本文主要針對初次接觸gmm的人，簡單的給出了一些自己初識的一些理解，比較淺顯。
初次真正意義上接觸高斯混合模型（gaussian mixed model，gmm），是因為要用它來進行音訊分類，以音訊訊號特徵為輸入，通過gmm來建模，完成最終的分類。
有乙個說法是gmm是多個高斯分布函式的線性組合。理論上gmm可以擬合出任意型別的分布，我們知道在實際生活中，很少有資料嚴格遵循高斯分布的，而對於同乙個集合下的資料，可能存在多種不同的分布，可以通過採用不同的高斯分布函式來模擬各個分布，最後將這些高斯模型線性組合起來，最終建立整個資料的模型，稱這個模型為gmm。具體文章最後參考資料1中的論述，講得很清晰形象。
單個高斯分布模型（或稱正態分佈模型，gsm）反映了自然界普遍存在的有關變數的一種統計規律，例如身高，考試成績等；而且有很好的數學性質，具有各階導數，變數頻數分布由 μ、σ 完全決定等等，在許多領域得到廣泛應用。在這裡簡單介紹下高斯分布的概率密度分布函式:
gmm是一種是概率模型，在音訊處理的語音識別、音訊分類等方面具有廣泛的應用。gmm的訓練模型形式是p(y|x)，輸入是x，輸出是y，訓練後模型得到的輸出是一系列的概率值，對於分類任務輸入x對應於各個不同y（類）的概率，其中概率最大的那個類就是判決結果。
前提：假設樣本分佈是幾個高斯分布的加權和。
參考資料2中，將gmm與k-means演算法進行的模擬講述，還詳細的列出了與k-means演算法的異同點。
gmm建模使用期望值最大（expectation maximization，em）演算法)迭代計算gmm的引數，實現引數估計。
em演算法分兩步，第一步先求出要估計引數的粗略值，第二步使用第一步的值最大化似然函式。
em演算法估計gmm引數的大致思想是：
重複步驟（2）和（3），直到演算法收斂，得到最後的gmm引數a，μ和ʃ，此時建模完成。
詳細推導過程及**實現：見參考資料4。針對任務的型別，gmm可用於分類、擬合和聚類。
高斯混合模型（gmm）及其em演算法的理解
高斯混合模型(gmm)
混合高斯模型演算法
混合高斯模型（gmm）推導及實現
高斯混合模型gmm（gaussian mixture model）
高斯混合模型gmm
混合高斯模型gaussian mixture model(gmm)
em演算法
GMM高斯混合模型
在一般的分類問題中，通常的套路都是提取特徵，將特徵輸入分類器訓練，得到最終的模型。但是在具體操作時，一開始提出的特徵和輸入分類器訓練的特徵是不一樣的。比如假設有n張 100 100 100 100 的影象，分別提取它們的hog特徵x rp q x rp q，p p為特徵的維數，q q 為這幅影象中h...
高斯混合模型（GMM）
講這個之前，要先對模糊聚類和基於概率模型的聚類有個大體的認識。不清楚的同學可以參考下jiawei的書去看一看，或者看看我的這篇文章。資料探勘 概念與技術 第三版 之第十一章的學習記錄 ok，這裡假設，大家已經有了上面我提到的先驗知識。gmm 和 k means 很像。不過 gmm 是學習出一些概率密...
高斯混合模型 GMM
本文主要針對初次接觸gmm的人，簡單的給出了一些自己初識的一些理解，比較淺顯。初次真正意義上接觸高斯混合模型 gaussian mixed model，gmm 是因為要用它來進行音訊分類，以音訊訊號特徵為輸入，通過gmm來建模，完成最終的分類。有乙個說法是gmm是多個高斯分布函式的線性組合。理論上g...