subplot(4,1,1)

plot(c1)

ylabel("民歌");

title("语音特征信号");

subplot(4,1,2)

plot(c2)

ylabel("古筝");

subplot(4,1,3)

plot(c3)

ylabel("摇滚");

subplot(4,1,4)

plot(c4)

xlabel("语音帧");

ylabel("流行");

%% 基于BP网络的语言识别

%% 清空环境变量

clc

clear

%% 训练数据预测数据提取及归一化

%加载四类语音信号

load('data1.mat')

load('data2.mat')

load('data3.mat')

load('data4.mat')

%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,:);

size(data)

%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=1:2000

    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);

%学习率

xite=0.1; %学习速率

loopNumber=10; %循环次数

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

    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);   %矩阵乘法，inputn是n×1500，w1是l×n

            %inputn(:,i)'是1×n，w1(j,:)'是n×1

            Iout(j)=1/(1+exp(-I(j)));   %Iout是1×l

        end

        % 输出层输出

        yn=w2'*Iout'+b2;   %矩阵乘法，w2是l×m，Iout是1×l

        %w2'是m×l，Iout'是l×1，yn是m×1

        %% 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; %m×l

        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)*sum(e'*w2(j,:)');

                db1(j)=FI(j)*sum(e'*w2(j,:)');

            end

        end

        w1=w1+xite*dw1';

        b1=b1+xite*db1';

        w2=w2+xite*dw2';

        b2=b2+xite*db2';

    end

end

%% 语音特征信号分类

inputn_test=mapminmax('apply',input_test,inputps);

fore=zeros(4,500);

for ii=1:1

    for i=1:500%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(1,500);

for i=1:500

    output_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)

[tbl,chi2,p] = crosstab(x1,x2,...,xn) returns a multi-dimensional cross-tabulation, tbl, of data for multiple input vectors, x1, x2, ..., xn, and also the chi-square statistic, chi2, and itsp-value, p, for a test that tbl is independent in each dimension.

[tbl,chi2,p]=crosstab(output_fore,output1(n(1501:2000))')

%正确率

rightridio=zeros(1,4);

ss=sum(tbl);

for i=1:4

    rightridio(i)=tbl(i,i)./ss(i);

end

disp(rightridio);

plot(E)

上图展现了10次迭代过程中，总误差绝对值之和的变化趋势。

1.4 扩展

1.4.1 隐含层节点数

参考公式：

\[\begin{array}{l}
l < n - 1\\
l < \sqrt {m + n} + a\\
l = {\log _2}n
\end{array}\]

$a$为0到10之间的常数。

1.4.2 附加动量方法

BP 神经网络的采用梯度修正法作为权值和阔值的学习算法，从网络预测误差的负梯度方向修正权值和阔值，没有考虑以前经验的积累，学习过程收敛缓慢。对于这个问题，可以采用附加动量方法来解决，带附加动量的权值学习公式为\[\omega (k) = \omega (k - 1) + {\eta _1}\Delta \omega (k) + {\eta _2}[\omega (k - 1) - \omega (k - 2)]\]式中${\eta _1}$、${\eta_2}$为学习率。

1.4.3 变学习率学习算法

BP神经网络学习率的取值在[0,1]之间，学习率越大，对权值的修改越大，网络学习速度越快。但过大的学习速率将使权值学习过程产生震荡，过小的学习率使网络收敛过慢，权值难以趋于稳定。变学习率方法是指学习率在BP神经网络进化初期较大，网络收敛迅速，随着学习过程的进行，学习率不断减小，网络趋于稳定．变学习率计算公式为\[\eta (t) = {\eta _{\max }} - t({\eta _{\max }} - {\eta _{\min }})/{t_{\max }}\]式中$\eta_{max}$为最大学习率，$\eta_{min}$为最小学习率，$t_{max}$为最大迭代次数，$t$为当前迭代次数。