这个问题是针对齐次离散HMM的情况。
在常规HMM中，当前状态的概率仅取决于先前状态，即Pr（S_t | S_1，S_2，...，S_（t-1））= Pr（S_t | S_（t） -1）），输出观察的概率取决于当前状态，即Pr（O_t | O_1，...，O_（t-1），S_1，...，S_t）= Pr（O_t | S_T）。然后，我们可以使用前向后向（Baum-Welch）算法来估计过渡和发射概率。
我的问题是关于当前观察取决于当前状态和先前观察的情况，即Pr（O_t | O_1，...，O_（t-1），S_1，...，S_t） = Pr（O_t | O_（t-1），S_t）。如何训练这样的模型？我在考虑使用相同的Baum-Welch算法，但不是每个状态都有M个发射概率（代表M个可能的输出），而是存在MxM发射概率。我的意思是每个状态的发射概率都是2D方阵，其中例如行代表前一状态的观测值，列代表当前状态下的观测值。
这有效吗？解决这个问题的论文还有其他想法或引用吗？我搜索了研究此类案例的论文，但遗憾的是没有找到任何论文。