哪位大神帮小弟写一段MATLAB提取语音信号共振峰程序

function [fmt] = seekfmts1(sig,Nt,fs,Nlpc)

if nargin<4, Nlpc = round(fs/1000)+2end

ls=length(sig) % 数据长度

Nwin = floor(ls/Nt) % 帧长

for m=1:Nt,

lpcsig = sig((Nwin*(m-1)+1):min([(Nwin*m) ls]))% 取来一帧信号

if ~isempty(lpcsig),

a = lpc(lpcsig,Nlpc)% 计算LPC系数

const=fs/(2*pi) % 常数

rts=roots(a)% 求根

k=1 % 初始化

yf = []

bandw=[]

for i=1:length(a)-1

re=real(rts(i)) % 取根之实部

im=imag(rts(i)) % 取根之虚部

formn=const*atan2(im,re)% 计算共振峰频率

bw=-2*const*log(abs(rts(i)))% 计算带宽

if formn>150 &bw <700 &formn<fs/圆冲2 % 满足条件方能成共振峰和带宽

yf(k)=formn

bandw(k)=bw

k=k+1

end

end

[y, ind]=sort(yf) % 排序

bw=bandw(ind)

F = [NaN NaN NaN] % 初始化

F(1:min(3,length(y))) = y(1:min(3,length(y)))% 输出最多三个

F = F(:)% 按列输出

fmt(:,m)=F/(fs/2) % 归一化频率

end

end

from 《matlab在语音信号猜腔慎分析与穗敬合成中的应用》

%% 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汪扰成一个矩阵

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)

%输入输出数坦悔据

input=data(:,2:25)

output1 =data(:,1)

%把输出从1维变成4维

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=w2w2_2=w2_1

w1_1=w1w1_2=w1_1

b1_1=b1b1_2=b1_1

b2_1=b2b2_2=b2_1

%学习率

xite=0.1

alfa=0.01

%% 网络训练

for ii=1:10

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

% 输出层输困信旦出

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_1w1_1=w1

w2_2=w2_1w2_1=w2

b1_2=b1_1b1_1=b1

b2_2=b2_1b2_1=b2

end

end

%% 语音特征信号分类

inputn_test=mapminmax('apply',input_test,inputps)

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

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

---