MATLAB借助LSTM实现噪声分类

% 软件版本 MATLAB 2020a,低版本的部分函数无法使用
% 使用深度网络对声音进行分类
% 该示例展示了利用深度学习对声音进行分类的过程
% 创建数据集
% 生成1000个白噪声信号，1000个布朗噪声信号，1000个粉红噪声信号。
% 每段音频持续0.5s,采样频率为44.1kHz
fs = 44.1e3;
//声音的采样频率44.1kHz
duration = 0.5;
N = duration*fs;
wNoise = 2*rand([N,1000]) - 1;
wLabels = repelem(categorical("white"),1000,1);
bNoise = filter(1,[1,-0.999],wNoise);
bNoise = bNoise./max(abs(bNoise),[],'all');
bLabels = repelem(categorical("brown"),1000,1);
pNoise = pinknoise([N,1000]);
pLabels = repelem(categorical("pink"),1000,1);
% 查看数据集
% 听一段白噪声，并通过频谱图观察其特征
sound(wNoise(:,1),fs)
melSpectrogram(wNoise(:,1),fs)
title('White Noise')
% 观察布朗噪声特征
sound(bNoise(:,1),fs)
melSpectrogram(bNoise(:,1),fs)
title('Brown Noise')
% 观察粉红噪声的特征
sound(pNoise(:,1),fs)
melSpectrogram(pNoise(:,1),fs)
title('Pink Noise')
% 按8：2的比例将数据集划分为训练集和测试集
% 每种类型的噪声使用800个作为训练集
audioTrain = [wNoise(:,1:800),bNoise(:,1:800),pNoise(:,1:800)];
labelsTrain = [wLabels(1:800);bLabels(1:800);pLabels(1:800)];
% 使用剩余的200组作为测试集
audioValidation = [wNoise(:,801:end),bNoise(:,801:end),pNoise(:,801:end)];
labelsValidation = [wLabels(801:end);bLabels(801:end);pLabels(801:end)];
% 提取特征
% 音频数据是高维的，通常包含冗余信息。通过先提取特征，然后使用提取的特征训练模型，可以降低维度。
% 创建audioFeatureExtractor对象以提取mel光谱随时间变化的质心和斜率。
aFE = audioFeatureExtractor("SampleRate",fs, ...
"SpectralDescriptorInput","melSpectrum", ...
"spectralCentroid",true, ...
"spectralSlope",true);
% 调用extract函数从音频的训练数据中提取特征
featuresTrain = extract(aFE,audioTrain);
[numHopsPerSequence,numFeatures,numSignals] = size(featuresTrain)
% 在下一步中，您将把提取的特征视为序列，并使用sequenceInputLayer作为深入学习模型的第一层。
% 当使用sequenceInputLayer作为网络中的第一层时，trainNetwork希望训练和验证数据格式化为序列的单元数组，
% 其中每个序列随时间推移由特征向量组成。sequenceInputLayer要求时间维度沿第二个维度。
featuresTrain = permute(featuresTrain,[2,1,3]);
featuresTrain = squeeze(num2cell(featuresTrain,[1,2]));
numSignals = numel(featuresTrain)
[numFeatures,numHopsPerSequence] = size(featuresTrain{1})
% 提取验证特征
featuresValidation = extract(aFE,audioValidation);
featuresValidation = permute(featuresValidation,[2,1,3]);
featuresValidation = squeeze(num2cell(featuresValidation,[1,2]));
% 定义一个训练的神经网络
% 定义神经网络结构，查看神经网络层的列表以获取更多的信息
layers = [ ...
sequenceInputLayer(numFeatures)
lstmLayer(50,"OutputMode","last")
fullyConnectedLayer(numel(unique(labelsTrain)))
softmaxLayer
classificationLayer];
% 使用trainingOptions函数定义训练的参数
options = trainingOptions("adam", ...
"Shuffle","every-epoch", ...
"ValidationData",{featuresValidation,labelsValidation}, ...
"Plots","training-progress", ...
"Verbose",false);
% 使用trainNetwork函数训练神经网络
net = trainNetwork(featuresTrain,labelsTrain,layers,options);
%使用三种噪声测试神经网络
wNoiseTest = 2*rand([N,1]) - 1;
classify(net,extract(aFE,wNoiseTest)')
bNoiseTest = filter(1,[1,-0.999],wNoiseTest);
bNoiseTest= bNoiseTest./max(abs(bNoiseTest),[],'all');
classify(net,extract(aFE,bNoiseTest)')
pNoiseTest = pinknoise(N);
classify(net,extract(aFE,pNoiseTest)')

最后

以上就是要减肥高山为你收集整理的MATLAB借助LSTM实现噪声分类MATLAB借助LSTM实现噪声分类的全部内容，希望文章能够帮你解决MATLAB借助LSTM实现噪声分类MATLAB借助LSTM实现噪声分类所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。