谱回归判别分析（SRDA）训练函数深度解析与实现

谱回归判别分析（Spectral Regression Discriminant Analysis，简称SRDA）是一种高效的大规模线性判别分析算法，它通过将经典LDA问题转化为一系列正则化回归任务，避免了传统LDA中高维协方差矩阵的特征分解，极大提升了在高维数据上的可扩展性。本文将详细剖析一个功能完整的SRDA训练函数实现，涵盖监督、半监督模式以及多种正则化选项，帮助大家理解其核心机制与实际应用技巧。

SRDA训练的核心流程

SRDA训练的主要目标是学习一组判别投影向量，使得数据投影后类间距离最大化、类内距离最小化，同时支持正则化以提升泛化能力。整体流程包括：

1. 响应矩阵构造：为每个类别生成正交的响应向量（通过QR分解确保正交性）。

2. 数据预处理：可选的数据中心化（减均值）。

3. 监督或半监督回归求解：使用谱回归核心函数求解投影向量。

4. 类中心计算：在投影空间中计算各类的均值中心，用于后续最近中心分类。

5. 模型封装：返回包含投影矩阵、类中心等信息的模型结构体。

支持的两种训练模式

1. 监督模式（仅有标签数据）

当只提供标签数据feaLabel和标签gnd