我使用R中的HMM包为我的数据拟合hmm.discnp模型，如下所示：
library(hmm.discnp)
zs <- hmm(y=lis,K=5)
现在我想预测该模型的未来K观测（排放）。但我只能通过Viterbi算法获得我已经拥有的观测结果的最可能状态序列。
我已经有t次排放，即(y(1),...,y(t))
我希望来自拟合K对象的最可能的未来HMM发射，即(y(t+1),...y(t+k))。
有计算这个的功能吗？如果没有，那么我该如何手动计算呢？
答案 0 :(得分：0)
从HMM生成排放非常简单，可以手动完成。我对R不是很熟悉，但我在这里解释了生成数据的步骤。
要记住的第一件事是，由于它的马尔可夫性质，HMM没有记忆。在任何时候，只知道当前状态，之前发生的事情是“被遗忘”。这意味着，t+1时间样本的生成仅取决于样本t。
如果你有序列，你可以做的第一件事就是像你一样拟合最可能的状态序列（使用维特比算法）。现在，您知道生成最后一次观察的状态（您表示y(t)的那个）。
现在，从这个状态，您知道由于转换矩阵而转换到模型的每个其他状态的概率。这是一个概率质量函数（pmf），你可以从这个pmf中绘制一个状态数字（不是手工绘制！R应该有一个内置函数从pmf中绘制一个样本）。您绘制的州号是您的系统在t+1时的状态。
有了这些信息，你现在可以从分配给这个新状态的概率函数中绘制一个样本观察（在这里，如果它是高斯分布，则使用应该存在于R中的高斯随机生成器）。
从此状态t+1开始，您现在可以应用相同的步骤在t+2时间到达某个州，依此类推。
请注意，如果您多次执行此完整程序（从时间t+1生成数据样本到t+k），您将得到不同的结果。这是由于模型的概率性质。我不确定most probable future emissions你的意思，我不确定是否有一些惯例或不这样做。您可以计算最终获得的完整序列的可能性（从1到t+k）。一般来说，作为最后一部分的序列最多t的可能性是从模型本身真正生成的，因此在某些方面“完全”适合。