精华内容
下载资源
问答
  • 本代码主要是用BP神经网络进行数据分类,代码中是语音特征信号分类
  • 手动搭建了一个bp神经网路,乳腺癌数据集进行分类数据集从sklearn中获得,神经网络用numpy手动搭建。手动搭建了一个bp神经网路,乳腺癌数据集进行分类数据集从sklearn中获得,神经网络用numpy手动搭建。
  • 中科大自然计算的小作业,使用梯度下降的bp神经网络实现iris数据分类,上传上来与大家分享,顺便捞一点难得的下载积分
  • 设计一个BP神经网络对蝴蝶花进行分类 实验内容包括: BP神经网络的结构设计; 通过Python实现BP神经网络; 实验进行参数优化,对比不同参数的效果性能; 分析实验结果,优化BP神经网络结构;
  • 压缩包中包含代码和所需数据,此代码实现了TE数据故障1测试集的正确分类,正确率99.9%。开发环境为jupyter lab。
  • MATLAB环境下用BP神经网络进行数据分类
  • BP神经网络用于数据分类,基于语音特征信号分类的示例。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...
  • 基于BP神经网络原理,针对数据当中所需的分类需求进行开发的小程序,具备一定的直到作用。
  • 语音作为一种搭载着特定的信息模拟信号,已成为人们社会生活中获取信息和传播信息的重要的手段。本文采用matlab语言进行程序设计,采用bp神经网络的智能方法,实现多种语音信号的分离。
  • 基于BP神经网络数据分类,MATLAB程序代码,亲测可用。
  • 该资源包包含了MNIST数据集及使用pytorch实现数字分类的代码。其中,pytorch使用了两层神经网络,正确分类识别的精度达到了99%。可以供实现大作业或了解相关课程的同学使用及学习。
  • BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程,输入模式从输入层经隐单元层逐层处理,并转向输出层,每层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入...
  • BP神经网络分类信号 本代码亲测有效 含有测试数据 正在进行相关研究的人员来说很有参考价值
  • 这个是花分类数据集,里面还有bp神经网络学习的一个文档,以及bp神经网络代码总结的一个博客,地址为https://blog.csdn.net/zqx951102/article/details/94432321 里面代码都是可以运行的,初步学习bp神经网络 可以...
  • BP神经网络数据分类-语音特征信号分类.7z
  • 对应视频链接 https://www.bilibili.com/video/BV1AW41167C5?from=search&seid=3152056706450930654
  • BP神经网络代码matlab,带breast.dat数据集,是分类的,把数据集分了两类,用bp神经网络进行预测和分类,输出预测精度,带代码详细注解,方便看懂代码,方便学习。
  • isir数据集进行分类,各选取三种花的25个样本作为训练数据,其余作为测试数据,多训练几次,准确率可以达到98%左右
  • BP神经网络用于分类iris数据集,编程的思路不错,值得初学者学习。
  • BP神经网络是一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,输入信号从输入层经隐含层逐层处理,直至输出层. 每一层的神经元状态只影响下一层神经元状态。如果输出层得不到...

    BP 神经网络的数据分类——语音特征信号分类

    1. BP神经网络是一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,输入信号从输入层经隐含层逐层处理,直至输出层. 每一层的神经元状态只影响下一层神经元状态。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 柿经网络拓扑结构图

    2. 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E 然后,将该段语音模型罔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。
      在这里插入图片描述

    3. 本代码选取了民歌、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费立法提取500 组24 维语音特征信号。
      在这里插入图片描述

    4. 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2 000 组语音特征信号,从中随机选择1 5 00 组数据作为训练数据训练网络, 5 00 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。算法流程图为:
      在这里插入图片描述

    5. 程序实现

    %% 该代码为基于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
    
    %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=1:2000
        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);
    
    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:loopNumber
        E(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:midnum
                I(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: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)*(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));
                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
     
    
    %% 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)
    
    %print -dtiff -r600 1-4
    
    k=zeros(1,4);  
    %找出判断错误的分类属于哪一类
    for i=1:500
        if error(i)~=0
            [b,c]=max(output_test(:,i));
            switch c
                case 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;
            end
        end
    end
    
    %找出每类的个体和
    kk=zeros(1,4);
    for i=1:500
        [b,c]=max(output_test(:,i));
        switch c
            case 1
                kk(1)=kk(1)+1;
            case 2
                kk(2)=kk(2)+1;
            case 3
                kk(3)=kk(3)+1;
            case 4
                kk(4)=kk(4)+1;
        end
    end
    
    %正确率
    rightridio=(kk-k)./kk;
    disp('正确率')
    disp(rightridio);
    

    6.点击其中四类语音信号下载(免费)
    7.结果如下图
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • BP神经网络数据分类-语音特征信号分类源程序-*BP神经网络数据分类-语音特征信号分类源程序*-*BP神经网络数据分类-语音特征信号分类源程序*
  • 该程序有基于MATLAB和基于AForge.NET的程序的BP神经网络实现数据分类,本程序以Fisher的Iris数据集作为神经网络程序的测试数据集,并有演示ppt
  • 神经网络,语音特征信号分类数据选择和归一化,结构初始化
  • BP神经网络数据分类代码,可以进行语音特征信号分类
  • 网上找到的资源,代码比较基础,内有自带数据,可运行,大家可以下下来进行学习。
  • 利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经...
  • 本资源针对minist数据集的CSV文件进行神经网络的训练,由于minist数据集较大,这里数据集里面有100个训练数据,10个测试数据,此代码不使用TensorFlow和pytorch等深度框架,使用numpy进行两层全连接神经网络的设计。
  • 用Matlab编写,基于Bp神经网络的语音特征信号分类,能够分类四种音乐类型,里边包括源程序四种音乐特征,亲测能够运行
  • 基于BP神经网络数据分类-语音特征信号分类,代码是以matlab编写的

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 19,019
精华内容 7,607
关键字:

bp神经网络对数据分类