线性回归是自变量的线性组合估计因变量，而逻辑回归是自变量的线性组合估计因变量的概率。需要健康和故障两类数据，并且样品量要比较均衡，所以这是一种有监督的学习方法，在这里我们会把等于1的完全健康的设为0.95，等于0的故障的设为0.05，这是因为设为0和1的话会有一些歧义值，导致整个模型的训练的结果不好，甚至会有一些模型不收敛。最后计算出来的健康值CV，是个0-1之间的概率值，属于基于概率的健康指标。
2.统计模式识别
在没有故障数据，仅仅只有健康数据，且符合高斯分布的情况下，可以计算当前特征分布和健康特征分布的偏移程度，如果中两个高斯分布（H1，H2）的重叠部分就是L2距离，中间可能会有一些正则化的处理过程。
对于很多情况下我们不能确定或不能假设它是符合高斯分布的，这些非高斯情况，采用先使用混合高斯模型去进行拟合。
3.高斯混合模型
用多个高斯模型去综合来判断现在的状态，它的每个模型可以用每一个分量概率密度函数，还有每个分量模型的概率，整体合起来是上面这个公式，我们在算它的健康值的时候，就可以用多个高斯模型的L2距离的平均值来判断它现在的健康状态。
在混合高斯模型里面，特别要注意的是，模型选择的个数是一个非常重要的超参数，会用到AIC、BIC准则，它们都是去平衡这个模型的复杂度、准确度，会去惩罚过多的模型变量，也就是GMM里面模型的个数，然后就可以选择其中一个作为选择模型个数的准则。
4.自组织映射神经网络
