负载(“网络\u音频\u顺序功能选择.mat”,“最佳网络”,“安全的”,“标准化者”）;

fs = afe.SampleRate;deviceReader = audioDeviceReader (“采样器”fs,“SamplesPerFrame”, 256);audioBuffer = dsp.AsyncBuffer (fs * 3);steBuffer = dsp.AsyncBuffer (1000);predictionBuffer = dsp.AsyncBuffer (5);

无花果=图;streamAxes =次要情节(1,1);streamPlot =情节(0 (fs, 1));ylabel (“振幅”)包含(“时间(s)”)头衔(“音频流”) streamAxes。XTick = (0, fs);streamAxes。XTickLabel = [0, 1];streamAxes。YLim = [1];analyzedAxes =次要情节(3、1、2);analyzedPlot =情节(0 (fs / 2,1));标题(“分析段”) ylabel (“振幅”)包含(“时间(s)”甘氨胆酸)组(,“XTickLabel”，[]）analyzedAxes.XTick=[0，fs/2]；analyzedAxes.XTickLabel=[0,0.5]；analyzedAxes.YLim=[-1,1]；probabilityAxes=子批次（3,1,3）；probabilityPlot=条形（0:9,0.1*个（1,10））；轴（[-1,10,0,1]）ylabel(“概率”)包含(“阶级”)

阈值=0.015；idxVec=1:fs；抽搐而toc < 20%从你的设备中读取音频帧。audioIn=deviceReader（）；将音频写入缓冲区。写入（音频缓冲区、音频输入）；%当200毫秒的数据未使用时，继续此循环。而audioBuffer。NumUnreadSamples > 0.2 * fs%从音频缓冲区读取1秒。在这一秒中，800毫秒%是重新读取旧数据，200ms是新数据。audioToAnalyze =阅读(audioBuffer, fs, 0.8 * fs);%更新图形以绘制当前音频数据。streamPlot.YData=音频分析；ste=平均值（abs（音频分析））；write（steBuffer，ste）；如果steBuffer.numreadsamples>5abc=sort（peek（steBuffer））；steThreshold=abc（round（0.4*numel（abc））；结束如果ste > steThreshold%使用DetectSpeech功能确定语音区域%他在场。idx = detectSpeech (audioToAnalyze, fs);%如果存在语音区域，执行以下操作。如果~ isempty (idx)除语音外，信号的所有部分都调零%区域，并修剪到0.5秒。audioToAnalyze = HelperTrimOrPad (audioToAnalyze (idx (1,1): idx(1、2),fs / 2);使音频正常化。audioToAnalyze=audioToAnalyze/max（abs（audioToAnalyze））；%更新分析的分段图analyzedPlot。YData = audioToAnalyze;%提取特征并转置，以便节省时间%跨列。特征=（提取（afe，音频分析））；%规范化特征。特征=（特征-normalizers.Mean）。/normalizers.StandardDeviation；%调用classify以确定概率和%获得标签。特征（isnan（特征））=0；[label，probs]=分类（bestNet，特征）；%用概率和获胜概率更新情节%的标签。probabilityPlot。YData =聚合氯化铝;写(predictionBuffer,聚合氯化铝);如果predictionBuffer。NumUnreadSamples = = predictionBuffer。lastTen = peek(predictionBuffer);[~,决定]= max(平均(lastTen。*损害(大小(lastTen, 1)), 1));probabilityAxes.Title.String = num2str (decision-1);结束结束其他的%如果信号能量低于阈值，则假设没有语音%检测到。probabilityAxes.Title.String='＇；probabilityPlot.YData=0.1*1（10,1）；analyzedPlot.YData=0（fs/2,1）；重置（predictionBuffer）结束drawnow限制结束结束

网址="https://zenodo.org/record/1342401/files/Jakobovski/free-spoken-digit-dataset-v1.0.8.zip"; downloadFolder=tempdir；datasetFolder=fullfile（下载文件夹，“FSDD”）;如果~存在(datasetFolder“dir”)fprintf('正在下载免费语音数字数据集…\n')解压（url，数据集文件夹）结束

广告= audioDatastore (datasetFolder,“IncludeSubfolders”，对）；[~，adsInfo]=读取（ads）；fs=adsInfo.SampleRate；

(~,文件名)= cellfun (@ (x) fileparts (x)的广告。文件,“UniformOutput”，假）；ads.Labels=categorical（字符串（cellfun（@（x）x（1），文件名））；

[adsTrain, adsValidation] = splitEachLabel(广告,0.8);

