高斯混合模型

高斯混合模型，首先说的那就是高斯分布，
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }\exp (-\frac{(x-\mu {)}^2}{2{\sigma }^2})=N(x,\sigma ,{\mu }^2)$$
对应的均值方差是$\mu$，${\sigma }^2$
对于样本空间$X$，有样本数据$x=[x_1,x_2,x_3,x_4,...,x_n]$
高斯函数可以拟合任意的曲线，在样本是多维特征的情况下$\vec{x}=[\overrightarrow{x_i}]$。
相应的就会有多元混合高斯分布。
多元的
$$f(x)=\sum _{m=1}^M\frac{1}{\sqrt{2\pi }{\sigma }_m}\exp (-\frac{(x-{\mu }_m{)}^2}{2{\sigma }_m^2})$$
上面是单变量的混合高斯模型。
在现实生活中将单变量扩展到多变量就会有
$$f(\vec{x})=\sum _{m=1}^M\frac{c_m}{{2\pi }^{\frac{D}{2}}{\overrightarrow{\sum {}_m}}^{\frac{1}{2}}}\exp (-\frac{1}{2}(\vec{x}-\overrightarrow{{\mu }_m}{)}^T{\sum _m}^{-1}(\vec{x}-\overrightarrow{{\mu }_m}))=\sum _{m=1}^M{c}_{m}N(\vec{x};\overrightarrow{{\mu }_m},\overrightarrow{\sum _m})$$
参数估计问题，在多变量的高斯混合函数问题中，是用期望最大的方法来估计的，是一个迭代算法。
多变量的高斯混合函数能拟合任何函数。
在语音识别中，多变量的高斯混合函数，是以帧级别来估计每一帧的概率值；特征根据经验值来给定，一般就是特征的维度。
语音识别是一个语音信号序列识别的问题，gmm仅只是一个帧级别的模型；序列模型需要用隐马尔可夫模型来估计状态的序列问题；在状态上，可以用gmm模型来拟合当前状态的数据。