Python人工智能：使用Keras库实现基于神经网络的噪声分类算法

操作系统为Ubuntu 22.04。

本文设计的总体思路如下图所示：

如图所示，本文设计的神经网络结构为：

• (1) 输入节点为512；
• (2) 两个隐含层，且没层的节点数为256；
• (3) 输出节点为10。

一、噪声数据的获取与预处理

1.1 噪声数据集的获取

• (1) 本文使用SPIB开源噪声数据集NoiseX-92中的15种噪声数据进行基于神经网络的噪声分类算法，官方下载下载地址为：Signal Processing Information Base (SPIB)，下载的时候需要一个个下载且下载速度比较慢。
• (2) 也可以通过百度网盘下载，

链接：https://pan.baidu.com/s/1FDZ3tMHyLbDPj275hEiuqQ，提取码: ayrr。

1.2 噪声数据的预处理

使用Python对NoiseX-92噪声数据集进行预处理使用了如下四个python库：

• (1) scipy库：使用其中的loadmat方法用于提取.mat格式文件中的噪声数据；
• (2) sklearn库：主要使用其中的StandardScaler方法用于实现数据的正则化处理；以及train_test_split方法将数据划分训练集与测试集；
• (3) numpy库：用于处理数据的获取与存储方式。

本文选取其中10种噪声为分析对象，噪声数据预处理代码：

from scipy.io import loadmat
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
import numpy as np

def noise_data_pro(
    length=1024,        # 每个样本的信号长度
    number=100,         # 每种信号的样本数
    enc_step=28         # 每次增强时候的步长
):
    # 读取噪声数据，并存储在files字典中
    files = {}

    # 依次读取NOISEX-92_mat文件夹中的.mat格式的噪声数据
    # (1) 白噪声数据的获取
    white = loadmat('./NOISEX-92_mat/white.mat')
    files['white'] = white['white'].ravel()

    # (2) 粉噪声数据的获取
    pink = loadmat('./NOISEX-92_mat/pink.mat')
    files['pink'] = pink['pink'].ravel()

    # (3) babble噪声数据的获取
    babble = loadmat('./NOISEX-92_mat/babble.mat')
    files['babble'] = babble['babble'].ravel()

    # (4) factory噪声数据的获取
    factory = loadmat('./NOISEX-92_mat/factory1.mat')
    files['factory'] = factory['factory1'].ravel()

    # (5) volvo噪声数据的获取
    volvo = loadmat('./NOISEX-92_mat/volvo.mat')
    files['volov'] = volvo['volvo'].ravel()

    # (6) leopard噪声数据的获取
    leopard = loadmat('./NOISEX-92_mat/leopard.mat')
    files['leopard'] = leopard['leopard'].ravel()

    # (7) f16噪声数据的获取
    f16 = loadmat('./NOISEX-92_mat/f16.mat')
    files['f16'] = f16['f16'].ravel()

    # (8) buccaneer噪声数据的获取
    buccaneer = loadmat('./NOISEX-92_mat/buccaneer1.mat')
    files['buccaneer'] = buccaneer['buccaneer1'].ravel()

    # (9) machinegun噪声数据的获取
    machinegun = loadmat('./NOISEX-92_mat/machinegun.mat')
    files['machinegun'] = machinegun['machinegun'].ravel()

    # (10) hfchannel噪声数据的获取
    hfchannel = loadmat('./NOISEX-92_mat/hfchannel.mat')
    files['hfchannel'] = hfchannel['hfchannel'].ravel()

    keys = files.keys()     # 得到files字典的键值
    Train_Samples = {}      # 所有训练噪声数据样本的暂存字典

    # 使用随机滑动的方法分别将10种噪声切分为number个样本，
    # 且每个样本的长度为length,滑动的步长为enc_step。
    for i in keys:
        slice_data = files[i]           # 读取每种噪声数据的序列
        all_lenght = len(slice_data)    # 获取每种噪声数据的长度
        end_index = int(all_lenght)     # 获得每种噪声数据的结束位置
        samp_train = int(number)        # 每个样本的噪声信号长度

        Train_sample = []       # 存放每种噪声数据的列表

        # 随机滑动获得噪声数据切片
        enc_time = length // enc_step
        samp_step = 0
        for j in range(samp_train):
            random_start = np.random.randint(
                low=0, high=(end_index - 2*length)
            )
            label = 0
            for h in range(enc_time):
                samp_step += 1
                random_start += enc_step
                sample = slice_data[random_start:random_start+length]
                Train_sample.append(sample)
                if samp_step == samp_train:
                    label = 1
                    break
            if label:
                break

        Train_Samples[i] = Train_sample

    x_train = []    # 训练数据
    y_train = []    # 训练数据标签
    label = 0

    # 以0-9来表示10种噪声数据的标签
    for i in Train_Samples.keys():
        x = Train_Samples[i]
        x_train += x
        lenx = len(x)
        y_train += [label] * lenx
        label += 1

    # 使用StandardScaler()方法对噪声数据进行正则化处理
    # 注意：此时x_train由list格式数据转变为ndarray格式
    x_train = StandardScaler().fit_transform(x_train)
    # 将y_train列表格式数据也转换为ndarray格式
    y_train = np.array(y_train)

    # 下面将数据集划分训练数据集与测试数据集
    X_train, X_test, y_train, y_test = train_test_split(
        x_train, y_train,
        test_size=0.2       # 训练数据集与测试数据集的比例为8:2
    )

    # 返回值：
    # (1) 训练数据集: X_train, y_train
    # (2) 测试数据集: X_test, y_test
    # (3) 噪声数据标签：keys
    return X_train, X_test, y_train, y_test, keys

将上述代码存放到如下图所示的noise_data_pro.py文件中，并将下载的NOISEX-92噪声数据聚集放入到同样的目录下。

在test.ipynb中输入如下所示的代码且输出结果如下图所示：

调用上面的数据预处理方法如下图所示：

二、基于Keras的神经网络噪声分类算法实现方法

from noise_data_pro import noise_data_pro

import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils

X_train, X_test, y_train, y_test, items = noise_data_pro(
    length=512,
    number=1000
)

# 将目标标签y_train、y_test转换为分类数据格式
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

# 创建神经网络
model = Sequential()

model.add(Dense(
    256,
    activation='relu',
    input_shape=(512,)
))

model.add(Dense(
    256,
    activation='relu',
    input_shape=(512,)
))

model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(
    loss='categorical_crossentropy',
    optimizer='adam',
    metrics=['accuracy']
)

# 训练模型
model.fit(
    X_train, y_train,
    batch_size=128,
    epochs=10,
    verbose=1,
    validation_data=(X_test, y_test)
)

# 评估模型
score = model.evaluate(X_test, y_test, verbose=0)
print("Test loss:", score[0])
print("Test Accuracy:", score[1])

代码执行结果如下图所示：

预测精度为86.9。