基于matlab的svr代码

function [nsv beta bias] = svr（XYkerClosse）
%SVR Support Vector Regression
%
%  Usage: [nsv beta bias] = svr（XYkerClosse）
%
%  Parameters: X      - Training inputs
%              Y      - Training targets
%              ker    - kernel function
%              C      - upper bound （non-separable case）
%              loss   - loss function
%              e      - insensitivity
%              nsv    - number of support vectors
%              beta   - Difference of Lagrange Multipliers
%              bias   - bias term
%
%  Author: Steve Gunn （srg@ecs.soton.ac.uk）


  if （nargin < 3 | nargin > 6） % check correct number of arguments
    help svr
  else

    fprintf（‘Support Vector Regressing ....\n‘）
    fprintf（‘______________________________\n‘）
    n = size（X1）;
    if （nargin<6） e=0.0; end
    if （nargin<5） loss=‘eInsensitive‘; end
    if （nargin<4） C=Inf; end
    if （nargin<3） ker=‘linear‘; end  

    % tolerance for Support Vector Detection
    epsilon = svtol（C）;

    % Construct the Kernel matrix
    
    fprintf（‘Constructing ...\n‘）;
    H = zeros（nn）;  
    for i=1:n
       for j=1:n
          H（ij） = svkernel（kerX（i:）X（j:））;
       end
    end

    % Set up the parameters for the Optimisation problem
    switch lower（loss）
      case ‘einsensitive‘
        Hb = [H -H; -H H];
        c = [（e*ones（n1） - Y）; （e*ones（n1） + Y）];  
        vlb = zeros（2*n1）;    % Set the bounds: alphas >= 0
        vub = C*ones（2*n1）;   %                 alphas <= C
        x0 = zeros（2*n1）;     % The starting point is [0 0 0   0]
        neqcstr = nobias（ker）; % Set the number of equality constraints （1 or 0）  
        if neqcstr
          A = [ones（1n） -ones（1n）]; b = 0;     % Set the constraint Ax = b
        else
          A = []; b = []; 
        end
      case ‘quadratic‘
        Hb = H + eye（n）/（2*C）;
        c = -Y;
        vlb = -1e30*ones（n1）;   
        vub = 1e30*ones（n1）;    
        x0 = zeros（n1）;              % The start