返回信息流几个月前曾看到一篇文章，说道“根据什么波理论，所有的概率密度都可以由混合高斯分布进行拟合”，现在需要用却怎么也找不到这篇文章了。。。
请问达人，具体的说法和参考文献是什么呢？
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #2342同步于 2008/6/10
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
[求助]关于概率密度拟合
UHeroFallen
2008/6/10镜像同步6 回复
订阅后，新回复会通过你的通知中心匿名送达。
6 条回复
混合高斯就是这么来的。不过也不是所有的概率密度都可以，必须是连续的。
任意的概率密度函数（连续）都可以用多高斯来近似，就如同任何函数都可以用三角函数来展开一样。
高斯函数可以看做函数空间的一个基函数，其扩张可以覆盖整个连续函数空间。
我也刚好在思考这方面的问题，能具体点到底是哪本书么？我刚好也想看看怎么证明的（特别是基底的完备性证明）。
比如我手上的，crippe提供的C.M.Bishop的"Pattern Recognintion and Machine Learning"就没讲...
顺便请教下，有这么个结论:说一个高维分布，如果任一维的分量之间都是可交换的，则这个分布就能表示为生成式模型(generative model)，好像是Jordan在Latent Dirichlet Allocation里提到的。这个结论，有什么通俗的经验性解释么？
【 在 bebekifis 的大作中提到: 】
: 统计学习的书上一般都有。。。
没看明白你说的generative model和维度互换的问题。两个没关系吧。
【 在 hmily821224 的大作中提到: 】
: 我也刚好在思考这方面的问题，能具体点到底是哪本书么？我刚好也想看看怎么证明的（特别是基底的完备性证明）。
: 比如我手上的，crippe提供的C.M.Bishop的"Pattern Recognintion and Machine Learning"就没讲...
: 顺便请教下，有这么个结论:说一个高维分布，如果任一维的分量之间都是可交换的，则这个分布就能表示为生成式模型(generative model)，好像是Jordan在Latent Dirichlet Allocation里提到的。这个结论，有什么通俗的经验性解释么？
第一个问题，高斯核拆成三角函数，不就可以了吗？
信号处理方面的期刊可能有相关的文章吧。
这种基还是很多，原始的paper都会有相关属性的讨论。
【 在 hmily821224 的大作中提到: 】
: 我也刚好在思考这方面的问题，能具体点到底是哪本书么？我刚好也想看看怎么证明的（特别是基底的完备性证明）。
: 比如我手上的，crippe提供的C.M.Bishop的"Pattern Recognintion and Machine Learning"就没讲...
: 顺便请教下，有这么个结论:说一个高维分布，如果任一维的分量之间都是可交换的，则这个分布就能表示为生成式模型(generative model)，好像是Jordan在Latent Dirichlet Allocation里提到的。这个结论，有什么通俗的经验性解释么？