加载（“genderIDNet.mat”那'genderidnet'那'M'那'）;

[audioIn，Fs]=音频读取('malespeech.flac'); 声音（音频输入，Fs）

边界=检测echech（AudioIn，FS）;AudioIn = AudioIn（边界（1）：边界（2））;

Extractor = audiofeatureextractor（......“采样率”，财政司司长，......“窗户”，汉明（圆形（0.03*Fs），“定期”),......“overlaplength”，圆形（0.02 * fs），............“GTCC”，真的，......“gtccdelta”，真的，......“gtccDeltaDelta”，真的，............“光谱描述输入”那“melspectrum”那......“Spectralcentroid”，真的，......“光谱性”，真的，......“spectralflux”，真的，......“spectralslope”，真的，............“沥青”，真的，......“halmonicratio”，真的）;

特点=提取物（提取器，AUDION）;特征=（特征。' -  m）./ s;

性别=分类（性别数据网、特征）

[audioIn，Fs]=音频读取('femaleSpeech.flac'); 声音（音频输入，Fs）

边界=检测echech（AudioIn，FS）;AudioIn = AudioIn（边界（1）：边界（2））;特点=提取物（提取器，AUDION）;特征=（特征。' -  m）./ s;分类（Genderidnet，功能）

[AudioIn，FS] = audioread（'Counting-16-44p1-mono-15secs.wav'); 标签={'男性'};

TimeVector =（1 / FS）*（0：尺寸（AudioIn，1）-1）;图绘图（TimeVector，AudioIn）Ylabel（“振幅”)xlabel(“时间”） 标题（“样本音频”） 网格在…上

声音（AudioIn，FS）

语音indices =检测echech（AudioIn，FS）;

Extractor = audiofeatureextractor（......“采样率”，财政司司长，......“窗户”，汉明（圆形（0.03*Fs），“定期”),......“overlaplength”，圆形（0.02 * fs），............“GTCC”，真的，......“gtccdelta”，真的，......“gtccDeltaDelta”，真的，............“光谱描述输入”那“melspectrum”那......“Spectralcentroid”，真的，......“光谱性”，真的，......“spectralflux”，真的，......“spectralslope”，真的，............“沥青”，真的，......“halmonicratio”，真的）;

FeatureVectorSegment={}；为了II = 1：大小（语音indices，1）featurevectorsse {end + 1} =（提取器（提取器，AudioIn（Indioin（II，1）：语音indices（ii，2））））';结尾numsegments = size（featurevectorsse段）

[numFeatures，NumFeatureVectorSegment1]=大小（FeatureVectorSegment{1}）

标签=重复（标签，大小（语音索引，1））

featurevectorspersequence = 20;featurevectoroverlap = 5;hoplength = featurevectorspersequence  -  featurevectorovelap;IDX1 = 1;featurestrain = {};severnpersegment = zeros（numel（featurevectorsse），1）;为了II = 1：NUMER（FeatureVectorsSegment）SeverPersegersegment（ii）= max（bloor（floor（sceasevectorsse {ii}，2） -  featurevectorspersequence）/ hoplength）+ 1,0）;IDX2 = 1;为了j = 1：sementpersegment（ii）featurestrain {idx1,1} = featurevectorssegment {ii}（:, idx2：idx2 + featurevectorspersequence  -  1）;IDX1 = IDX1 + 1;IDX2 = IDX2 + HopLength;结尾结尾

标签=重复（标签、序列片段）；

numsequence = numel（featurestrain）

[NumFeatures，FeatureVectorsPersequence] =尺寸（FeatureStrain {1}）

NumSequence=numel（标签）

URL =.'http://ssd.mathwands.com/金宝appsupportfiles/audio/commonvoice.zip';downloadfolder = tempdir;datafolder = fullfile（downloadlefolder，'commonvoice'）;如果〜存在（DataFolder，'dir')disp('下载数据集（956 MB）......'）解压缩（URL，DownloadFolder）结尾

loc = fullfile（datafolder）;adstrain = audiodatastore（fullfile（loc，“火车”),“包含子文件夹”，真的）;MetadataTrain = Readtable（FullFile（FullFile（Loc，“火车”),“火车，tsv”),“文件类型”那“文本”）;adstrain.labels = MetadataTrain.Cender;adsvalidation = audiodataStore（fullfile（loc，'验证'),“包含子文件夹”，真的）;MetAdatavalidation = ReadTable（FullFile（FullFile（Loc，'验证'),“验证.TSV”),“文件类型”那“文本”）;ADSValidation.Labels = MetAdataValidation.gender;

