先列明材料：
高斯混合模型的推导计算（英文版）：
http://www.seanborman.com/publications/EM_algorithm.pdf
这位翻译写成中文版：
http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html
高斯混合模型的流程：
http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006924.html
最大似然估计：
http://blog.csdn.net/yanqingan/article/details/6125812
http://blog.csdn.net/abcjennifer/article/details/8198352
一个高斯混合模型（GMM） 包含多个一维的高斯分布（GM），按例子来说，如果班级上同学的性别是知道的，身高也是知道的，那么对班级同学构建的GMM 可以这样，GM 的个数取2，分别表示男生身高高斯分布和女生的身高高斯分布，首先通过男生女生来划分 单个 GM 的权重，即男生女生占班的比重，然后 男生的身高数据 计算出高斯分布，女生的也是，这样 就构建好一个GMM 了。
当然上面的例子是理想化的计算，假如对一组样本 n-by-d 进行聚类，n 表示样本数，d 表示样本的维度。
对一个GMM 的训练通过EM 和最大似然估计计算，需要确定的是 GMM 中各GM 的权重w，和各GM 里面样本均值 u 和 协方差矩阵 ∑ （d-by-d matrix），即GM 分布的两个参数。同属一个GM 的样本就是同一个类，所以多少类变有多少个GM.
通过最大似然估计作为GMM 训练的结束判断，最大似然估计根据 X 在GMM 分布中的期望作为判断（这句话不准确，看上面GMM推导）.
对于一个样本点，其在GMM中的概率p(x)如下,其中K 为GM 的个数，样本x 在K 个GM 中的概率p(x|k) 的叠加，p(k)为 k-th GM 的权重:
然后利用最大似然估计，N 个样本点的p(x)之积最大的时候，则参数确定了，因为多项式之积难算，去了log 之后变成了之和，N() 是一维高斯分布，如下：
下面是另外一种表达，参考上上式中第一个等号，下面的m 等同上面的N，zi 是类标号即上面的k，下面公式第二等号有两个p，后p 等同于GM 的权重，前者p 就是一个上面公式的N ()一维高斯分布，注意下式第二个累加的变量是类标号，不是样本标号：
为了使上面的L 取最大值，那么使两个p 都取最大便可以了，这需要用到em算法，固定A，更新B，然后换过来，固定B，更新A，迭代到L的变化低于阀值。
初始化：
因为我们有初始化的标号，所以可以初始化各GM 的权重w（π），样本均值u 和协方差∑。初始化完成后，便可以进入EM迭代过程。
e-step:
先进行 e-step，这一步是假设知道了个GM 3个参数，即假设这个GMM 模型已经训练好了，那么将N个训练样本当作新样本输入，便可以求各样本到各GM 的概率，一个 N-by-K matrix，然后就知道了各样本的类标号，一行中的概率最大值咯，下面就是这个矩阵的计算公式：
注意的是这里运算的x 是d-by-1 矩阵，即一个sample，与前面的x 矩阵有点不同。
好了，问题来了，这个γ 究竟对应于上面公式的哪一部分呢？答案是 都不对应！
既然这样，为什么计算呢？为了更新类标号！
注意到这个γ 是小数来的，如果不进行上面的一行中概率最大值修改为1，其他修改为0，则一个sample 的类标号将是权重0.xx了，不再是1、0，正常操作时这样，在迭代过程中一直保持权重类标号，到正真需要的时候，例如判断样本的归宿时候，则给出1、0类标号。
ps：
注意到 γ 的分子是不是跟L 很像？ 这其实实际计算上面，N() 是一样的，但π 不一样阿！这需要看e-step 的假设了，GMM 模型已经知道，输入的样本标号不知道，那么这个π 是训练数据得出来的π，不是输入样本的π（虽然数值数值上一样但逻辑上不同）！所以需要求出γ 才能够知道样本的标号，然后计算出GM 的权重，才是L 中的π值，想省事的就先判断后进行m-step，毕竟m-step才是意义上计算π的地方。
e-step结束了，其实我们已经可以知道了L 的右边的p，将γ 每行叠加生成 1-by-k 矩阵，便是各GM 的标号叠加，除以样本数便是权重了，进入m-step.
m-step:
进入M-step，则是看作已经到了输入样本的类标号，这就跟初始化很类似了，已知标号然后求GM的参数，区别是 初始化时候的标号为1、0，现在可能成小数了，计算公式如下：
解释下，第一条就是k-th GM 的样本均值，γ则是e-step 计算得出的值。
第二条是协方差计算公式了。
权重的更新藏在第三行，计算可以看上面几行有写。
收敛判断：
当前的log-likehood 就是用e-step 中的N()，和m-step 中的π，计算下式，与上一步的做对比。