赢得=汉明(圆(0.03 * fs),“定期”）;overlapLength =圆(0.02 * fs);afe = audioFeatureExtractor (．..“窗口”,赢了,．..“OverlapLength”，重叠长度，．..“采样器”fs,．..．..“线性光谱”错误的．..“梅尔斯波谱”错误的．..“barkSpectrum”错误的．..“erbSpectrum”错误的．..．..“mfcc”符合事实的．..“mfccDelta”符合事实的．..“mfccDeltaDelta”符合事实的．..“gtcc”符合事实的．..“gtccDelta”符合事实的．..“gtccDeltaDelta”符合事实的．..．..“spectralCentroid”符合事实的．..“spectralCrest”符合事实的．..“spectralDecrease”符合事实的．..“光谱性”符合事实的．..“光谱平坦性”符合事实的．..“spectralFlux”符合事实的．..“spectralKurtosis”符合事实的．..“spectralRolloffPoint”,真的,．..“spectralSkewness”符合事实的．..“光谱坡”符合事实的．..“spectralSpread”符合事实的．..．..“投球”错误的．..“harmonicRatio”，假）；

核弹=One hundred.；图层=[．..sequenceInputLayer（1）BilstLayer（numUnits，“OutputMode”,“最后一次”)fullyConnectedLayer（numel（类别（adsTrain.Labels）））softmaxLayer classificationLayer]；选项=培训选项(“亚当”,．..“LearnRateSchedule”,“分段”,．..“洗牌”,“每个时代”,．..“冗长”假的,．..“最大时代”,20);

方向=“前进”；[logbook，bestFeatures，bestNet，normalizers]=助手FS（adsTrain，adsValidation，afe，层，选项，方向）；

航海日志

最佳特征

设置（afe，最佳功能）afe

%保存（'network\u Audio\u SequentialFeatureSelection.mat'、'bestNet'、'afe'、'normalizers'）

函数[trueLabels predictedLabels,净,标准化者]= HelperTrainAndValidateNetwork (adsTrain、adsValidation afe,层,选项)%培训和验证网络。%%投入：%adsTrain—指向训练集的音频数据存储对象% adsValidation - audioDatastore对象，指向验证集% afe - audioFeatureExtractor对象。% layers - LSTM或BiLSTM网络的层数% options - trainingOptions对象%%产出：%trueLabels-验证集的真实标签%predictedLabels-验证集的预测标签% net -训练的网络%规格化器-测试特征的规格化因子%版权归MathWorks公司所有。%将数据转换为高数组。tallTrain=高（adsTrain）；tallValidation=高（adsValidation）；%从训练集中提取特征。重新定位特征，以便%时间是沿着行与sequenceInputLayer兼容的。fs = afe.SampleRate;tallTrain = cellfun (@ (x) HelperTrimOrPad (x, fs / 2) tallTrain,“统一输出”，假）；tallTrain=cellfun（@（x）x/max（abs（x））[]，“所有”)，塔勒列，“统一输出”，假）；TallFeatureRain=cellfun（@（x）提取物（afe，x），tallTrain，“统一输出”、假);tallFeaturesTrain = cellfun (@ (x) x ', tallFeaturesTrain,“统一输出”、假);% #好< NASGU >[~, featuresTrain] = evalc (“聚集（TallFeatureRain）”）;%使用evalc抑制命令行输出。tallValidation = cellfun (@ (x) HelperTrimOrPad (x, fs / 2) tallValidation,“统一输出”，false）；tallValidation=cellfun（@（x）x/max（abs（x），[]，“所有”)、tallValidation“统一输出”，false）；tallFeaturesValidation=cellfun（@（x）提取物（afe，x），tallValidation，“统一输出”，假）；tallFeaturesValidation=cellfun（@（x）x'，tallFeaturesValidation，“统一输出”、假);% #好< NASGU >[~, featuresValidation] = evalc (“收集(tallFeaturesValidation)”）;%使用evalc抑制命令行输出。%使用训练集来确定每种方法的平均值和标准偏差%特色。规范化培训和验证集。allFeatures =猫(2,featuresTrain {:});M =意味着(allFeatures 2“omitnan”)；S=标准（所有特征，0,2，“omitnan”)；featuresTrain=cellfun（@（x）（x-M）。/S，featuresTrain，“UniformOutput”、假);为ii=1:numel（featuresTrain）idx=find（isnan（featuresTrain{ii}））；如果~isempty（idx）特征菌株{ii}（idx）=0；结束结束featuresValidation = cellfun (@ (x)(即x m)。/ S, featuresValidation,“UniformOutput”、假);为ii = 1:numel(featuresValidation) idx = find(isnan(featuresValidation{ii}));如果~isempty（idx）特征验证{ii}（idx）=0；结束结束%复制序列和验证集的标签，使其处于%与序列一一对应。labelsTrain=adsTrain.Labels；%为测试中的特征数量更新输入层。层（1）=sequenceInputLayer（大小（特征应变{1}，1））；%培训网络。网= trainNetwork (featuresTrain、labelsTrain层,选择);%评估网络。调用classify以获取每个网络的预测标签%的序列。predictedLabels=classify（net，featuresValidation）；trueLabels=adsValidation.Labels；%将规范化因子另存为结构。标准化器。平均值=M；标准化器。标准偏差=S；结束

