基于隐马尔可夫模型，设计维特比函数，

用于解决以下问题：

1. 给定一个观察序列和模型参数，求最可能的状态序列。

2. 给定一个观察序列和模型参数，求观察序列的概率。

下面是维特比函数的具体实现：

def viterbi(obs, states, start_p, trans_p, emit_p):
    # obs: 观察序列
    # states: 状态集合
    # start_p: 初始状态概率
    # trans_p: 状态转移概率
    # emit_p: 发射概率

    # 初始化
    V = [{}]  # V[t][y]: 在时刻t状态为y的所有路径的概率最大值
    path = {}  # path[t][y]: 在时刻t状态为y的最优路径上y的前一个状态

    for y in states:
        V[0][y] = start_p[y] * emit_p[y][obs[0]]
        path[0][y] = y

    # 递推计算V和path
    for t in range(1, len(obs)):
        V.append({})
        path.append({})
        for y in states:
            (prob, state) = max((V[t-1][y0] * trans_p[y0][y] * emit_p[y][obs[t]], y0) for y0 in states)
            V[t][y] = prob
            path[t][y] = state

    # 找到最终状态
    (prob, state) = max((V[len(obs)-1][y], y) for y in states)

    # 构造最优路径
    opt_path = [state]
    for t in range(len(obs)-1, 0, -1):
        opt_path.insert(0, path[t][opt_path[0]])

    return (prob, opt_path)

其中，`obs`表示观察序列，`states`表示状态集合，`start_p`表示初始状态概率，`trans_p`表示状态转移概率，`emit_p`表示发射概率。

函数返回值为一个元组，第一个元素为观察序列的概率，第二个元素为最优状态序列。