matlab代码：读取一段含噪声音频，使用支持向量回归（SVR）法，来对语音信号进行去噪处理。并且将信号的特征提取出来，构建⼀个回归模型并且绘制出来，预测⼲净的语⾳信号

在MATLAB中，你可以使用Audio Toolbox处理音频数据，并结合Statistical and Machine Learning Toolbox来进行支持向量回归（SVR）的噪声去除和特征提取。以下是一个简化的步骤示例：

% 导入所需工具箱
addpath('toolbox_path'); % 如果没安装在默认位置，需要指定路径

% 1. 读取带噪声的音频文件
[y, Fs] = audioread('noisy_audio.wav');

% 2. 提取特征 (例如使用Mel频率倒谱系数)
window_size = 0.1; % 窗口大小，单位秒
overlap_ratio = 0.5; % 重叠比例
num_bands = 40; % Mel滤波器的数量
[features, ~] = melSpectrogram(y,Fs,'Window', hann(window_size*Fs), 'OverlapPercent', overlap_ratio, 'NumBands', num_bands);

% 3. 数据预处理 (归一化或其他)
features = bsxfun(@rdivide, features, max(max(features)));

% 4. 将特征分割成训练集和测试集
train_ratio = 0.8;
[train_idx, test_idx] = dividerand(size(features,1), train_ratio);
train_features = features(train_idx,:);
test_features = features(test_idx,:);

% 5. 使用SVR创建模型
model = fitrsvm(train_features, y(train_idx)); % 假设y是对应的噪声信号，实际应用中可能需要对语音信号做同样的预处理

% 6. 预测并去噪
predicted_clean = predict(model, test_features);

% 7. 可视化原始和去噪后的信号
t = linspace(0, length(y)/Fs, length(y));
figure;
subplot(2,1,1);
plot(t, y, 'b', t, predicted_clean, 'r');
title('Original vs Clean Signal');
legend('Noisy', 'Predicted Clean');

% 8. 绘制回归模型
figure;
plot(model);
title('Support Vector Regression Model');
xlabel('Feature Index');
ylabel('Regression Coefficients');

%