1.GMM(guassian mixture model)
混合高斯模型，顧名思義，就是用多個帶有權重的高斯密度函數來描述數據的分布情況。理論上來說，高斯分量越多，極值點越多，混合高斯密度函數可以逼近任意概率密度函數，刻畫模型越精確，需要的訓練數據也就越多。
2.GMM
模型初始化：
即模型參數的初始化，一般采用kmeans或者LBG算法。
模型初始化值對模型后期的收斂有極大影響，特別是訓練模型的數據太少或者不充分時，現象尤其突出，會造成模型不收斂，甚至訓練參數出現NAN。
解決辦法：1.一方面擴大誤差范圍，這樣會造成訓練好的模型區分度不好。
2.LGB算法或者Kmeans減小胞腔數目或者或者分段數。
3.推薦 限制最小方差，避免出現完全不收斂，出現NAN情況(因為方差最小，根據概率密度公式可知，概率出現無窮大，再次迭代時，會出現NAN。從另一個角度解釋：某幾個高斯訓練迭代越滾越大，以至於某些高斯分量或者說是小數據分布區越來越窄，方差越來越小，逼近0，導致出現NAN)。
模型訓練：
模型訓練一般采用 EM算法。
模型識別：
識別就是利用訓練好的模型參數，將待識別數據(特征)與各個高斯模型做概率匹配，若A類概率最高，則判別為A類。
3.GMM應用
(1)GMM聚類
就像VQ聚類、Kmeans、LBG聚類一樣。
(2)GMM分類
同樣地，VQ、Kmeans、LBG也能進行分類，不同的是，GMM是軟判決，前三種是硬性判決。
聚類與分類的區別：聚類可以說是訓練模型的過程，用訓練好的參數，刻畫訓練數據分布。
分類可以說是識別數據的過程，判斷數據屬於哪個模型(前提是模型已經訓練好)。