之后用处理后的文件提取短时过零率，短时能量，LPC，LPCC，MFCC五个特征，并把这个矩阵放入svm去训练，80%作为训练集，20%作为数据集

你可以使用MATLAB的信号处理工具箱和统计和机器学习工具箱来提取短时过零率、短时能量、LPC、LPCC和MFCC等特征，并将这些特征矩阵输入到SVM进行训练。以下是一个简单的代码示例：

% 读取切割后的音频文件
fileList = dir('segment_*.wav'); % 替换为你的音频文件名格式
numFiles = length(fileList);

% 初始化特征矩阵和标签向量
features = [];
labels = [];

% 提取特征并构建数据集
for i = 1:numFiles
    % 读取音频文件
    filename = fullfile(fileList(i).folder, fileList(i).name);
    [y, Fs] = audioread(filename);

    % 提取短时过零率
    zeroCrossingRate = sum(abs(diff(sign(y)))) / length(y);

    % 提取短时能量
    energy = sum(y.^2) / length(y);

    % 提取LPC系数
    lpcCoeffs = lpc(y, 12); % 替换为你想要的LPC阶数

    % 提取LPCC系数
    lpccCoeffs = lpcc(y, Fs, 'Order', 12); % 替换为你想要的LPCC阶数

    % 提取MFCC系数
    mfccCoeffs = mfcc(y, Fs, 'NumCoeffs', 12); % 替换为你想要的MFCC系数个数

    % 将特征向量添加到特征矩阵
    featureVector = [zeroCrossingRate, energy, lpcCoeffs, lpccCoeffs, mfccCoeffs];
    features = [features; featureVector];

    % 根据文件名确定标签
    label = str2double(fileList(i).name(9)); % 替换为你的文件名和标签格式
    labels = [labels; label];
end

% 创建训练集和测试集
[trainInd, testInd] = dividerand(numFiles, 0.8, 0.2); % 80%作为训练集，20%作为测试集
trainFeatures = features(trainInd, :);
trainLabels = labels(trainInd);
testFeatures = features(testInd, :);
testLabels = labels(testInd);

% 训练SVM模型
svmModel = fitcsvm(trainFeatures, trainLabels);

% 预测测试集标签
predictedLabels = predict(svmModel, testFeatures);

% 计算准确率
accuracy = sum(predictedLabels == testLabels) / numel(testLabels);
fprintf('准确率：%.2f%%\n', accuracy * 100);

在以上示例代码中，首先使用`dir`函数获取切割后的音频文件列表。然后，使用循环遍历每个音频文件，读取音频数据并提取短时过零率、短时能量、LPC、LPCC和MFCC等特征。接下来，将提取的特征向量添加到特征矩阵，并根据文件名确定标签。然后，使用`dividerand`函数将数据集划分为训练集和测试集。然后，使用`fitcsvm`函数训练SVM模型，并使用`predict`函数预测测试集标签。最后，计算准确率来评估模型性能。

请注意，以上代码仅为示例，你可以根据实际需求进行修改。另外，你可能需要根据你的音频文件命名规则和标签方式进行适当的调整。