MATLAB提取MFCC、GFCC、LPCC等特征，使用随机森林分类

% Author: Chen QiangQiang(2434302354@qq.com) % Date : 2023年3月22日 % %% 计算mfcc、lpcc、lpl、cfcc等多个特征 % clear;close all;clc % % 添加相应的文件到路径 % addpath(genpath('CQCC、LPCC、MFCC、PLP')) % % file='E:\DAN\2023\3月\20230312\Phoneme_dataset\female\consonants\b\';%声音信号所在文件夹 % file1=strcat(file,'*.wav');%strcat:连接多个字符串 % file2=dir(file1);%获取文件夹下所有的wav文件（dir:读取文件夹下所有文件和文件夹/特定后缀的文件） % n=length(file2); % for i=1:n % file3=strcat(file,file2(i).name); % [x,fs] = audioread(file3); % x=jiangzao(x); % x=x(:,1); % % cfcccell{i}=cfcc(x); % mfcccell{i}=mfcc(x,fs); % lpcccell{i}=lpccs(x,fs) ; % plpcell{i}=plp(x,fs); % end %% 计算mfcc,并且随机森林分类 clear;close all;clc % 添加相应的文件到路径 addpath(genpath('SubCodes')) sb=["female","kids","male"]; RFDMats=[]; for s=1:length(sb) p = genpath(".\Phoneme_dataset\"+sb(s)+"\consonants");% 获得文件夹data下所有子文件的路径，这些路径存在字符串p中，以';'分割 length_p = size(p,2);%字符串p的长度 path = {};%建立一个单元数组，数组的每个单元中包含一个目录 temp = []; for i = 1:length_p %寻找分割符';'，一旦找到，则将路径temp写入path数组中 if p(i) ~= ';' temp = [temp p(i)]; else temp = [temp '\']; %在路径的最后加入 '\' path = [path ; temp]; temp = []; end end clear p length_p temp; %至此获得data文件夹及其所有子文件夹（及子文件夹的子文件夹）的路径，存于数组path中。 %下面是逐一文件夹中读取音频 file_num = size(path,1);% 子文件夹的个数 count=1; for i = 1:file_num file_path = path{i}; % 音频文件夹路径 sound_path_list = dir(strcat(file_path,'*.wav')); sound_num = length(sound_path_list); %该文件夹中音频数量 if sound_num > 0 for j = 1:sound_num sound_name = sound_path_list(j).name;% 音频名 [x,fs] = audioread(strcat(file_path,sound_name));% 读取音频文件 % x=jiangzao(x);% 对音频文件降噪处理 RFD{1,count}=reshape(rmmissing(mfccs(x,fs)),1,[]);% 计算mfcc特征 len(count)=length(reshape(rmmissing(mfccs(x,fs)),1,[])); RFD{2,count}=i; fprintf('%d %d %s\n',i,j,strcat(file_path,sound_name));% 显示正在处理的路径和音频名 count=count+1; end end end col=200000; %%% 构造随机森林训练的数据，每行代表一个.wav文件的mfcc特征，最后一列代表标签，即音标，为了处理，将音标和数字对应. %%% 较短的向量，用0填充 RFDMat=zeros(length(RFD),col+1); for i=1:length(RFD) tmp=RFD{1,i}; for j=1:length(tmp) RFDMat(i,j)=tmp(j); end RFDMat(i,col+1)=RFD{2,i}; end RFDMats=[RFDMats;RFDMat]; end %% 构造随机森林进行分类 RFDMat=RFDMats; % 数据按3：7比例随机分为训练集和测试集 Data = RFDMat(:,1:col); %对数据集实例化 labels=RFDMat(:,col+1); num_test = i*0.1; [ndata, D] = size(Data); %ndata表示数据集样本数，D是特征数 R = randperm(ndata);%1到ndata这些数随机打乱得到的一个随机数字序列作为索引 Xtest = Data(R(1:num_test),:); test_labels = double(labels(R(1:num_test),:)); % 设置测试集样本标签 R(1:num_test) = []; Xtrain = Data(R,:); num_train = size(Xtrain,1);%num_train：训练样本数 train_labels = double(labels(R,:));% 设置训练集样本标签 numtrees=100; minleaf=1; % 构建随机森林训练 b = TreeBagger(numtrees,Xtrain,train_labels,'Method','classification','OOBPredictorImportance','On','MinLeafSize',minleaf); % % 模型性能 % subplot(2,2,1) % plot(oobError(b)) % xlabel('Number of Grown Trees') % ylabel('Out-of-Bag Classification Error') % % b.DefaultYfit = ''; % subplot(2,2,2) % plot(oobError(b)) % xlabel('Number of Grown Trees') % ylabel('Out-of-Bag Error Excluding In-Bag Observations') % % subplot(2,2,3) % bar(b.OOBPermutedPredictorDeltaError) % xlabel('Feature Index') % ylabel('Out-of-Bag Feature Importance') % % % 利用模型进行预测 pre_label = predict(b, Xtest); pre_labels=[]; for i=1:length(pre_label) pre_labels=[pre_labels;str2num(pre_label{i})]; end % % subplot(2,2,4) % cm = confusionchart(test_labels,pre_labels); % cm.Title = 'Iris Flower Classification'; % cm.RowSummary = 'row-normalized'; % cm.ColumnSummary = 'column-normalized'; % 计算测试集的预测精度 for ii=1:length(pre_labels) if pre_labels(ii) == test_labels(ii) count(ii)=1; else count(ii)=0; end end acc=sum(count)/length(pre_labels)