BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類實驗

1、智能信息處理實驗報告二系別： 電子工程 班級： 智能13001班 學號：姓名： 郭桂伶 日期： 2016/4.1 指導教師： 趙秀潔 一、實驗內(nèi)容： 1BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類二實驗目的：1通過BP神經(jīng)網(wǎng)絡(luò)的使用，熟悉BP神經(jīng)網(wǎng)絡(luò)的基本概念和工作原理。2編程建立BP神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)對BP模型的訓練，做到日后熟練使用。三實驗分析：1 語音特征信號識別 語音識別研究領(lǐng)域中的一個重要方面,一般采用模式匹配的原理解決。語音識別的運算過程為:首先,待識別語音轉(zhuǎn)化為電信號后輸入識別系統(tǒng),經(jīng)過預處理后用數(shù)學方法提取語音特征信號,提取出的語音特征信號可以看成該段語音的模式。然后將該段

2、語音模型同已知參考模式相比較,獲得最佳匹配的參考模式為該段語音的識別結(jié)果。語音識別流程如圖1-2所示。 實驗選取了民歌、古箏、搖滾和流行四類不同音樂,用BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)對這四類音樂的有效分類。每段音樂都用倒譜系數(shù)法提取500組24維語音特征信號,提取出的語音特征信號如下圖2、模型建立 基于BP神經(jīng)網(wǎng)絡(luò)的語音特征信號分類算法建模包括BP神經(jīng)網(wǎng)絡(luò)構(gòu)建、BP神經(jīng)網(wǎng)絡(luò)訓練和BP神經(jīng)網(wǎng)絡(luò)分類三步,算法流程如圖1-4所示。 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建根據(jù)系統(tǒng)輸入輸出數(shù)據(jù)特點確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),由于語音特征輸入信號有24維,待分類的語音信號共有4類,所以BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為24254,即輸入層有24個節(jié)點,隱含層

3、有25個節(jié)點,輸出層有4個節(jié)點。 BP神經(jīng)網(wǎng)絡(luò)訓練用訓練數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡(luò)。共有2000組語音特征信號,從中隨機選擇1500組數(shù)據(jù)作為訓練數(shù)據(jù)訓練網(wǎng)絡(luò),500組數(shù)據(jù)作為測試數(shù)據(jù)測試網(wǎng)絡(luò)分類能力。 BP神經(jīng)網(wǎng)絡(luò)分類用訓練好的神經(jīng)網(wǎng)絡(luò)對測試數(shù)據(jù)所屬語音類別進行分類。3、BP神經(jīng)網(wǎng)絡(luò)訓練過程 1）網(wǎng)絡(luò)初始化。確定輸入層、隱含層和輸出層的節(jié)點數(shù)n、l、m，初始化權(quán)值、和隱含層閾值a和輸出層閾值b，給定學習速率和神經(jīng)元的激勵函數(shù) 。 2）隱含層輸出計算 3）輸出層輸出計算 4）誤差計算 5）權(quán)值更新 6）閾值更新。根據(jù)網(wǎng)絡(luò)預測誤差e 更新網(wǎng)絡(luò)節(jié)點閾值a,b。 7）判斷算法迭代是否結(jié)束，若沒有結(jié)束，返回

4、步驟 2。 四、Matlab相關(guān)函數(shù)1. 歸一化方法及Matlab函數(shù) 數(shù)據(jù)歸一化方法是神經(jīng)網(wǎng)絡(luò)預測前對數(shù)據(jù)常做的一種處理方法。數(shù)據(jù)歸一化處理把所有數(shù)據(jù)都轉(zhuǎn)化為0,1之間的數(shù),其目的是取消各維數(shù)據(jù)間數(shù)量級差別,避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成網(wǎng)絡(luò)預測誤差較大。數(shù)據(jù)歸一化的方法主要有以下兩種。 1)最大最小法。函數(shù)形式如下: 2)平均數(shù)方差法,函數(shù)形式如下: 實驗采用第一種數(shù)據(jù)歸一化方法,歸一化函數(shù)采用MATLAB自帶函數(shù)mapminmax,該函數(shù)有多種形式,常用的方法如下。 input_train,output_train是訓練輸入、輸出原始數(shù)據(jù),inputn,outputn是歸一化后

5、的數(shù)據(jù)，inputps,outputps為數(shù)據(jù)歸一化后得到的結(jié)構(gòu)體,里面包含了數(shù)據(jù)最大值、最小值和平均值等信息,可用于測試數(shù)據(jù)歸一化和反歸一化。測試數(shù)據(jù)歸一化和反歸一化程序如下。 input_test是預測輸入數(shù)據(jù),inputn_test是歸一化后的預測數(shù)據(jù),apply表示根據(jù)inputps的值對input_test進行歸一化。an是網(wǎng)絡(luò)預測結(jié)果,outputps是訓練輸出數(shù)據(jù)歸一化得到的結(jié)構(gòu)體，BPoutput是反歸一化之后的網(wǎng)絡(luò)預測輸出,reverse表示對數(shù)據(jù)進行反歸一化。2. 數(shù)據(jù)選擇和歸一化 首先根據(jù)倒譜系數(shù)法提取四類音樂語音特征信號,不同的語音信號分別用1,2,3,4標識,提取出的

6、信號分別存儲于data1.mat,data2.mat,data3.mat,data4.mat數(shù)據(jù)庫文件中,每組數(shù)據(jù)為25維,第1維為類別標識,后24維為語音特征信號。把四類語音特征信號合為一組,從中隨機選取1500組數(shù)據(jù)作為訓練數(shù)據(jù),500組數(shù)據(jù)作為測試數(shù)據(jù),并對訓練數(shù)據(jù)進行歸一化處理。 根據(jù)語音類別標識設(shè)定每組語音信號的期望輸出值: 標識類為1時,期望輸出向量為1 0 0 0; 標識類為2時,期望輸出向量為0 1 0 0; 標識類為3時,期望輸出向量為0 0 1 0; 標識類為4時,期望輸出向量為0 0 0 1。五、Matlab部分代碼如下： 1.input=data(:,2:25);out

7、put1 =data(:,1); 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; endend 2. for ii=1:20 E(ii)=0; %訓練誤差 for i=1:1:1500 x=inputn(:,i); %選擇本次訓練數(shù)據(jù) for j=1:1:midnum %隱含層輸出 I(j)=inputn(:,i)'*w1(j,:)'+b1(j

8、); Iout(j)=1/(1+exp(-I(j); end yn=w2 *Iout +b2; %輸出層輸出 e=output_train(:,i)-yn; e=output_train(:,i)-yn; %填入對應的語句完成誤差的預測 E(ii)= E(ii)+sum(abs(e); dw2=e*Iout; %計算w2,b2調(diào)整量 db2=e ; for j=1:1:midnum %計算w1,b1調(diào)整量 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)*(e(1)

9、*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); end end w1=w1_1+xite*dw1 ; %權(quán)值閾值更新 b1=b1_1+xite*db1 ; w2=w2_1+xite*dw2 ; b2=b2_1+xite*db2 ; w1_1=w1; %結(jié)果保存 w2_1=w2; b1_1=b1; b2_1=b2; endend六、結(jié)果如下 對程序稍作修改，分別令ii=1:15和ii=1:20，和ii=1:10做對比。1.BP預測語音類別與實際類別ii=1:10此處粘貼運行結(jié)果的圖片ii=1:15此處粘貼運行結(jié)果的圖片ii