1.一种基于深度学习的混合概率分布参数估计方法，其特征在于：包括以下步骤：

1、数据预处理：

给定一组数据集X，计算数据集中的所有数据样本的均值和方差，然后归一化处理每个(i)数据样本，得到归一化样本X ，i＝[1,2,...,N]，N为样本总数；

2、混合概率分布的概率密度函数建立：

(i)

混合概率分布的概率密度函数 其中pk(X ,θk)为混合概率分布中第k个分量概率分布的概率密度函数，wk为第k个概率分布在整体分布中占的权重，θk为第k个分量的概率密度函数的参数，k＝[1,2,...,K]，K为混合分布的分量总数；θ＝<θ1,θ2,...,θK>为所有分量的概率密度函数参数构成的总参数向量；

3、混合概率分布参数估计的目标函数建立：建立混合概率分布参数估计的目标函数和下界函数；

4、采用深度学习方法迭代优化下界函数，求解参数θ：

4.1)将参数θ在均值为0，方差为1的标准正态分布中进行采样，作为参数的初始值；

4.2)初始化wk＝1/K，初始化误差计数en为0，步数step＝1；

4.3)定义隐变量Z为N行K列的二维矩阵，计算Z值；

4.4)根据Z值计算wk，根据Z值和wk计算Q函数，根据Q函数计算得到θ’；

4.5)令误差e＝|θ‑θ’|，若误差e小于0.001，则令en＝en+1，否则令en＝0；

4.6)令θ＝θ’，若en>误差终止条件，则输出参数θ；否则，执行步骤4.7)；

4.7)令step＝step+1，若step>最大步数，则输出参数θ；否则执行步骤4.3)。

2.根据权利要求1所述的一种基于深度学习的混合概率分布参数估计方法，其特征在(1) (2) (N) (i)于：步骤1中，数据集X＝{x ,x ,......,x }；其中x 为第i个数据样本，i＝[1,2,...,(i) (i)N],N为样本总数，每一个x 表示为一个P维向量，即x ＝，P为向量的维度。

3.根据权利要求2所述的一种基于深度学习的混合概率分布参数估计方法，其特征在于：步骤1中，数据样本的均值 数据样本的标准差

4.根据权利要求3所述的一种基于深度学习的混合概率分布参数估计方法，其特征在(i)于：步骤1中，归一化样本X ＝＜(xi1‑u1)/σ1,(xi2‑u2)/σ2,...,(xiP‑uP)/σP＞。

5.根据权利要求1所述的一种基于深度学习的混合概率分布参数估计方法，其特征在于：步骤3中，目标函数 下界函数

6.根据权利要求1所述的一种基于深度学习的混合概率分布参数估计方法，其特征在于：步骤4的求解参数θ之前，还包括预定义超参数，超参数包括：数据批量个数batch_size、执行轮数num_epochs、学习率lr、误差终止条件em和最大步数maxstep。

7.根据权利要求6所述的一种基于深度学习的混合概率分布参数估计方法，其特征在于：batch_size为512‑4096，缺省值为2048；num_epochs为20‑100，缺省值为30；lr为1e‑3；

em为5，maxstep为100。

8.根据权利要求5所述的一种基于深度学习的混合概率分布参数估计方法，其特征在于：4.3)具体为：

4.3.1)输入全部数据集X；

4.3.2)隐变量Z的所有元素初始化为0；

4.3.3)令i＝1；

(i)

4.3.4)取得数据集X中的第i条数据X ；

4.3.5)令sum_Zi＝0；

4.3.6)令k＝1；

(i)

4.3.7)Z[i,k]＝wk*pk(X ,θk)；

4.3.8)sum_Zi＝sum_Zi+Z[i,k]；

4.3.9)令k＝k+1，如果k>K，则执行步骤5.3.10)，否则执行步骤5.3.7)；

4.3.10)令k＝1；

4.3.11)令Z[i,k]＝Z[i,k]/sum_Zi；

4.3.12)令k＝k+1，如果k>K，则执行步骤4.3.13)，否则执行步骤4.3.11)；

4.3.13)令i＝i+1，如果i>N，则Z[i,k]计算完毕，并执行步骤4.4)，否则执行步骤

4.3.4)。

9.根据权利要求5所述的一种基于深度学习的混合概率分布参数估计方法，其特征在于：4.4)具体为：

4.4.1)定义θ’＝θ，令B＝N/batch_size，将数据集分成B批，每批的数据量为batch_size，将数据集的每条数据随机分批；

4.4.2)令epoch＝1；

4.4.3)令b＝1，令X[b]为第b批数据，X[b,i]为第b批数据中的第i条数据，且该条数据在原数据集中的序号是idxi；

4.4.4)计算下界函数Q函数；

4.4.5)在Q函数的负数函数‑Q上对参数θ’进行求梯度并反向传播处理，其中反向传播的优化器采用Nadam方法，优化步长采用学习率为1e‑3，反向传播后θ’被Nadam优化器更新，得到θ’；

4.4.6)令b＝b+1，若b>B，则执行步骤4.4.7)，否则执行步骤4.4.4)；

4.4.7)令epoch＝epoch+1，若epoch>num_epochs，则执行步骤4.4.8)，否则跳到

4.4.3)。

4.4.8)令