基于多隐藏层的BP神经网络

Halcom

基于多隐藏层的BP神经网络：主要结构如下：

1. % 多隐藏层
   
2. net=newff(inputn,output_train,[10,15],{'logsig','tansig'},'trainlm');

复制代码

主要代码如下：

1. %% 该代码为基于多隐藏层的BP网络的语言识别
   
2. %% 清空环境变量
   
3. clc,clear,close all
   
4. warning off
   
5. format shortG
   
6. % 训练数据预测数据提取及归一化
   
7. %下载四类语音信号
   
8. load data1 c1
   
9. load data2 c2
   
10. load data3 c3
    
11. load data4 c4
    
12. %四个特征信号矩阵合成一个矩阵
    
13. data(1:500,:)=c1(1:500,:);
    
14. data(501:1000,:)=c2(1:500,:);
    
15. data(1001:1500,:)=c3(1:500,:);
    
16. data(1501:2000,:)=c4(1:500,:);
    
17. 
    
18. %从1到2000间随机排序
    
19. k=rand(1,2000);
    
20. [m,n]=sort(k);
    
21. 
    
22. %输入输出数据
    
23. input=data(:,2:25);
    
24. output1 =data(:,1);
    
25. 
    
26. %把输出从1维变成4维
    
27. output=zeros(2000,4);
    
28. for i=1:2000
    
29.     switch output1(i)
    
30.         case 1
    
31.             output(i,:)=[1 0 0 0];
    
32.         case 2
    
33.             output(i,:)=[0 1 0 0];
    
34.         case 3
    
35.             output(i,:)=[0 0 1 0];
    
36.         case 4
    
37.             output(i,:)=[0 0 0 1];
    
38.     end
    
39. end
    
40. 
    
41. %随机提取1500个样本为训练样本，500个样本为预测样本
    
42. input_train=input(n(1:1500),:)';
    
43. output_train=output(n(1:1500),:)';
    
44. input_test=input(n(1501:2000),:)';
    
45. output_test=output(n(1501:2000),:)';
    
46. 
    
47. %输入数据归一化
    
48. [inputn,inputps]=mapminmax(input_train);
    
49. %% 网络结构初始化
    
50. innum=24;
    
51. midnum=25;
    
52. outnum=4;
    
53. %初始化网络结构
    
54. nntwarn off
    
55. % 多隐藏层
    
56. net=newff(inputn,output_train,[10,15],{'logsig','tansig'},'trainlm');
    
57. 
    
58. net.trainParam.epochs=100;
    
59. net.trainParam.lr=0.1;
    
60. net.trainParam.goal=0.00004;
    
61. % 网络训练
    
62. net=train(net,inputn,output_train);
    
63. 
    
64. % BP网络预测
    
65. % 训练样本--预测输出
    
66. yc_train = sim(net,inputn);
    
67. 
    
68. % 测试样本--预测输出
    
69. inputn_test=mapminmax('apply',input_test,inputps);
    
70. yc_test = sim(net,inputn_test);
    
71. 
    
72. %% 结果分析
    
73. % 根据网络输出找出数据属于哪类
    
74. % 训练样本
    
75. output_train_yc=zeros(1,1500);
    
76. for i=1:1500
    
77.     output_train_yc(i)=find(yc_train(:,i)==max(yc_train(:,i)));
    
78. end
    
79. % 训练样本预测误差
    
80. error_train = output_train_yc - output1(n(1:1500))';
    
81. [eTa,eTb] = find(error_train==0);
    
82. disp(['训练样本预测正确率为：', num2str( length(eTb)/length(error_train) )])
    
83. 
    
84. % 测试样本
    
85. output_test_yc=zeros(1,500);
    
86. for i=1:500
    
87.     output_test_yc(i)=find(yc_test(:,i)==max(yc_test(:,i)));
    
88. end
    
89. % 测试样本预测误差
    
90. error_test = output_test_yc - output1(n(1501:2000))';
    
91. 
    
92. % 画出预测语音种类和实际语音种类的分类图
    
93. figure(1)
    
94. plot(output_test_yc,'r')
    
95. hold on
    
96. plot(output1(n(1501:2000))','b')
    
97. legend('预测语音类别','实际语音类别')
    
98. hold off
    
99. 
    
100. % 画出误差图
     
101. figure(2)
     
102. plot(error_test)
     
103. title('BP网络分类误差','fontsize',12)
     
104. xlabel('语音信号','fontsize',12)
     
105. ylabel('分类误差','fontsize',12)
     
106. 
     
107. % 找出判断错误的分类属于哪一类
     
108. k=zeros(1,4);  
     
109. for i=1:500
     
110.     if error_test(i)~=0
     
111.         [b,c]=max(output_test(:,i));
     
112.         switch c
     
113.             case 1
     
114.                 k(1)=k(1)+1;
     
115.             case 2
     
116.                 k(2)=k(2)+1;
     
117.             case 3
     
118.                 k(3)=k(3)+1;
     
119.             case 4
     
120.                 k(4)=k(4)+1;
     
121.         end
     
122.     end
     
123. end
     
124. 
     
125. % 找出每类的个体和
     
126. kk=zeros(1,4);
     
127. for i=1:500
     
128.     [b,c]=max(output_test(:,i));
     
129.     switch c
     
130.         case 1
     
131.             kk(1)=kk(1)+1;
     
132.         case 2
     
133.             kk(2)=kk(2)+1;
     
134.         case 3
     
135.             kk(3)=kk(3)+1;
     
136.         case 4
     
137.             kk(4)=kk(4)+1;
     
138.     end
     
139. end
     
140. 
     
141. % 正确率
     
142. rightridio=(kk-k)./kk;
     
143. disp('测试样本4类预测正确率分别为：')
     
144. disp(rightridio);
     

复制代码