未來的排放，我安裝使用hmm.discnp包HMM模型我的數據在R作爲如下：預測從擬合HMM模型
library(hmm.discnp)
zs <- hmm(y=lis,K=5)
現在我想預測從這個模型未來ķ意見（排放） 。但我只能通過Viterbi算法獲得最有可能的狀態序列。
我已經有t排放，即(y(1),...,y(t))。
我希望最有可能的將來K排放來自裝配的HMM對象，即(y(t+1),...y(t+k))。
有沒有函數來計算這個？如果不是那麼我該如何手動計算它？
從手動生成HMM排放非常簡單。我對R並不十分熟悉，但我在這裏解釋如何根據您的要求生成數據的步驟。
首先要記住的是，由於其馬爾可夫性質，HMM沒有記憶。在任何時候，只有當前狀態是已知的，以前發生的事情是「被遺忘」的。這意味着在時間t+1處生成樣本僅取決於時間t處的樣本。
如果你有一個序列，你可以做的第一件事就是像你一樣使用最可能的狀態序列（用維特比算法）。現在，您知道產生最後一次觀察的狀態（您表示y(t)）。
現在，從這種狀態，您知道由於轉換矩陣而轉移到模型的每個其他狀態的概率。這是一個概率質量函數（pmf），您可以從這個pmf中繪製一個狀態編號（不是手工的！R應該有一個內置函數來從pmf中繪製一個樣本）。您繪製的州編號是您的系統時間爲t+1的狀態。使用此信息，您現在可以從分配給此新狀態的概率函數（如果它是高斯分佈，使用應存在於R中的高斯隨機生成器，此處相同）繪製樣本觀察值。
從此狀態t+1，現在可以應用相同的過程來達到時間t+2等的狀態。請注意，如果您多次執行此完整過程（以生成從時間t+1到t+k的數據樣本），您將得到不同的結果。這是由於模型的概率性質。我不確定你的意思是most probable future emissions，我不確定是否有一些例程或不這樣做。您可以計算最後獲得的完整序列的可能性（從1到t+k）。通常情況下，作爲最後部分的序列可能性高達t真正由模型本身產生，因此「完全」符合某些方面。