在海量高维数据的近邻搜索任务中，哈希方法通过将数据映射到紧凑的二进制码显著提升了存储效率和查询速度。Compressed Hashing（简称CH）是一种高效的无监督哈希算法，它的核心思想是先将原始数据映射到一组地标点（landmarks）构成的低维流形空间，再在此空间上应用局部敏感哈希（LSH）生成最终二进制码。这种两阶段策略既保留了数据的局部结构，又实现了极高的编码速度。
本文基于一个经典的MATLAB实现，深入剖析Compressed Hashing的测试（编码）阶段代码，帮助读者理解其高效压缩的核心机制。
Compressed Hashing 编码流程概述
CH的编码过程主要分为以下几个步骤：
计算测试样本与地标点之间的欧氏距离。
为每个样本选取最近的rL个地标点，形成稀疏的亲和矩阵。
通过高斯核对距离进行平滑，得到归一化的亲和权重。
构造一个稀疏矩阵Z，表示样本在地标点上的软分配。
在该稀疏表示上应用已训练好的LSH模型，快速生成二进制码。
这种设计充分利用了地标点的代表性，使得即使面对百万级数据集，编码阶段也能保持线性时间复杂度。
代码逐步解析
1. 输入与计时
函数接收测试数据矩阵A（每行一个样本）和训练阶段生成的model，返回二进制码
