基于BP神经网络的语言特征信号分类

神经网络的语言特征信号分类"/>

基于BP神经网络的语言特征信号分类

1 BP 神经网络概述
BP神经网络（Back Propagation Neural Network）是一种常见的人工神经网络，它是一种通过反向传播算法来训练的多层前馈神经网络。BP神经网络广泛应用于模式识别、数据挖掘、人工智能等领域，具有较强的非线性映射能力和逼近性能。BP神经网络由输入层、隐藏层和输出层组成。输入层接收外部输入信号，隐藏层进行信息处理，输出层输出最终结果。每个神经元都与下一层的所有神经元相连，每个连接都有一个权重。BP神经网络通过调整权重来实现对输入数据的学习和模式识别。BP神经网络的训练过程主要包括前向传播和反向传播两个阶段。在前向传播阶段，输入数据通过网络传递至输出层，计算输出值。在反向传播阶段，通过计算输出值与实际值的误差，利用梯度下降法来调整连接权重，以减小误差，使网络输出更加接近实际值。BP神经网络的训练过程需要大量的数据和计算资源。在训练过程中，需要不断地调整连接权重，直到网络的输出值与实际值的误差达到可接受的范围。训练过程可能会出现过拟合或欠拟合的情况，需要通过调整网络结构、学习率等参数来解决。BP神经网络具有很强的非线性映射能力和逼近性能，可以逼近任意复杂的非线性函数。它可以处理大规模的数据并进行高效的模式识别和分类，广泛应用于图像识别、语音识别、自然语言处理等领域。

然而，BP神经网络也存在一些问题和局限性。例如，训练过程需要大量的数据和计算资源，训练时间较长；网络结构和参数的选择对训练结果有较大影响，需要经验和试错；容易陷入局部最优解，需要采用一些优化算法来提高训练效果。近年来，随着深度学习的发展，BP神经网络在图像识别、语音识别、自然语言处理等领域取得了很大的成功。同时，也出现了一些基于BP神经网络的改进算法，如卷积神经网络（CNN）、循环神经网络（RNN）等，进一步提高了神经网络的性能和应用范围。总的来说，BP神经网络是一种常见的人工神经网络，具有很强的非线性映射能力和逼近性能，广泛应用于模式识别、数据挖掘、人工智能等领域。随着深度学习的发展，BP神经网络的应用前景将更加广阔。

BP神经网络是1种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信 从输入层经隐含 逐层处理，直至输出层 一层的神经元状态只影响下一层神经 状态 如果输出层得不到期望输出，则转入反向传播 根据预测误差调整网络权值和阔值，从而使 BP 神经网络预测输出不断逼近期望输出 BP 神经网络的拓扑结构如图所示。

2 语音特征信号识别
语音特征信号识别是语音识别研究领域中的一个重要方面，一般采用模式匹配的原理解决。语音识别的运算过程为:首先,待识别语音转化为电信号后输人识别系统,经过预处理后用数学方法提取语音特征信号,提取出的语音特征信号可以看成该段语音的模式;然后，将该段语音模型同已知参考模式相比较,获得最佳匹配的参考模式为该段语音的识别结果。语音识别流程如图1-2所示。

本案例选取了民歌、古筝摇滚和流行四类不同音乐，用 BP 神经网络实现对这四类音乐的有效分类。每段音乐都用倒谱系数法提取 500 组 24 维语音特征信号提取出的语音特征信号如图1-3所示.

3 模型建立
基于 BP神经网络的语音特征信号分类算法建模包括 BP神经网络构建BP神经网络训练和 BP神经网络分类三步,算法流程如图 1-4 所示。

BP神经网络构建根据系统输人输出数据特点确定BP 神经网络的结构由于语音特征输人信号有 24维待分类的语音信号共有4类所以 BP 神经网络的结构为24-25-4即输人层有24 个节点，隐含层有 25 个节点，输出层有4个节点。BP神经网络训练用训练数据训练 BP神经网络共有2000组语音特征信号从中随机选择1500组数据作为训练数据训练网络,500 组数据作为测试数据测试网络分类能力。BP神经网络分类用训练好的神经网络对测试数据所属语音类别进行分类。

4 程序结果
1）预测误差

2）分类误差

3）正确率

5 程序

%% 该代码为基于BP网络的语言识别%% 清空环境变量
clc
clear
close all
%% 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=1:2000switch output1(i)case 1output(i,:)=[1 0 0 0];case 2output(i,:)=[0 1 0 0];case 3output(i,:)=[0 0 1 0];case 4output(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:loopNumberE(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)=S*(1-S);end      for k=1:1:innumfor j=1:1:midnumdw1(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));endendw1=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=1:1for 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;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=1:500output_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 1-4k=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 ccase 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;endend
end%找出每类的个体和
kk=zeros(1,4);
for i=1:500[b,c]=max(output_test(:,i));switch ccase 1kk(1)=kk(1)+1;case 2kk(2)=kk(2)+1;case 3kk(3)=kk(3)+1;case 4kk(4)=kk(4)+1;end
end%正确率
rightridio=(kk-k)./kk;
disp('正确率')
disp(rightridio);

数据集：