混合高斯模型（Mixtures of Gaussians）:

GMM（Gaussian Mixture Model） 統計學習的模型有兩種，一種是概率模型，一種是非概率模型。    所謂概率模型，是指訓練模型的形式是P(Y|X)。輸入是X，輸出是Y，訓練后模型得到的輸出不是一個具體的值，而是一系列的概率值（對應于分類問題來說，就是輸入X對應于各個不同Y（類）的概率），然后我們選取概率最大的那個類作為判決對象（軟分類--soft assignment）。所謂非概率模型，是指訓練模型是一個決策函數Y=f(X)，輸入數據X是多少就可以投影得到唯一的Y，即判決結果（硬分類--hard assignment）。    所謂混合高斯模型（GMM）就是指對樣本的概率密度分布進行估計，而估計采用的模型（訓練模型）是幾個高斯模型的加權和（具體是幾個要在模型訓練前建立好）。每個高斯模型就代表了一個類（一個Cluster）。對樣本中的數據分別在幾個高斯模型上投影，就會分別得到在各個類上的概率。然后我們可以選取概率最大的類所為判決結果。     從中心極限定理的角度上看，把混合模型假設為高斯的是比較合理的，當然，也可以根據實際數據定義成任何分布的Mixture Model,不過定義為高斯的在計算上有一些方便之處，另外，理論上可以通過增加Model的個數，用GMM近似任何概率分布。

最大期望算法（Expectation Maximization Algorithm，又譯期望最大化算法），是一種迭代算法，用于含有隱變量（latent variable）的概率參數模型的最大似然估計或極大后驗概率估計。

http://blog.csdn.net/u012409883/article/details/17090911

http://www.52ml.net/7890.html

http://blog.csdn.net/xuanyuansen/article/details/41309033

http://blog.csdn.net/hevc_cjl/article/details/9733945

http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html

1. C++標準模板庫從入門到精通 

http://edu.csdn.net/course/detail/3324

2.跟老菜鳥學C++

3. 跟老菜鳥學python

4. 在VC2015里學會使用tinyxml庫

5. 在Windows下SVN的版本管理與實戰 

 http://edu.csdn.net/course/detail/2579

6.Visual Studio 2015開發C++程序的基本使用 

http://edu.csdn.net/course/detail/2570

7.在VC2015里使用PRotobuf協議

8.在VC2015里學會使用MySQL數據庫