Probability 如何使用（修改）正向算法来计算子集观测的概率

对于通常的HMM问题，所有时间步长都会生成观测值。但是让我们假设我们只观察输出的一个子集：$x_{t1}，$x_{tk}$在时间步长$t1，$tk$处。我们如何修改正向算法来计算P（X）（即P（X{t1}，…X{tk}））？

这是一个有趣的问题，但更适合stats.stackexchange.com。这就是说，似乎可以将其作为具有非均匀转移矩阵的普通HMM来处理。只需将缺失观测值的转换汇总为一个从一个非缺失到下一个非缺失的转换。感谢您的评论和答案。关于第一个，我将把这个放到stats.stackexchange.com上。关于答案，对不起，你能更明确一点吗（如果可能的话，用公式）？我真的不清楚你的意思是什么。我关于滚动转换的意思是：具有常数转换矩阵的马尔可夫链是（x0，x1，x2，x3，…=（x0，a.x0，a.a.x0，a.a.a.x0，…），其中a是转换矩阵，a是。表示矩阵乘法。你可以用不同的方式分组：x（tk）=（A^t1）。（A^（t2-t1））（A^（t3-t2））…（A^（tk-t（k-1））.x0，其中A^m是m倍积A.A.A…A，m次。这是一个马尔可夫链，具有非常数的跃迁。我省略了HMM的发射或观察部分，但你可以计算出其余部分，这是基本思想。