Вы можете использовать текущее наблюдение (скрытого состояния), чтобы обновить представления о прошлых скрытых состояниях.
Возможно, есть более четкое объяснение на https://math.stackexchange.com/a/1281877/598682.
Я также нашел книгу Педро Доминго «Мастер-алгоритм», которая дает хорошее концептуальное понимание, в том числе то, как HMM относится к фильтру Калмана:
"Если состояния и наблюдения являются непрерывными переменными, а не дискретными, HMM становится так называемым фильтром Калмана. Экономисты используют фильтры Калмана для удаления шума из временных рядов величин, таких как ВВП, инфляция и безработица. «Значения ВВП являются скрытыми состояниями; на каждом временном шаге истинное значение должно быть похоже на наблюдаемое, но также и на предыдущее истинное значение, поскольку экономика редко делает резкие скачки. Фильтр Калмана обменивает эти два значения, давая более плавная кривая, которая все еще соответствует наблюдениям. "
«ГЛАВА ШЕСТАЯ В Церкви Преподобного Байеса». Основной алгоритм: как поиск совершенной обучающей машины переделает наш мир, Педро Домингос, Basic Books, член группы Perseus Books Group, 2018, стр. 155.