支持向量机SVMmatlab代码

%function [predY]=speakingDetection（X）
s=load（‘training.data‘）;
[xy]=size（s）;
vec = zeros（61）;
xapp = [];
yapp = [];

i=1;j=1;
%数据初步处理
while （i<=x）   
    vec（1） = s（i1）;
    vec（2） = s（i2）;
    vec（3） = s（i3）;
    vec（4） = s（i4）;
    vec（5） = s（i5）;
    vec（6） = s（i6）;
    xapp = [xappvec];
    yapp = [yapps（i7）];
    i=i+1;
end;

[NM] = size（xapp）;
p = randperm（M）; %直接打乱了训练样本
numberOfSamplesForTraining = 60000;      %6000个数据训练
xTraining = [];
yTraining = [];
for i=1:numberOfSamplesForTraining
    xTraining  = [xTrainingxapp（:p（i））];
    yTraining = [yTrainingyapp（p（i））];
end;
xTraining = xTraining‘;    %转置
yTraining = yTraining‘;

xTesting = [];
yTesting = [];
for i=numberOfSamplesForTraining+1:M
    xTesting  = [xTestingxapp（:p（i））];
    yTesting = [yTestingyapp（p（i））];
end;
xTesting = xTesting‘;   
yTesting = yTesting‘;   


%%%%%%%%%%%%%%%%%%%%%%%%
% %Normalization
% [numVecnumDim] = size（xTraining）;
% avgX = mean（xTraining）;
% stdX = std（xTraining）;
% for i = 1:numVec
%     xTraining（i:） = （xTraining（i:）-avgX）./stdX;
% end;
% [numVecnumDim] = size（xTesting）;
% 
% for i = 1:numVec
%     xTesting（i:） = （xTesting（i:）-avgX）./stdX;
% end;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%SVM Gaussian kernel 
%Search for the optimal C and gamma K（x1x2） = exp{-||x1-x2||^2/gamma} to
%make the recognition rate maximum. 

%Firstly search C and gamma in a crude scale （as recommended in ‘A practical Guide to Support Vector Classification‘））
CScale = [-5-3 -1 1 3 579111315];
gammaScale = [-15-13-11-9-7-5-3-113];

C = 2.^CScale;
gamma = 2.^gammaScale;
maxRecognitionRate = 0;
for i = 1:length（C）
    for j = 1:length（gamma）
        cmd=[‘-t 2 -c ‘num2str（C（i））‘ -g ‘num2str（gamma（j））‘ -v 10‘];  %转化为字符高斯核五折交叉检验
        recognitionRate = svmtrain（yTrainingxTrainingcmd）;
        if recognitionRate>maxRecognitionRate
            maxRecogn