计数标签（adsTrain）

countEachLabel（adsValidation）

depentataset = false;如果还原酶%将训练数据集减少20倍adstrain = splitheachlabel（adstrain，round（numel（adstrain.files）/ 2/20））;ADSValidation = SpliteachLabel（ADSValidation，20）;结尾

[~，adsInfo]=读取（adsTrain）；Fs=adsInfo.SampleRate；提取器.SampleRate=Fs；提取器。窗口=海明（圆形（0.03*Fs），“定期”); 提取器。重叠长度=圆形（0.02*Fs）；

如果〜isempty（ver（“平行”））&&〜oderataset pool = gcp;numpar = numpartitions（adstrain，pool）;其他的numpar = 1;结尾

labelstrain = [];featurevectors = {};%循环最优分区数议案II = 1：numpar%分区数据存储subds=分区（adsTrain，numPar，ii）；％preallocation.featurevectorsinsubds = {};segmentsperfile = zeros（numel（subds.files），1）;分区数据存储中的文件遍历文件为了JJ = 1：numel（subds.files）％1.在单个音频文件中读取AudioIn =读（Subds）;％2.确定与语音相对应的音频区域语音indices =检测echech（AudioIn，FS）;％3.每个语音段的提取特征segmentsPerFile（jj）=大小（SpeechIndex，1）；特征=单元（分段文件（jj），1）；为了kk=1:size（speechindex，1）特征{kk}=（extract（extractor，audioIn）（speechindex（kk，1）：speechindex（kk，2）））；结尾featurevectorsinsubds = [featurevectorsinsubds;特征（:)];结尾featurevectors = [featurevectors; featurevectorsinsubds];％复制标签，使它们处于一对一的通勤具有特征向量的百分比。repedLabels=repelem（子标签、分段文件）；labelsTrain=[labelsTrain；重复标记（：）]；结尾

AllFeatures = Cat（2，FeatureVectors {：}）;所有种（Isinf（Allfeatures））= Nan;m =均值（全部，2，'omitnan'）;s = std（全部，0,2，'omitnan'）;featurevectors = Cellfun（@（x）（x-m）./ s，featurevectors，'统一输出'，假）；为了II = 1：numel（featurevectors）idx = find（iSnan（featurevectors {ii}））;如果~isempty（idx）特征向量{ii}（idx）=0；结尾结尾

[FeatureStrain，TrainSequencePersegment] = HelperFeatureVector2序列（FeatureVectors，FeatureVectorsPersequence，FeatureVectoroverlap）;

LabelStrain = Repelem（Labelstrain，[训练序列{：}]）;LabelStrain =分类（Labelstrain）;

labelsvalidation = [];featurevectors = {};valsegmentsperfile = [];议案II = 1：numpar subds = partition（ADSValidation，NumPar，II）;featurevectorsinsubds = {};valsegmentsperfileinsubds = zeros（numel（subds.files），1）;为了jj=1:numel（subds.Files）audioIn=read（subds）；语音指数=检测语音（音频输入，Fs）；numSegments=大小（speechindex，1）；特征=单元（valSegmentsPerFileInSubDS（jj），1）；为了kk = 1：numsgments特征{kk} =（提取器（提取器，AudioIn（keighindices（kk，1）：语音indices（kk，2））））';结尾featurevectorsinsubds = [featurevectorsinsubds;特征（:)];valsegmentsperfileinsubds（JJ）= Numegements;结尾RepedLabels = Repelem（Subds.Labels，ValSegmentsPerfileInsubds）;LabelSvalidation = [LabelsValidation; RepedLabels（:)];featurevectors = [featurevectors; featurevectorsinsubds];valsegmentsperfile = [valsegmentsperfile; valsegmentsperfileinsubds];结尾featurevectors = Cellfun（@（x）（x-m）./ s，featurevectors，'统一输出'，假）；为了II = 1：numel（featurevectors）idx = find（iSnan（featurevectors {ii}））;如果~isempty（idx）特征向量{ii}（idx）=0；结尾结尾[featuresValidation，ValsSequencePerSegment]=HelperFeatureVector2序列（featureVectors，FeatureVectorSequence，featureVectorOverlap）；labelsValidation=repelem（labelsValidation[ValsSequencePerSegment{:}]）；labelsValidation=分类（labelsValidation）；

