The results in table 4, show that a

The results in table 4, show that all p-value ≥ 0.01 for all HMM. Then we can consider that sequences of the generator are random enough to apply others statistical tests. Therefore we applied statistical tests on our three Hidden Markov Models topologies figure 2. Aspin-Welch figure 8(a) and Kolmogorov-Smirnov figure 8(b) give the same results: most relevant model is topology 2, BaumWelch learning algorithm with Forward Variable decoding is the best learning algorithm and finally, stochastic symbols generated with normal distribution is the best way. Kolmogorov-Smirnov test determines if two datasets differ significantly. It has the advantage of making no assumption about data distribution. This test is less sensitive than Aspin-Welch test. This last one is intended for use with samples having unequal variances.

Results (Thai) 1:

ผลในตารางที่ 4 แสดงให้เห็นว่าทุก p-value ≥ 0.01 HMM ทั้งหมด แล้วเราสามารถพิจารณาว่าลำดับของเครื่องกำเนิดไฟฟ้าที่มีมากพอที่จะนำไปใช้สุ่มคนอื่น ๆ การทดสอบทางสถิติ ดังนั้นเราจึงใช้การทดสอบทางสถิติในสามที่ซ่อนมาร์คอฟรุ่นโครงสร้างของเราคิด 2. Aspin-เวลช์รูปที่ 8 (a) และร่าง Kolmogorov-Smirnov 8 (ข) ให้ผลเหมือนกัน: แบบจำลองที่เกี่ยวข้องมากที่สุดคือโครงสร้างที่ 2 ขั้นตอนวิธีการเรียนรู้ BaumWelch กับตัวแปรไปข้างหน้า ถอดรหัสเป็นขั้นตอนวิธีการเรียนรู้ที่ดีที่สุดและสุดท้ายสัญลักษณ์สุ่มสร้างขึ้นด้วยการกระจายปกติเป็นวิธีที่ดีที่สุด ทดสอบ Kolmogorov-Smirnov กำหนดว่าสองชุดข้อมูลที่แตกต่างกันอย่างมีนัยสำคัญ มันมีความได้เปรียบในการทำสมมติฐานเกี่ยวกับการกระจายข้อมูลที่ไม่มี การทดสอบนี้มีความสำคัญน้อยกว่าการทดสอบ Aspin-เวลช์ สุดท้ายนี้มีไว้สำหรับใช้กับกลุ่มตัวอย่างที่มีความแปรปรวนไม่เท่ากัน

Results (Thai) 2:

ผลลัพธ์ในตาราง4แสดงให้เห็นว่าค่า p ๐.๐๑ทั้งหมดสำหรับ HMM ทั้งหมด จากนั้นเราสามารถพิจารณาลำดับของเครื่องกำเนิดไฟฟ้าที่มีการสุ่มเพียงพอที่จะใช้การทดสอบทางสถิติอื่นๆ ดังนั้นเราจึงใช้การทดสอบทางสถิติในสามของเราซ่อน Markov รูปแบบโครงร่าง2 รูปที่ 8 (a) และ Kolmogorov-Smirnov รูปที่ 8 (b) ให้ผลลัพธ์เดียวกัน: รูปแบบที่เกี่ยวข้องมากที่สุดคือโทโพโลยี 2, การเรียนรู้ขั้นตอนวิธีการที่มีการถอดรหัสแบบตัวแปรไปข้างหน้าเป็นอัลกอริทึมการเรียนรู้ที่ดีที่สุดและในที่สุด, สัญลักษณ์สุ่มสร้างขึ้นด้วย การแจกแจงปกติเป็นวิธีที่ดีที่สุด การทดสอบ Smirnov จะกำหนดว่าสองชุดข้อมูลที่แตกต่างกันอย่างมีนัยสำคัญ มันมีข้อได้เปรียบของการทำให้ไม่มีสมมติฐานเกี่ยวกับการกระจายข้อมูล. การทดสอบนี้มีความไวน้อยกว่าการทดสอบ Aspin-Welch คนสุดท้ายนี้มีไว้สำหรับใช้กับตัวอย่างที่มีผลต่างไม่เท่ากัน.

Results (Thai) 3:

ตาราง 4 แสดงให้เห็นว่าค่า P ทั้งหมดของแบบจำลองฮิดเดนมาร์คอฟคือ 0.01 ดังนั้นเราสามารถพิจารณาลำดับของเครื่องกำเนิดไฟฟ้าเป็นแบบสุ่มและเพียงพอสำหรับการทดสอบทางสถิติอื่นๆ ดังนั้นเราจึงทำการทดสอบทางสถิติของทั้งสามรูปแบบฮิดเดนมาร์คอฟโทโพโลยี รูปแบบความสัมพันธ์ที่เกี่ยวข้องมากที่สุดคือโทโพโลยี 2-baumwell การเรียนรู้ขั้นตอนวิธีที่ดีที่สุดกับตัวแปรไปข้างหน้าถอดรหัสเป็นขั้นตอนวิธีการเรียนรู้ที่ดีที่สุดและสุดท้ายการสร้างสัญลักษณ์สุ่มปกติเป็นวิธีที่ดีที่สุ kolmogorov-smirnov ทดสอบเพื่อตรวจสอบว่ามีความแตกต่างที่สำคัญระหว่างสองชุดข้อมูล ข้อดีของมันคือว่าไม่มีสมมติฐานเกี่ยวกับการกระจายของข้อมูล การทดสอบนี้มีความไวน้อยกว่าแอสไพรินเวลช์ ตัวอย่างสุดท้ายที่ใช้กับความแปรปรวนไม่เท่ากัน