基于主成分分析（PCA）的信号特征可视化

将原始真实信号和生成的信号组合在一个数据矩阵中。使用辅助函数 helperExtractFeature 提取特征，包括常见信号统计信息，例如均值和方差以及频谱特征。

idxGenerated = 1:numTests;
idxReal = numTests+1:numTests+size(flow,2);

XGeneratedNew = squeeze(extractdata(gather(dlXGeneratedNew)));
x = [XGeneratedNew single(flow)];

features = zeros(size(x,2),14,'like',x);

for ii = 1:size(x,2)
    features(ii,:) = helperExtractFeature(x(:,ii));
end

每行对应一个信号的特征。features

修改生成的正常和故障信号以及实际正常和故障信号的标签。

L = [squeeze(TNew)+2;labels.'];

标签现在具有以下定义：

• 1 — 生成的健康信号

• 2 — 生成的故障信号

• 3 — 真正的健康信号

• 4 — 真正的故障信号

• 对真实信号的特征执行 PCA，并将生成信号的特征投射到同一个 PCA 子空间。 

• % PCA via svd
  featuresReal = features(idxReal,:);
  mu = mean(featuresReal,1);
  [~,S,W] = svd(featuresReal-mu);
  S = diag(S);
  Y = (features-mu)*W;

  从奇异向量来看，前三个奇异值占 中能量的 99%。您可以通过利用前三个主成分来可视化信号特征。

• sum(S(1:3))/sum(S)

  ans = single
      0.9923
  

  使用前三个主成分绘制所有信号的特征。在PCA子空间中，生成信号的分布与真实信号的分布相似。

• idxHealthyR = L==1;
  idxFaultR = L==2;
  
  idxHealthyG = L==3;
  idxFaultG = L==4;
  
  pp = Y(:,1:3);
  
  figure
  scatter3(pp(idxHealthyR,1),pp(idxHealthyR,2),pp(idxHealthyR,3),'o')
  xlabel('1st Principal Component')
  ylabel('2nd Principal Component')
  zlabel('3rd Principal Component')
  hold on
  scatter3(pp(idxFaultR,1),pp(idxFaultR,2),pp(idxFaultR,3),'d')
  scatter3(pp(idxHealthyG,1),pp(idxHealthyG,2),pp(idxHealthyG,3),'s')
  scatter3(pp(idxFaultG,1),pp(idxFaultG,2),pp(idxFaultG,3),'+')
  view(-10,20)
  legend('Real healthy','Real faulty','Generated healthy','Generated faulty', ...
      'Location','Best')
  hold off