示例模型假设排放量x为泊松分布，具有由潜在变量z确定的四个速率之一。因此，它定义了可训练速率（或对数速率），定义了具有z上的均匀初始分布的HMM、转移概率和来自泊松分布的观测值，其中对数速率由可训练速率给定。
为了更改为正态分布，您说x应该是正态分布，其可训练均值和标准差由潜在变量z确定。因此，您需要将trainable_log_rates替换为trainable_loc和trainable_scale，并更改

observation_distribution=tfd.Poisson(log_rate=trainable_log_rates)

到

observation_distribution=tfd.Normal(loc=trainable_loc, scale=trainable_scale)

然后，您需要将您的rate_prior替换为您选择的loc_prior和scale_prior，并使用它们来计算新的log_prob函数。

@mCoding的答案是正确的，在Tensorflow发布的示例中，您有一个具有均匀零分布([0.,0.,0.,0.])的隐马尔可夫模型，一个重对角转移矩阵，发射概率为泊松分布。
为了使其适应“正态”示例，您只需将这些概率更改为“正态”概率。例如，假设您的发射概率正态分布，参数为：

training_loc =  tf.Variable([0.,0.,0.,0.])
training_scale = tf.Variable([1.,1.,1.,1.])

那么observation_distribution将是：

observation_distribution = tfp.distributions.Normal(loc= training_loc, scale=training_scale )

最后，您还必须更改有关这些参数的先验知识，设置prior_loc，prior_scale。您可能需要考虑无信息/弱信息先验，因为我看到您在之后拟合模型。
因此，您的代码应类似于：

# Define the emission probabilities.
training_loc =  tf.Variable([0.,0.,0.])
training_scale = tf.Variable([1.,1.,1.])
observation_distribution = tfp.distributions.Normal(loc= training_loc, scale=training_scale ) #Change this to your desired distribution

hmm = tfd.HiddenMarkovModel(
  initial_distribution=tfd.Categorical(
      logits=initial_state_logits),
  transition_distribution=tfd.Categorical(probs=transition_probs),
  observation_distribution=observation_distribution,
  num_steps=len(observed_counts))

# Prior distributions
prior_loc = tfd.Normal(loc=0., scale=1.)
prior_scale = tfd.HalfNormal(scale=1.)

def log_prob():
  log_probability = hmm.log_prob(data)#Use your training data right here
  # Compute the log probability of the prior on the mean and standard deviation of the observation distribution
  log_probability += tf.reduce_sum(prior_mean.log_prob(observation_distribution.loc))
  log_probability += tf.reduce_sum(prior_scale.log_prob(observation_distribution.scale))
  # Return the negative log probability, since we want to minimize this quantity
  return log_probability 

optimizer = tf.keras.optimizers.Adam(learning_rate=0.1)

# Finally train the model like in the example

losses = tfp.math.minimize(
    lambda: -log_prob(),
    optimizer=tf.optimizers.Adam(learning_rate=0.1),
    num_steps=100)

现在如果你看参数training_loc和training_scale，它们应该有拟合值。