تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله الگوریتم های داده جریانی برای آزمون کولموگروف – اسمیرنوف – نشریه IEEE

عنوان فارسی: الگوریتم های داده جریانی برای آزمون کولموگروف – اسمیرنوف
عنوان انگلیسی: Data Streaming Algorithms for the Kolmogorov-Smirnov Test
تعداد صفحات مقاله انگلیسی : 10 تعداد صفحات ترجمه فارسی : 26
سال انتشار : 2015 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5490 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.64Mb
رشته های مرتبط با این مقاله: آمار و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: مهندسی الگوریتم ها و محاسبات و آمار ریاضی
مجله: کنفرانس بین المللی بزرگ داده (داده بزرگ)
دانشگاه: گروه ریاضی و علوم کامپیوتر، دانشگاه دنیسون گرانویل، ایالات متحده آمریکا
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

مقدمه

A.کاربردها

نجوم

شبکه های حس گر بی سیم

اندازه گیری ترافیک اینترنت

B.همکاری

تشکیلات

کارمرتبط

پیش مقدمه

1-تعریف مسئله

B. طرح های چندک

آزمون یک نمونه ای

A.آزمون دونمونه ای

آزمون دونمونه ای

A. تحلیل محاسباتی

A. الگوریتم دونمونه ای

B. تحلیل محاسباتی

انتخاب ϵ

ارزیابی تجربی

تک نمونه

دو نمونه

نتایج

تک نمونه

دو نمونه

نمونه متن انگلیسی

Abstract

We propose space-efficient algorithms for performing the Kolmogorov-Smirnov test on streaming data. The Kolmogorov-Smirnov test is a non-parametric test for measuring the strength of a hypothesis that some data is drawn from a fixed distribution (one-sample test), or that two sets of data are drawn from the same distribution (two-sample test). Unlike some other tests, Kolmogorov-Smirnov does not assume that the distribution has a known form (e.g., it is normal), and in the two-sample case it need not know anything about the distribution, other than that it is continuous. Motivated by the challenges of big data, we present algorithms for both the onesample and the two-sample tests for data processed in a stream. We demonstrate the accuracy of our algorithms via extensive experimentation on both real and synthetic datasets. We show that our algorithms are superior to sampling and that they accurately perform the test with several orders of magnitude reduction in data.

نمونه متن ترجمه

چکیده

ما برای انجام آزمون کولموگروف-اسمیرنوف روی جریان داده ها الگوریتم های فضای کارامد را پیشنهاد می کنیم. آزمون کولموگروف-اسمیرنوف یک آزمون غیرپارامتری برای اندازه گیری توانایی یک فرضیه است که چند داده را ازیک توزیع ثابت گرفته باشد(آزمون یک نمونه ای) و یا اینکه دومجموعه داده از همان توزیع(آزمون دونمونه ای) گرفته شده است. برخلاف دیگر آزمون ها، این آزمون فرض نمی کند که توزیع یک شکل مشخص دارد(برای مثال توزیع نرمال باشد)، و در مورد دو نمونه ای نیز نیاز به دانستن چیزی درباره توزیع نیست، به جزاین که توزیع باید پیوسته باشد. با توجه به چالش داده های بزرگ، ما الگوریتمی برای هردو آزمون یک نمونه ای و دونمونه ای برای پردازش داده در یک جریان ارائه کرده ایم. دراین مقاله دقت این الگوریتم را همراه با آزمایشات گسترده برروی هردو مجموعه داده واقعی و ترکیبی نشان خواهیم داد. همچنین نشان خواهیم داد که الگوریتم های ما برای نمونه برداری عالی هستند و آزمون را با چندین درجه کاهش بزرگی در داده به دقت انجام می دهند.