利用BP神经网络进行语音信号分类，注释很全，本人亲测可以跑通，适合二次开发。

本资源是BP神经网络的数据分类-语音特征信号分类，分析了基于BP神经网络的语音特征信号分类算法，包括BP神经网络构建、BP神经网络训练和BP神经网络分类。

BP神经网络的数据分类——语音特征信号分类.7zBP神经网络的数据分类——语音特征信号分类.7z

基于QAM和SVM的信号分类技术研究

阵列信号处理中多重信号分类算法的仿真研究.docx

基于PSO-bp的电能质量信号分类

Matlab案例BP神经网络的数据分类-语音特征信号分类【完整代码 Matlab源码第二期】 可以直接使用的Matlab语音特征信号分类，基于BP神经网络。个人测试使用

案例1 BP神经网络的数据分类-语音特征信号分类.7z

通过球麦克风阵列采集高阶声场的声压信息,采用球谐函数分解声场并建立信号模型,应用MUSIC算法提取出声源的方位。由于MUSIC算法在信号源相干性比较高,特别是声源比较接近时,其分辨率会严重下降,提出了一种基于空间平滑的瓣分块方法来提高定位的效果。仿真实验采用了一个72元的球阵,实验结果表明:提出的方法能同时有效地确定声场中多个声源的位置,能比较好地对抗噪声的影响。

心脏听诊是先天性心脏病（简称:先心病,CHD）初诊和筛查的主要手段。本项目对先心病心音信号进行分析和分类识别研究,提出了一种基于卷积神经网络的先心病分类算法。本文算法基于临床采集的已确诊先心病心音信号,首先采用心音信号预处理算法提取并组织一维时间域上心音信号的梅尔系数转变成二维特征样本。然后利用卷积神经网络进行分类识别,证实了本文方法有效地提高了心音信号分类的鲁棒性和准确性,有望应用于机器辅助听诊。 心音信号在采集过程中不可避兔地存在一些噪声干扰，干扰由多种原因造成，例如皮肤与传感器的摩獠音、采集环境的背景噪声、患者的呼吸扰动音等噪声干扰，故需对心音信号进行去噪处理，得到噪声较少的心音信号。 MFCC中的梅尔刻度是一种基于人耳对等距的音高变化的感官判断而制定的非线性频率刻度，能较好地反映人耳对声音的特点。