混合高斯模型_高斯混合模型（GMM）

1.高斯混合模型是由若干的基于高斯概率密度函数形成的模型

2.从几何角度，GMM是多个高斯分布叠加而成的加权平均的结果

3.从混合模型角度，每个样本是从某个高斯分布抽样得到的

4.直接利用MLE无法求解高斯混合模型，得利用EM算法求解GMM

5.假设K个高斯分布组成的GMM，求解参数有3K个：每个高斯分布的抽样概率，每个高斯分布的均值和协方差矩阵

高斯混合模型，英文是Gaussian Mixture Model，简称GMM。它是一个将事物分解为若干的基于高斯概率密度函数形成的模型，属于生成模型。

两个角度看GMM

我们可以从两个角度来理解GMM，第一个角度是几何角度，从这个角度看，GMM是多个高斯分布叠加而成的加权平均的结果。

假设由k个高斯分布叠加而成，某个样本x的概率分布为：

举一个例子

假设x是一维的数据，XX属于样本，红色曲线是真实的概率密度函数，对这些样本建模，可以生成两个高斯分布，对应两条概率密度蓝色曲线.

第二个角度是混合模型角度，它假设样本是从不同k个高斯分布生成的，每个样本是从某个高斯分布抽样得到的，抽中这K个高斯分布的概率不一样，我们用一个隐变量定义这种抽样概率大小，其是服从某种概率分布的离散随机变量：

Z	Z1	Z2	......	Zk
P	p1	p2	......	pk

显然，

生成过程分四步：选定某个状态隐变量Z；从该隐变量对应的高斯分布随机生成一个样本；重复上述过程m次；得到一共m个样本，这m个样本来自这K个高斯分布。

用概率图模型表示为：

我们求解一个样本的概率分布：

可见，与几何角度是一致的，权值就是隐变量的取值概率。

这里需要提出一点的是，任意一个样本x都可以属于K个高斯分布。我们把x归类为概率更高的那个隐变量对应的高斯分布。

比如下面是一个二维的高斯混合模型：

该模型由两个高斯分布混合而成，对于蓝色样本，它既可以从C1高斯分布抽样得到，又可以属于C2高斯分布抽样得到，显然，属于C1的概率更好，我们就认为该样本是从C1抽样的。

MLE求解GMM

如果有一堆样本x，我们希望求解GMM的参数。上一小节我们用p(x)表示一个样本的概率分布，这节我们用来表示m个样本的联合概率分布，构造似然函数：

应用MLE，最后要求解的参数是：

这种形式MLE无能为力，无法求得其参数解。需要用到EM算法

EM算法求解GMM

这节我们看看EM算法是如何求解GMM模型的。

注：传送门——EM算法

Em算法迭代公式：

• E-step

高斯混合模型中,z是离散变量，于是我们有：

又因为

因此，Q可以化简为：

又因为

最终我们得到Q的表达式：

• M-step

前面我们求出了期望，也就是求得隐变量的后验，我们要基于此，求解下一组参数：

说明：后验的参数均为第t次迭代结果，已知(红色框)

我们改写一下，可得：

求解pk，转为最优化问题：

构造拉格朗日乘子：

对pk求导并置为0：

从而

我们得到pk的迭代公式。

同样我们对均值和协方差构造拉格朗日函数求解，最终解得：

至此，GMM模型求解完成。