混合高斯模型 (GMM)

混合高斯模型（Mixture of Gaussians, MoG）是概率图模型与聚类分析的核心基石，其本质是将复杂的数据分布视为多个独立高斯分布的加权和。在统计学中，它通过均值向量、协方差矩阵及混合权重三个关键参数定义每个分量，利用最大似然概率构建整体模型。在机器学习演进中，该模型超越了传统单一高斯假设的局限，能够刻画多峰、非凸及高维数据形态。其参数优化通常依赖期望最大化（EM）算法迭代求解，使其成为处理动态背景运动检测、火焰识别、人体姿态估计及异常检测等场景的通用且强大的概率建模工具。

在现代计算架构与算法生态中，混合高斯模型扮演着连接统计推断与数据可视化的关键角色。它不仅是高斯混合模型（GMM）的通用表述，更是高斯立方体（Gaussian Cube）等高级计算机视觉技术的底层数学支撑。该模型的核心价值在于其卓越的‘软分类’能力，即数据点可同时属于多个簇，从而更自然地处理噪声、重叠及边界模糊问题。从工业流程控制到前沿的人机交互，混合高斯模型通过其灵活的参数化形式，为理解复杂系统中的随机性与不确定性提供了严谨的数学框架，是构建鲁棒机器学习系统不可或缺的组件。