层= [......sequenceInputLayer（大小（特征菌株{1}，1））BilstLayer（50，“输出模式”那“顺序”)双层膜（50，“输出模式”那“最后”）全连接层（2）SoftMaxLayer分类层];

minibatchsize = 256;验证频率=地板（Numel（Labelstrain）/小匹匹匹匹配）;选项=培训选项（“亚当”那......“maxepochs”，4，......“最小批量大小”，小匹马，......“情节”那“培训 - 进展”那......“verbose”，错，......“洗牌”那“每个时代”那......“LearnRateSchedule”那“分段”那......“学习ropfactor”，0.1，......“LearnRateDropPeriod”，1，......“验证数据”，{特点过验证，labelsvalidation}，......“验证频率”，验证频率）；

net = trainnetwork（Featurestrain，labelstrain，图层，选项）;

预测=分类（Net，FeatureStrain）;

图cm=混淆图（分类（标签序列），预测，'标题'那'训练准确性'); cm.摘要='列 - 归一化';cm.rowsummary ='行标准化';

[预测，概率] =分类（网络，特征过验证）;

图CM = ConfusionChart（分类（标签（LabelSvalidation），预测，'标题'那'验证设置精度'); cm.摘要='列 - 归一化';cm.rowsummary ='行标准化';

sequencePerFile=零（大小（valSegmentsPerFile））；ValsSequencePerSegmentMat=cell2mat（ValsSequencePerSegment）；idx=1；为了II = 1：numel（valsegmentsperfile）severperfile（ii）= sum（valsequencepersegmentmat（idx：idx + valsegmentsperfile（ii）-1））;idx = idx + valsegmentsperfile（ii）;结尾

numFiles=numel（adsvalization.Files）；actualGender=分类（adsValidation.Labels）；预测端=实际端；分数=单元格（1，numFiles）；计数器=1；cats=唯一（实际引导器）；为了索引=1:numFiles得分{index}=概率（计数器：计数器+序列文件（索引）-1，：）；m=最大值（平均值{index}，1），[]，1）；如果m（1）> = m（2）预测性（指数）=猫（1）;其他的预测指数=猫（2）；结尾计数器=计数器+sequencePerFile（索引）；结尾

图CM = ConfusionChart（ActualGender，PredigeGender，'标题'那'验证设置精度 -  max规则'); cm.摘要='列 - 归一化';cm.rowsummary ='行标准化';

功能[序列，semendpersegment] = HelperFeatureVector2序列（特征，FeatureVectorsPersequence，FeatureVectoroverlap）如果featurevectorspersequence <= featurevectoroverlap错误（“重叠特征向量的数量必须小于每个序列的特征向量的数量。”）结尾hoplength = featurevectorspersequence  -  featurevectorovelap;IDX1 = 1;序列= {};severnpersegment = cell（numel（特征），1）;为了ii=1:numel（特征）sequencePerSegment{ii}=max（floor（（尺寸（特征{ii}，2）-featureVectorsPerSequence）/hopLength）+1,0）；idx2=1；为了j=1:sequencePerSegment{ii}序列{idx1,1}=features{ii}（：，idx2:idx2+featureVectorsPerSequence-1）；%#好的IDX1 = IDX1 + 1;IDX2 = IDX2 + HopLength;结尾结尾结尾