在高维数据中，往往隐藏着低维的流形结构。Laplacian Eigenmap（拉普拉斯特征映射，简称LE）是一种经典的非线性降维方法，它通过构建数据的局部邻接关系图（亲和矩阵W），利用图拉普拉斯矩阵的谱性质，将数据嵌入到低维空间中，同时尽可能保持原始数据的局部几何结构。
今天我们要介绍的Eigenmap函数，就是Laplacian Eigenmap的核心MATLAB实现。它以亲和矩阵W为输入，高效计算拉普拉斯特征映射的低维嵌入坐标，并对特征向量进行必要的后处理，确保结果的数值稳定性和几何意义。
算法原理简述
Laplacian Eigenmap的核心思想是：如果两个样本在高维空间中邻近，那么它们在低维嵌入空间中也应该邻近。
具体步骤：
构造亲和矩阵W（通常基于k近邻或ε球邻域 + 高斯热核）
计算度矩阵D，对W进行归一化，得到归一化拉普拉斯矩阵 L’ = D^{-1/2} W D^{-1/2}
求解广义特征值问题或直接对归一化矩阵求特征向量
丢弃最大特征值（恒为1）对应的平凡解，取次大特征值对应的向量作为嵌入坐标
该函数正是实现了归一化拉普拉斯特征映射（Normalized Laplacian Eigenmap），其嵌入结果在理论上更具鲁棒性。
