该软件包采用期望最大化（EM）算法拟合高斯混合模型（GMM），适用于任意维数据集。
为了提高数值稳定性，采用了对数域概率计算等技术，以避免在计算高维数据概率时经常出现的浮点数下溢现象。
通过使用顶点分解和矩阵分解，代码也被仔细调整为高效的。

这种算法被广泛使用。详细信息可以在伟大的教科书“模式识别和机器学习”或wiki页面上找到
http://en.wikipedia.org/wiki/Expectation-maximization_algorithm

此函数功能强大且高效，但代码结构组织有序，易于阅读。请尝试以下代码进行演示：
全部关闭；清除；
d=2；
k=3；
n=500；
[X，label]=mixGaussRnd（d，k，n）；
plotClass（X，标签）；

m=楼层（n/2）；
X1=X（：，1:m）；
X2=X（：，（m+1）：结束）；
%训练
[z1，模型，llh]=mixGaussEm（X1，k）；
图形
地块（llh）；
图形
plotClass（X1，z1）；
%预测
z2=混合高斯分布（X2，模型）；
图形
plotClass（X2，z2）；

除了使用EM来拟合GMM，我强烈建议您尝试我的另一个提交：高斯混合模型的变分贝叶斯推理
(//www.tianjin-qmedu.com/matlabcentral/fileexchange/35362-variational-bayesian-inference-for-gaussian-mixture-model)它对GMM进行贝叶斯推理。该算法的优点是能够自动识别混合组分的个数。

根据要求，我还为样本外推断提供了一个预测函数。

此函数现在是PRML工具箱的一部分(//www.tianjin-qmedu.com/matlabcentral/fileexchange/55826-pattern-recognition-and-machine-learning-toolbox)
对于任何想知道如何完成作业的人，不要给我发电子邮件。