基于Matlab的PCA后GMM聚类与阈值确定毕设技术求助

嘿，你的毕设遇到的这个问题很典型——PCA降维后健康和故障数据重叠，说明线性降维的区分度不够，用GMM这种概率模型来建模健康数据的分布，确实是个不错的思路。下面我一步步给你讲具体操作，附带Matlab代码，你可以直接套用到你的数据上：

1. 先把数据理清楚，完成PCA投影 #

首先要确保你的数据格式是每行一个样本，每列一个变量。假设你的健康数据存在X_healthy（比如m行9列），7组故障数据存在一个细胞数组X_fault里（X_fault{1}到X_fault{7}分别对应每组故障数据）。

关键：PCA必须只用健康数据训练，这样才能保证投影空间是基于健康状态的：

% 对健康数据做PCA，提取前3个主成分
[coeff, score_healthy, ~] = pca(X_healthy);
PC_num = 3;
coeff_selected = coeff(:, 1:PC_num);

% 把健康数据投影到PCA空间
score_healthy_pca = score_healthy(:, 1:PC_num);

% 把所有故障数据也投影到同一个PCA空间
score_fault_pca = [];
for i = 1:7
    % 注意要减去健康数据的均值，和PCA训练时保持一致
    score_temp = (X_fault{i} - mean(X_healthy, 1)) * coeff_selected;
    score_fault_pca = [score_fault_pca; score_temp];
end

% 合并所有数据方便后续处理
all_scores = [score_healthy_pca; score_fault_pca];

2. 用健康数据训练GMM模型 #

GMM的作用是拟合健康数据在PCA空间里的概率分布，后续我们用这个分布来判断样本是否“异常”。Matlab自带的fitgmdist函数可以直接用：

方法一：手动指定分量数 #

如果你想快速测试，可以先指定分量数（比如2-5，一般2或3就够）：

k = 2; % 先试试2个分量
gmm_model = fitgmdist(score_healthy_pca, k);

方法二：用BIC准则自动选最优分量数 #

如果想更严谨，用贝叶斯信息准则（BIC）选最优的分量数，避免过拟合或欠拟合：

max_k = 5; % 最多试5个分量
bic_values = zeros(max_k, 1);
for k = 1:max_k
    model = fitgmdist(score_healthy_pca, k);
    bic_values(k) = model.BIC;
end
% 找BIC最小的分量数（BIC越小，模型拟合越好）
[~, optimal_k] = min(bic_values);
gmm_model = fitgmdist(score_healthy_pca, optimal_k);

3. 计算每个样本的对数概率密度 #

训练好GMM后，计算每个样本在这个模型下的对数概率密度——健康样本的概率会比较高，故障样本因为偏离健康分布，概率会低很多：

% 健康样本的对数概率
log_prob_healthy = logpdf(gmm_model, score_healthy_pca);
% 故障样本的对数概率
log_prob_fault = logpdf(gmm_model, score_fault_pca);

4. 确定故障检测的阈值 #

我们用健康样本的对数概率分布来设定阈值，比如取健康样本对数概率的第5百分位数——意思是95%的健康样本概率都高于这个值，低于这个值的样本就判定为故障：

% 计算第5百分位作为阈值（你也可以试试第10百分位，根据误报率调整）
threshold = prctile(log_prob_healthy, 5);

如果想更精准，也可以画ROC曲线找最优阈值，但毕设里用百分位数已经足够直观，容易解释。

5. 验证检测效果并可视化 #

最后一步就是看看你的GMM模型能不能有效区分健康和故障数据：

% 计算健康样本的误报率（把健康判成故障的比例）
healthy_pred = log_prob_healthy < threshold;
false_alarm_rate = sum(healthy_pred)/length(healthy_pred);
fprintf('健康样本误报率：%.2f%%\n', false_alarm_rate*100);

% 计算故障样本的检测率（把故障正确判出来的比例）
fault_pred = log_prob_fault < threshold;
detection_rate = sum(fault_pred)/length(fault_pred);
fprintf('故障样本检测率：%.2f%%\n', detection_rate*100);

% 画箱线图直观对比
boxplot([log_prob_healthy; log_prob_fault], ...
    'Labels', {'健康数据', '故障数据'}, ...
    'Title', '健康与故障数据的对数概率分布');
hold on;
% 画出阈值线
plot([1,2], [threshold, threshold], 'r--', 'LineWidth', 2);
legend('样本数据', '检测阈值');
hold off;

几个关键提醒 #

• 绝对不能用故障数据训练GMM：GMM是用来建模健康状态的分布，混进故障数据会让模型“适应”异常，失去检测能力。
• 如果对数概率的区分度还是不够，可以试试用PCA的残差来训练GMM：就是原始数据减去PCA重构的数据，残差里的异常信号有时候更明显。
• 分量数k不用太大，一般2-3就足够，太大容易过拟合健康数据的噪声。

内容的提问来源于stack exchange，提问作者user624918