基于精度矩阵特征分解的二维高斯等高线椭圆绘制异常排查
二维高斯密度等高线椭圆绘制问题修正
核心问题定位
- 缩放系数漏开根号:代码中计算得到的
gamma本质就是二次型方程$\boldsymbol{x}^T \Sigma^{-1} \boldsymbol{x} = \gamma$的常数项,对应方程里的$r^2$。参数化椭圆时需要的半轴长度缩放系数是$\sqrt{\gamma}$,原代码没有对gamma开根号,直接用gamma除以特征值的平方根计算坐标,算出来的椭圆尺寸是实际值的$\sqrt{\gamma}$倍,和目标大小完全不匹配。 - 遗漏坐标旋转变换:对精度矩阵做特征分解得到的正交矩阵P,作用是把原坐标系旋转到椭圆的主轴坐标系。原代码只计算了主轴坐标系下的椭圆坐标,没有通过$\boldsymbol{x} = P \cdot \boldsymbol{u}$的关系把坐标旋转回原坐标系,导致生成的椭圆始终和坐标轴对齐,和协方差矩阵决定的倾斜轮廓完全不匹配。
修正后的实现方案
- 保留原有精度矩阵特征分解的逻辑,对计算得到的gamma值开根号得到半径缩放系数$r = \sqrt{\gamma}$。
- 生成主轴坐标系下的椭圆坐标u、v时,用r除以对应特征值的平方根作为缩放比例,即$u = (r / \sqrt{\lambda_1}) \cdot \cos\theta$,$v = (r / \sqrt{\lambda_2}) \cdot \sin\theta$。
- 对生成的主轴坐标做旋转变换:将每个(u, v)点左乘特征向量矩阵P,得到原坐标系下的真实椭圆轮廓点。
可运行的修正代码
from scipy.stats import multivariate_normal import numpy as np from numpy.linalg import eigh import math import matplotlib.pyplot as plt # 目标分布参数 sx2 = 1.0 sy2 = 2.0 rho = 0.6 Sigma = np.array([[sx2, rho*math.sqrt(sx2)*math.sqrt(sy2)], [rho*math.sqrt(sx2)*math.sqrt(sy2), sy2]]) target = multivariate_normal(mean=np.zeros(2), cov=Sigma) # 生成参考等高线的网格 x, y = np.mgrid[-4:4:0.1, -4:4:0.1] zz = target.pdf(np.dstack((x, y))) # 取两个随机采样点对应的pdf值作为等高线阈值 xy = target.rvs() xy2 = target.rvs() c1 = target.pdf(xy) c2 = target.pdf(xy2) # 椭圆绘制逻辑 def get_ellipse_points(Sigma, pdf_c): det_Sigma = sx2*sy2*(1-rho**2) gamma = math.log(1 / (4*(np.pi**2)*det_Sigma*(pdf_c**2))) r = math.sqrt(gamma) # 补充漏写的开根号步骤 eigenvalues, P = eigh(np.linalg.inv(Sigma)) thetas = np.linspace(0, 2*np.pi, 100) # 主轴坐标系下的椭圆坐标 u = (r / np.sqrt(eigenvalues[0])) * np.cos(thetas) v = (r / np.sqrt(eigenvalues[1])) * np.sin(thetas) main_axis_pts = np.hstack((u.reshape(-1,1), v.reshape(-1,1))) # 补充坐标旋转步骤,把主轴坐标转回原坐标系 original_pts = (P @ main_axis_pts.T).T return original_pts ellipse1 = get_ellipse_points(Sigma, c1) ellipse2 = get_ellipse_points(Sigma, c2) # 绘图对比 fig, ax = plt.subplots() ax.contour(x,y, zz, levels=[c1, c2], colors='k', alpha=0.3) ax.scatter(ellipse1[:, 0], ellipse1[:, 1], s=6, color='red') ax.scatter(ellipse2[:, 0], ellipse2[:, 1], s=6, color='blue') ax.set_aspect("equal") plt.show()
实现说明
- 修正后的代码生成的散点轮廓和scipy绘制的密度等高线完全重合,无形状、尺寸、倾斜角度的偏差。
- 逻辑可扩展到非零均值的二维高斯:只要在最终生成的椭圆点集上加上均值向量即可适配任意位置的分布。
- 不需要硬记网络上推导的参数公式,只要回到二维高斯pdf的原始定义展开成二次型形式,结合特征分解的对角化逻辑,就可以保证参数计算的准确性。
内容的提问来源于stack exchange,提问作者Euler_Salter
相关产品推荐
相关产品推荐

