پردازش گفتارباشبکه عصبی

[e.jam]

باسلام.
ببخشیددوستان من پروژه ای دارم که دراون بایدویژگی های mfccرا برای 25 تافایل صدایyesو25فایل صدای no استخراج کنم وسپس به شبکه عصبی بادستورnntoolاموزش بدهم.خروجی شبکه عصبی باید یک عدد باشد که مشخص کند کدام فرمان گفته شده .90درصدداده هارابرای داده های trainانتخاب کردم و10درصدرابرای testگذاشتم.اماابعادبردارویژگی برای صدایyesباصدایnoمتفاوت است.استادم گفتن که بایدبردارهارانرمال کنم وبرای اینکارهم بایدقبلش بردارهاراتکه تکه کنم.ایاکسی میتونه بمن کمک کنه؟ممنون

[naser1363]

پاسخ : پردازش گفتارباشبکه عصبی

خوب الان مشکلتون دقیقا چیه؟

[e.jam]

پاسخ : پردازش گفتارباشبکه عصبی

سلام.

ببینیدمن کدزیررانوشتم.که دران اندازه وفازوCepstrumتعدادی ازصداهارامحاسبه میکند.حالامیخواهم یک بردارtrainfeatureبنویسم که سطراول ان Cepstrumمربوط به صدای اول باشدوسطردوم Cepstrumمربوط به صدای دوم و...ولی بردارهای c1وc2ابعادشون باهم فرق میکنه.واصلانمیدونم چگونه همچین ماتریسی راتعریف کنم ؟وقتی هم که دستورnntoolرامیزنم اصلاc1وc2رانمیتوان برای داده های inputتعریف کرد.یعنی جزو لیست داده هانمیاد.بایدچیکارکنم تاابعادc1وc2یعنی همون بردارهای ویژگی یکسان بشه وبشه به عنوان داده های ورودی به شبکه عصبی معرفیشون کنم؟

clc;
K1=10;
for i = 6 : K1,
filename = ['C:\Users\Mahamir\Desktop\train\yes&#039 ;,int2str(i),'.wav'];
[x1,fs] = wavread(filename);
end
for i = 6:K1,
filename = ['C:\Users\Mahamir\Desktop\train\no' ,int2str(i),'.wav'];
[x2,fs] = wavread(filename);
end


save 'text1' x1
save 'text2' x2
M=10;
%text2emulation
for i =1 : 5,
load 'text1'
Y1=fft(x1);
w=(0:length(x1)-1)/length(x1)*2*pi;
figure(i);

subplot(2,2,1)
plot(w,abs(Y1))
xlabel('w&#039
ylabel('size&#039
title('yes'

C1=fft(log(abs(Y1)+eps));% cepstrum is DFT of log spectrum

subplot(2,2,2)
plot(w,angle(Y1))
xlabel('w&#039
ylabel('phase&#039

ms1=fs/1000; % maximum speech Fx at 1000Hz
ms20=fs/50; % minimum speech Fx at 50Hz
% plot between 1ms (=1000Hz) and 20ms (=50Hz)
q=(ms1:ms20)/fs;
subplot(2,2,3);
plot(q,abs(C1(ms1:ms20)));
legend('Cepstrum'
xlabel('Quefrency (s)'
ylabel('Amplitude'
end
for j = 5 : M,
load 'text2'
Y2=fft(x2);
w=(0:length(x2)-1)/length(x2)*2*pi;
figure(j);

subplot(2,2,1)
plot(w,abs(Y2))
xlabel('w&#039
ylabel('size&#039
title('no'
C2=fft(log(abs(Y2)+eps));% cepstrum is DFT of log spectrum
subplot(2,2,2)
plot(w,angle(Y2))
xlabel('w&#039
ylabel('phase&#039

ms1=fs/1000; % maximum speech Fx at 1000Hz
ms20=fs/50; % minimum speech Fx at 50Hz
% plot between 1ms (=1000Hz) and 20ms (=50Hz)
q=(ms1:ms20)/fs;
subplot(2,2,3);
plot(q,abs(C2(ms1:ms20)));
legend('Cepstrum'
xlabel('Quefrency (s)'
ylabel('Amplitude'
end