BP神经网络的数据分类实验.doc

《智能信息处理》实验报告二系别：电子工程班级：智能13001班学号：13160700131姓名：郭桂伶日期：2016/4.1指导教师：赵秀洁一、实验内容：1．BP神经网络的数据分类二．实验目的：1．通过BP神经网络的使用熟悉BP神经网络的基本概念和工作原理。2．编程建立BP神经网络模型实现对BP模型的训练做到日后熟练使用。三．实验分析：语音特征信号识别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入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。实验选取了民歌、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下图2、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入输出数据特点确定BP神经网络的结构由于语音特征输入信号有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即输入层有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。3、BP神经网络训练过程1）网络初始化。确定输入层、隐含层和输出层的节点数n、l、m初始化权值、和隐含层阈值a和输出层阈值b给定学习速率和神经元的激励函数。2）隐含层输出计算3）输出层输出计算4）误差计算5）权值更新6）阈值更新。根据网络预测误差e更新网络节点阈值ab。7）判断算法迭代是否结束若没有结束返回步骤2。四、Matlab相关函数1.归一化方法及Matlab函数数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有数据都转化为[01]之间的数其目的是取消各维数据间数量级差别避免因为输入输出数据数量级差别较大而造成网络预测误差较大。数据归一化的方法主要有以下两种。1)最大最小法。函数形式如下:2)平均数方差法函数形式如下:实验采用第一种数据归一化方法归一化函数采用MATLAB自带函数mapminmax该函数有多种形式常用的方法如下。input_trainoutput_train是训练输入、输出原始数据inputnoutputn是归一化后的数据inputpsoutputps为数据归一化后得到的结构体里面包含了数据最大值、最小值和平均值等信息可用于测试数据归一化和反归一化。测试数据归一化和反归一化程序如下。input_test是预测输入数据inputn_test是归一化后的预测数据apply表示根据inputps的值对input_test进行归一化。an是网络预测结果outputps是训练输出数据归一化得到的结构体BPoutput是反归一化之后的网络预测输出reverse表示对数据进行反归一化。2.数据选择和归一化首先根据倒谱系数法提取四类音乐语音特征信号不同的语音信号分别用1234标识提取出的信号分别存储于data1.matdata2.matdata3.matdata4.mat数据库文件中每组数据为25维第1维为类别标识后24维为语音特征信号。把四类语音特征信号合为一组从中随机选取1500组数据作为训练数据500组数据作为测试数据并对训练数据进行归一化处理。根据语音类别标识设定每组语音信号的期望输出值:标识类为1时期望输出向量为[1000];标识类为2时期望输出向量为[0100];标识类为3时期望输出向量为[0010];标识类为4时期望输出向量为[0001]。五、Matlab部分代码如下：1.input=data(:2:25);output1=data(:1);fori=1:2000switchoutput1(i)case1