num_all_class=70; for i=1:num_class_train p=fea(:,gnd==rand_class(i)); p_size=size(p,2); p=p(:,randperm(p_size)); p=p(:,1:num_all_class); train_size=ceil(50); %number of Train samples for each class test_size=num_all_class-train_size; train_sample=[train_sample p(:,1:train_size)]; train_label=[train_label rand_class(i).*ones(1,train_size)]; test_sample=[test_sample p(:,train_size+1:num_all_class)]; test_label=[test_label rand_class(i).*ones(1,test_size)]; end解释一下

这段代码是用于将数据集分为训练集和测试集的过程。其中，数据集包含了 num_all_class 个类别，每个类别包含了多个样本。具体解释如下：

- 第一行定义了数据集中类别的总数。
- 接下来的 for 循环是对每个训练类别进行操作。循环中，首先从数据集中选出该类别的所有样本，存储在 p 中。
- 然后，对 p 中的样本进行随机排序（即打乱顺序），并选取其中前 num_all_class 个样本。这一步是为了保证每个类别的样本数相同。
- 接着，根据 train_size 的大小选取一定数量的样本作为该类别的训练样本，并将这些样本加入到 train_sample 中，同时将该类别的标签（即类别编号）加入到 train_label 中。
- 最后，剩余的样本作为该类别的测试样本，同样将这些样本加入到 test_sample 中，同时将该类别的标签加入到 test_label 中。

循环结束后，train_sample、train_label、test_sample 和 test_label 分别存储了训练集和测试集中的样本和标签信息。