引言
在机器学习中，降维是处理高维数据的关键步骤，尤其是当数据呈现非线性结构时，核方法（如核主成分分析）能有效捕捉潜在模式。无监督核谱回归（Unsupervised Kernel Spectral Regression, UKSR）是一种高效的核化降维技术，它通过谱回归框架实现无监督学习，类似于核LPP或核PCA的变体，但计算更高效。
UKSR的测试阶段（UKSRtest）负责将新测试数据投影到训练模型学得的低维子空间中。该函数利用训练好的模型（包括核参数和投影矩阵），计算测试样本与训练样本的核矩阵，然后进行线性投影，得到降维表示。适用于图像分类、聚类等任务，尤其在大数据集上表现突出。
UKSRtest的核心原理
UKSRtest的原理基于核技巧：在高维核空间中，测试样本的投影通过核矩阵与训练投影的乘积实现。具体来说：
训练模型提供投影矩阵（model.projection），它是训练阶段求解的回归系数。
对于测试样本fea，计算其与训练样本model.fea的核矩阵KTest。
低维表示feaNew = KTest * model.projection(:,1:d)，其中d是目标维度。
如果模型使用LARs（Least Angle Regression）变体，则支持多个投影矩阵（对应不同稀疏度），输出cell数组；否则为单一矩阵。
为处理大规模数据，函数采用分块计算策略，避免一次性构建过大核矩阵导致内存溢出。
