如果您的目标是找到大小为的最大似然混合，那么您可以使用现有解决方案作为初始化，一旦您将其扩大到具有更多高斯分布。为了扩大它，文献中有两种方法。第一种方法是在最好的位置添加一个新的高斯，保持现有的固定。Verbeek 等人 (2003)在高斯混合模型的高效贪心学习中描述了这种方法。他们给出了一个快速的启发式方法来为新的高斯找到好的参数，并且目前的实验（但不是理论）表明它运作良好。在该论文中，您还可以找到对做类似事情的早期工作的参考。$n+1$

第二种方法是将现有的高斯一分为二。这种方法在Ueda 等人 (2000)的混合模型的 SMEM 算法和Karciauskas 等人 (2004) 的通过拆分和合并组件来学习潜在类模型中进行了描述。这些论文的重点是分裂高斯，以逃避 EM 算法的局部最优，但分裂也可以用于您的情况。

通常，这取决于您使用的算法和软件。在可能的任何软件中，您都可以使用一些起始值来启动您的算法。

但是，考虑到您已经安装了一些对数据“最优”的模型。如果你要求你的算法比你已经从一些局部最优开始多一个高斯，那么它可能会变得混乱。算法可能很难找到比已经是“可能的最佳选择”的解决方案“更好”的解决方案。

如果您以贝叶斯的方式考虑它，您可以将其视为您在数据上使用了一些信息丰富的先验，在这种情况下，有时您的数据很难克服来自先验的信息。

不幸的是，我不记得有任何专门处理此案的文献。在他的著作 Sivia（2006 年，数据分析：贝叶斯教程。牛津大学出版社。）中认为，在贝叶斯案例中，在大多数情况下，使用先前分析的后验作为后续分析的先验是一个坏主意。