%%?清空環境變量
clc
clear

%%?訓練數據預測數據提取及歸一化

%下載四類語音信號
load?data1?c1
load?data2?c2
load?data3?c3
load?data4?c4
figure（1）
s（1）=subplot（411）plot（c1）;
s（2）=subplot（412）plot（c2）;
s（3）=subplot（413）plot（c3）;
s（4）=subplot（414）plot（c4）;
title（s（1）‘語音特征信號1‘）
title（s（2）‘語音特征信號2‘）
title（s（3）‘語音特征信號3‘）
title（s（4）‘語音特征信號4‘）
xlabel（‘語音幀‘‘FontSize‘22）
ylabel（s（2）‘語音特征信號‘‘FontSize‘22）


%四個特征信號矩陣合成一個矩陣
data（1:500:）=c1（1:500:）;
data（501:1000:）=c2（1:500:）;
data（1001:1500:）=c3（1:500:）;
data（1501:2000:）=c4（1:500:）;

%從1到2000間隨機排序
k=rand（12000）;
[mn]=sort（k）;

%輸入輸出數據
input=data（:2:25）;
output1?=data（:1）;

%把輸出從1維變成4維
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

%隨機提取1500個樣本為訓練樣本，500個樣本為預測樣本
input_train=input（n（1:1500）:）‘;
output_train=output（n（1:1500）:）‘;
input_test=input（n（1501:2000）:）‘;
output_test=output（n（1501:2000）:）‘;

%輸入數據歸一化
[inputninputps]=mapminmax（input_train）;

%%?網絡結構初始化
innum=24;
midnum=25;
outnum=4;
?

%權值初始化
w1=rands（midnuminnum）;
b1=rands（midnum1）;
w2=rands（midnumoutnum）;
b2=rands（outnum1）;

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;

%學習率
disp（‘學習率：‘）
xite=0.1
alfa=0.01;

%%?網絡訓練
for?ii=1:10
????E（ii）=0;
????for?i=1:1:1500
???????%%?網絡預測輸出?
????????x=inputn（:i）;
????????%?隱含層輸出
????????for?j=1:1:midnum
????????????I（j）=inputn（:i）‘*w1（j:）‘+b1（j）;
????????????Iout（j）=1/（1+exp（-I（j）））;
????????end
????????%?輸出層輸出
????????yn=w2‘*Iout‘+b2;
????????
???????%%?權值閥值修正
????????%計算誤差
????????e=output_train（:i）-yn;?????
????????E（ii）=E（ii）+sum（abs（e））;
????????
????????%計算權值變化率
????????dw2=e*Iout;
????????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（kj）=FI（j）*x（k）*（e（1）*w2（j1）+e（2）*w2（j2）+e（3）*w2（j3）+e（4）*w2（j4））;
????????????????db1（j）=FI（j）*（e（1）*w2（j1）+e（2）*w2（j2）+e（3）*w2（j3）+e（4）*w2（j4））;
????????????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
?

%%?語音特征信號分類
inputn_test=mapminmax（‘apply‘input_testinputps）;

for?ii=1:1
????for?i=1:500%1500
????????%隱含層輸出
????????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



%%?結果分析
%根據網絡輸出找出數據屬于哪類
for?i=1:500
????output_fore（i）=find（fore（:i）==max（fore（:i）））;
end

%BP網絡預測誤差
error=output_fore-output1（n（1501:2000））‘;



%畫出預測語音種類和實際語音種類的分類圖
figure（2）
plot（output_fore‘r‘）
hold?on
plot（output1（n（1501:2000））‘‘b‘）
legend（‘預測語音類別‘‘實際語音類別‘）

%畫出誤差圖
figure（

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2017-12-07?23:25??BP神經網絡的數據分類-語音特征信號分類（修改）\
?????文件????????4101??2017-11-25?23:33??BP神經網絡的數據分類-語音特征信號分類（修改）\BP.m
?????文件????????3905??2010-01-30?20:21??BP神經網絡的數據分類-語音特征信號分類（修改）\BPDLX.m
?????文件???????93015??2009-08-29?16:54??BP神經網絡的數據分類-語音特征信號分類（修改）\data1.mat
?????文件???????92845??2009-08-29?16:54??BP神經網絡的數據分類-語音特征信號分類（修改）\data2.mat
?????文件???????92937??2009-08-29?16:54??BP神經網絡的數據分類-語音特征信號分類（修改）\data3.mat
?????文件???????93438??2009-08-29?16:54??BP神經網絡的數據分類-語音特征信號分類（修改）\data4.mat