基于EM算法的高斯混合模型（GMM）的MATLAB仿真

基于EM算法的高斯混合模型（GMM）的MATLAB仿真

高斯混合模型（Gaussian Mixture Model，简称GMM）是一种常用的概率模型，广泛应用于数据建模、聚类分析、异常检测等领域。本文将介绍如何使用MATLAB实现基于EM算法的GMM，并提供相应的源代码。

1. 引言
   GMM是一种由多个高斯分布组成的概率模型，每个高斯分布称为一个分量，通过调整各个分量的均值、协方差和权重，可以对数据进行灵活的建模。EM算法是一种迭代优化算法，可用于估计GMM的参数。

2. GMM模型
   假设我们有一个包含N个样本的数据集X={x₁, x₂, …, xₙ}，每个样本的维度为D。GMM模型可以表示为：

P(x) = Σᵢ P(i)P(x|i)

其中，P(x)是数据样本x的概率，P(i)是选择第i个分量的概率，P(x|i)是在给定第i个分量的条件下，样本x的概率。每个分量的概率密度函数为：

P(x|i) = (2π)^(-D/2)|Σᵢ|⁻¹/₂ exp(-0.5(x - μᵢ)ᵀΣᵢ⁻¹(x - μᵢ))

其中，μᵢ是第i个分量的均值向量，Σᵢ是第i个分量的协方差矩阵。

3. EM算法
   EM算法是一种迭代优化算法，用于估计GMM的参