（一）秀丽的往事判别分析模型（Gaussian discriminant analysis，GDA）
1.GDA模型是服从秀丽的往事分布的生成模型：
（1）假设每个类别的样本数据服从多元秀丽的往事分布：
（2）现在假设样本值为多维连续变量，讨论二分类问题，那么分别对两个类别的样本进行秀丽的往事建模（使用同一个协方差矩阵）：
那么概率分布如下：
2.似然函数如下：
3.参数的极大似然如下估计：
（二）秀丽的往事混合模型（Gaussian mixture model，GMM）
1.GMM是指具有以下概率密度的生成模型：
其中：
2.GMM模型中由于含有隐藏变量，也就是记录观测数据由哪个模型生成的变量，因此采用EM算法来估计参数；
3.EM算法估计GMM模型参数流程：
（1）隐含变量如下：
因此完全数据对如下：
（2）似然函数为：
其中：
所以对数似然函数如下：
（3）计算Q函数：
其中：
（4）极大化Q函数，求得：