for i=1:sampleNum
tempLabel = outputLabel(i);
tempValue = zeros(1, labelNum);
tempValue(tempLabel) = 1;
output(i,:) = tempValue;
% 更改后与下面的switch块功能相同，但是当labelNum发生变化时，可以无须修改程序
% switch outputLabel(i)
% case 1
% output(i,:)=[1 0];
% case 2
% output(i,:)=[0 1];
% end
end
%随机提取trainNum个样本为训练样本，testNum个样本为预测样本
trainNum = round(sampleNum * 0.85); % 训练样本根据实际数据的多少灵活设置
testNum = sampleNum - trainNum;
input_train=sampleData(n(1:trainNum),:)';
output_train=output(n(1:trainNum),:)';
input_test=sampleData(n(trainNum+1:sampleNum),:)';
output_test=output(n(trainNum+1:sampleNum),:)';
%输入数据归一化
[inputn,inputps]=mapminmax(input_train);
%% 网络结构初始化
innum=colNum-1;
midnum=colNum;
outnum=labelNum;
%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;
alpha=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:trainNum
%% 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))); %经典sigmoid函数
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))); %Sigmoid函数 1/(1+e^(-x))，不说你也肯定知道
FI(j)=S*(1-S); %Sigmoid函数的导数，求导以后刚好可用Sigmoid函数自身来表示。
end
for k=1:1:innum
for j=1:1:midnum
tmp = 0;
for t=1:1:outnum
tmp = tmp +e(t)*w2(j,t);
end
dw1(k,j)=FI(j)*x(k)*tmp;
db1(j)=FI(j)*tmp;
%dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2));
%db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2));
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(labelNum,testNum);
for ii=1:1
for i=1:testNum %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,testNum);
for i=1:testNum
output_fore(i)=find(fore(:,i)==max(fore(:,i)));
end
%BP网络预测误差
error=output_fore-outputLabel(n(trainNum+1:sampleNum))';
%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')
stairs(output_fore,'r')
hold on
%plot(outputLabel(n(trainNum+1:sampleNum))','b')
stairs(outputLabel(n(trainNum+1:sampleNum))','b')
% n相当于1到simpleNum的随机排列数组
axis([0 testNum+1 0 labelNum+1])
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,labelNum);
%找出判断错误的分类属于哪一类
for i=1:testNum
if error(i)~=0
[b,c]=max(output_test(:,i));
k(c)=k(c)+1;
% switch c
% % 根据label的不同，case的个数相应变化
% case 1
% k(1)=k(1)+1;
% case 2
% k(2)=k(2)+1;
% end
end
end
%找出每类的个体和
kk=zeros(1,labelNum);
for i=1:testNum
[b,c]=max(output_test(:,i));
kk(c)=kk(c)+1;
% switch c
% % 根据label的不同，case的个数相应变化
% case 1
% kk(1)=kk(1)+1;
% case 2
% kk(2)=kk(2)+1;
% end
end
%正确率
rightridio=(kk-k)./kk;
disp('正确率')
disp(rightridio);本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
