معالجة الإشارات والصوت
تصنيف الكلام والصوت والسلاسل الزمنية بالشبكات العصبية
Speech, Audio Classification and Time Series with Neural Networks
سير عمل تصنيف الأصوات من audioDatastore إلى الميزات والشبكة، وأوامر الكلام، والتنبؤ بالسلاسل الزمنية بـ LSTM، والشبكات الالتفافية أحادية البعد للإشارات.
ستتعلم في هذا الدرس
- بناء مجموعة بيانات صوتية بـ audioDatastore
- تصنيف الأصوات بميزات + مصنف أو بشبكة على الطيف الزمني
- التنبؤ بخطوات مستقبلية بـ LSTM
- تقييم نماذج السلاسل الزمنية دون تسرب زمني
خط أساس للتنبؤ قبل الشبكات
y = [112 118 132 129 121 135 148 148 136 119 104 118 115 126 141 135 125 149 170 170 158 133 114 140];
train = y(1:18); test = y(19:24); h = numel(test);
naive = repmat(train(end), 1, h); % آخر قيمة
seasonal = train(end-11:end-11+h-1); % نفس الشهر من السنة السابقة
mae = @(a, b) mean(abs(a - b));
fprintf('naive MAE = %.3f\n', mae(test, naive));
fprintf('seasonal MAE = %.3f\n', mae(test, seasonal));
% انحدار ذاتي AR(2) بالمربعات الصغرى على التدريب فقط
X = [ones(16,1) train(2:17)' train(1:16)'];
w = X \ train(3:18)';
hist = train; ar = zeros(1, h);
for k = 1:h
ar(k) = [1 hist(end) hist(end-1)] * w;
hist(end+1) = ar(k);
end
fprintf('AR(2) MAE = %.3f\n', mae(test, ar));naive MAE = 18.500 seasonal MAE = 18.667 AR(2) MAE = 19.788
البيانات أول 24 شهراً من سلسلة المسافرين الشهرية الكلاسيكية (Box & Jenkins). على هذا المقطع القصير لم يتفوق AR(2) ولا التنبؤ الموسمي على التنبؤ الساذج، وهذا بالضبط سبب حساب خطوط الأساس أولاً: أي نموذج أعقد يجب أن يتجاوزها على بيانات اختبار لاحقة زمنياً.
التنبؤ بـ LSTM
load chickenpox_dataset % data: cell array، حالات شهرية
data = [data{:}];
numTrain = floor(0.9 * numel(data));
train = data(1:numTrain); test = data(numTrain+1:end);
mu = mean(train); sig = std(train);
trainN = (train - mu) / sig;
XTrain = trainN(1:end-1)'; TTrain = trainN(2:end)'; % تنبؤ بخطوة واحدة
layers = [sequenceInputLayer(1); lstmLayer(128); fullyConnectedLayer(1)];
options = trainingOptions('adam', 'MaxEpochs', 200, 'Shuffle', 'never', 'Verbose', false);
net = trainnet(XTrain, TTrain, layers, 'mse', options);
% تنبؤ تكراري (closed loop) لطول الاختبار
net = resetState(net);
[~, state] = predict(net, XTrain); net.State = state;
x = trainN(end); Y = zeros(numel(test), 1);
for k = 1:numel(test)
[x, state] = predict(net, x); net.State = state;
Y(k) = x;
end
Y = Y * sig + mu;
rmse = sqrt(mean((Y' - test).^2))يتطلب هذا الكود: Deep Learning Toolbox. لم يُشغَّل في بيئة إعداد الدرس لعدم توفر الـ Toolbox، لذلك لا نعرض أرقاماً من عندنا؛ شغّله في MATLAB لديك وقارن النتائج.
chickenpox_dataset مرفقة مع Deep Learning Toolbox. خطوات الحالة (predict مع State) من مثال MathWorks الرسمي «Time Series Forecasting Using Deep Learning»؛ تحقق من الصيغة في إصدارك.
تصنيف الأصوات
ads = audioDatastore('commands', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[adsTrain, adsVal] = splitEachLabel(ads, 0.8);
afe = audioFeatureExtractor('SampleRate', 16000, 'Window', hann(512, 'periodic'), ...
'OverlapLength', 384, 'barkSpectrum', true);
XTrain = cellfun(@(x) extract(afe, x), readall(adsTrain), 'UniformOutput', false);
% ثم شبكة CNN على الطيف (كل مثال صورة زمن×تردد) أو نقل التعلم:
net = audioPretrainedNetwork('yamnet'); % R2024a+؛ الأقدم: yamnetيتطلب هذا الكود: Audio Toolbox، Deep Learning Toolbox. لم يُشغَّل في بيئة إعداد الدرس لعدم توفر الـ Toolbox، لذلك لا نعرض أرقاماً من عندنا؛ شغّله في MATLAB لديك وقارن النتائج.
commands مجلد تسجيلاتك مقسم إلى مجلد لكل أمر. MathWorks توفر مثال «Train Deep Learning Network for Speech Command Recognition» على مجموعة Google Speech Commands.
في «مختبر السلاسل الزمنية» قارن التنبؤ الساذج والموسمي والمتوسط المتحرك وHolt-Winters وAR على السلسلة نفسها.
خلاصة الدرس
- التقسيم في السلاسل الزمنية زمني دائماً: التدريب قبل الاختبار.
- خط أساس بسيط (التكرار الساذج أو الموسمي) ضروري للحكم على أي نموذج.
- yamnet وvggish (Audio Toolbox) شبكات صوت مدربة مسبقاً لنقل التعلم.
- الطيف الزمني يمكن معاملته كصورة وتصنيفه بـ CNN.
- convolution1dLayer (R2021b+) مناسبة للإشارات الخام.
شُغّل baselines.m في GNU Octave 8.4. أمثلة LSTM وتصنيف الصوت تحتاج Toolboxes ولم تُشغّل.
المتطلبات البرمجية
- MATLAB
- Deep Learning Toolbox
- Audio Toolbox
- Signal Processing Toolbox
بعض هذه الأدوات (Toolboxes) تُرخَّص منفصلة عن MATLAB. تحقق من توفرها بالأمر ver في Command Window.