函数(日志,bestFeatures bestNet bestNormalizers] = HelperSFS (adsTrain、adsValidate afeThis,层,选择,方向)%%投入：%adsTrain—指向训练集的音频数据存储对象% adsValidate -指向验证集的audioDatastore对象% afe - audioFeatureExtractor对象。设置所有功能测试为真% layers - LSTM或BiLSTM网络的层数% options - trainingOptions对象% direction - SFS方向，指定为“forward”或“backward”%%产出：%日志-包含已测试功能配置和相应验证精度的表格% bestFeatures -包含最佳特性配置的结构体%bestNet-具有最高验证精度的经过培训的网络%最佳标准化器-最佳特征的特征标准化因子%版权归MathWorks公司所有。afe = (afeThis)复印件;featuresToTest =字段名(信息(afe));N =元素个数(featuresToTest);bestValidationAccuracy = 0;%设置初始功能配置：全部启用以进行反向选择%或全部关闭以进行正向选择。featureConfig = info (afe);为i = 1: N如果strcmpi（方向，“向后”)featureConfig.（featuresToTest{i}）=真；其他的featureConfig。(featuresToTest{我})= false;结束结束%初始化日志，以跟踪特征配置和准确性。日志=表格（功能配置，0，“VariableNames”，[“功能配置”,“准确性”]）;%执行顺序特征评估。wrapperIdx = 1;bestAccuracy = 0;而wrapperIdx<=N%创建包含所有要测试的功能配置的单元阵列%在当前循环中。featureConfigsToTest =细胞(元素个数(featuresToTest), 1);为ii=1:numel（特性测试）如果strcmpi（方向，“向后”)featureConfig.（featuresToTest{ii}）=false；其他的featureConfig。(featuresToTest {2}) = true;结束featureConfigsToTest {2} = featureConfig;如果strcmpi（方向，“向后”) featureConfig.(featuresToTest{ii}) = true;其他的featureConfig.（featuresToTest{ii}）=false；结束结束%在每个功能集上循环。为ii=1:numel（特性配置测试）%确定要测试的当前功能配置。更新%这部电影的特色是afe。currentConfig=featureConfigsToTest{ii}；set（afe，currentConfig）%培训并获得当前k倍交叉验证精度%功能配置。[trueLabels predictedLabels,净,标准化者]= HelperTrainAndValidateNetwork (adsTrain、adsValidate afe,层,选项);valAccuracy =意味着(trueLabels = = predictedLabels) * 100;如果bestValidationAccuracy = valAccuracy;bestNet =净;bestNormalizers =标准化者;结束%更新日志结果=表(currentConfig valAccuracy,“VariableNames”，[“功能配置”,“准确性”])；日志=[日志；结果]；% #好< AGROW >结束%以最佳精度确定并打印设置。如果%没有提高，结束跑。[a, b] = max(日志{:,“准确性”}）;如果a <= bestAccuracy wrapperIdx = inf;其他的wrapperIdx=wrapperIdx+1；结束最佳精度=a；%根据最近的获胜者更新要测试的功能。赢家=日志{b,“功能配置”}；fn=字段名（获胜者）；tf=structfun（@（x）（x），获胜者）；如果strcmpi（方向，“向后”)featuresToRemove=fn（~tf）；其他的featuresToRemove=fn（tf）；结束为ii=1:numel（featuresToRemove）loc=strcmp（featuresToTest，featuresToRemove{ii}）；featuresToTest（loc）=[]；如果strcmpi（方向，“向后”) featureConfig.(featuresToRemove{ii}) = false;其他的featureConfig.（featuresToRemove{ii}）=真；结束结束结束%对日志进行排序，使其更具可读性。:日志(1)= [];%删除第一行占位符。日志= sortrows(日志,{“准确性”},{“下降”}); 最佳功能=日志{1，“功能配置”}；m=日志{：，“功能配置”}; fn=字段名（m）；myString=strings（numel（m），1）；为wrapperIdx = 1:num (m) tf = structfun(@(x)(x)，logbook{wrapperIdx，“功能配置”}）;myString (wrapperIdx) = strjoin (fn (tf),"， "）;结束日志=表（myString，日志{：，“准确性”},“VariableNames”，[“特征”,“准确性”]）;结束

函数y = HelperTrimOrPad (x, n)% y = HelperTrimOrPad(x,n)修剪或填充输入x到n个样本。如果x是%修剪，前后修剪均匀。如果x被填充，它就是%在前面和后面用0填充。对于奇数长度的修剪或%填充，额外的样品从后面修剪或填充。%版权归MathWorks公司所有。a=尺寸（x，1）；如果a埃尔塞夫a > n frontTrim = floor((a-n)/2)+1;backTrim = a - n - frontTrim;y = x (frontTrim: end-backTrim);其他的y=x；结束结束