数据丢失是模式识别技术在解决现实生活中的分类任务时需要处理的一个常见缺陷。 本文首先讨论了使用高斯混合模型(GMM)处理缺失值的高维样本时遇到的问题。 由于由于收敛性和稳定性问题,直接使用高维样本作为输入来拟合GMM非常困难,因此提出了一种通过将降维GMM扩展到全维空间来构建高维GMM的新方法。 在扩展的全维GMM的基础上,提出了边际化和条件均值插补两种方法,对在线阶段数据缺失的样本进行分类。 然后,采用提出的方法从表面肌电信号(sEMG)识别手部动作,即使缺少50%的sEMG信号,也可以获得超过75%的动作分类精度。 与正常均值和零归因的比较也证明了所提出方法的改进。 最后,通过涉及新方法设计了一种肌电手的控制方案,并且在线实验证实了所提出的方法改善实际系统的安全性和稳定性的能力。