so that they incorporate many param

so that they incorporate many parameters of a day, such as
all order moments or tail distributions.
Thereafter a classification algorithm is performed on the
sample of histograms so that we get classes of daily distributions.
The variability of the distributions within a specific
class is represented by a random distribution which
depends on this class. A well-known example of random
distribution is the Dirichlet distribution, suitable for representing
a wide variety of distributions. The variability of
the whole sample will be represented by a mixture of
Dirichlet distributions.
To estimate the parameters of the mixture as well as the
parameters of each Dirichlet distribution, we use the Stochastic
Approximation Expectation-Maximization (SAEM
algorithm) (Celeux and Diebolt, 1992; Emilion, 2002),
which is a stochastic version improving the celebrated
Expectation Maximization Algorithm (EM algorithm)
Dempster et al., 1977; Hartley, 1958; McLachlan and
Krishnan, 1997.
The above method is interesting not only for capturing
the entire range of daily solar radiation behaviour with
all its statistical characteristics, but also for dealing with
almost any type of distribution and for describing a class
by a random distribution. This last point is much more
general and interesting than describing classes by tuples
(e.g., mean-variance) or by thresholds, as seen in the overview
section.
Note that this method has been applied for internet traffic
flow classification (Soule and A., 2004). This paper seeks to contribute to the study of the applicability of this
method for daily solar radiation classification.

Kết quả (Việt) 1:

Vì vậy mà họ kết hợp các thông số nhiều của một ngày, chẳng hạn nhưTất cả những khoảnh khắc đơn đặt hàng hoặc phân phối đuôi.Sau đó một thuật toán phân loại được thực hiện trên cácmẫu của histograms vì vậy mà chúng tôi nhận được các lớp của các nhà phân phối hàng ngày.Sự biến đổi của bản phân phối trong một cụ thểlớp học được đại diện bởi một phân phối ngẫu nhiên màphụ thuộc vào lớp này. Một ví dụ nổi tiếng của ngẫu nhiênphân phối là phân phối Dirichlet, phù hợp với đại diện chonhiều bản phân phối. Sự biến đổi củatoàn bộ mẫu sẽ được đại diện bởi một hỗn hợp củaDirichlet phân phối.Để ước lượng các tham số của hỗn hợp cũng như cácthông số của mỗi phân phối Dirichlet, chúng tôi sử dụng StochasticXấp xỉ kỳ vọng-tối đa hóa (SAEMthuật toán) (Celeux và Diebolt, 1992; Emilion, 2002),đó là một điều ngẫu nhiên phiên bản nâng cao những kỷ niệmThuật toán cực đại hóa kỳ vọng (EM thuật toán)Dempster et al., 1977; Hartley, 1958; McLachlan vàTùng, 1997.Phương pháp trên là thú vị không chỉ cho chụpphạm vi toàn bộ hành vi bức xạ mặt trời hàng ngày vớiTất cả các đặc tính thống kê, nhưng cũng để đối phó vớiHầu hết các loại phân phối và để mô tả một lớpbởi phân phối ngẫu nhiên. Thời điểm cuối này là nhiều hơn nữanói chung và thú vị hơn so với mô tả lớp học bởi tuples(ví dụ, có nghĩa là phương sai) hoặc bằng ngưỡng, như đã thấy trong tổng quanphần này.Lưu ý rằng phương pháp này đã được áp dụng cho lưu lượng truy cập internetphân loại lưu lượng (Soule và A., 2004). Giấy này nhằm góp phần vào việc nghiên cứu các ứng dụng nàyphương pháp phân loại các bức xạ năng lượng mặt trời hàng ngày.

Kết quả (Việt) 2:

để họ kết hợp những thông số của một ngày, chẳng hạn như
tất cả những khoảnh khắc tự hoặc phân phối đuôi.
Sau đó một thuật toán phân loại được thực hiện trên các
mẫu biểu đồ để chúng ta có được lớp học của các phân phối hàng ngày.
Các thay đổi của các nhà phân phối trong một cụ thể
lớp được biểu diễn bởi một phân phối ngẫu nhiên mà
phụ thuộc vào lớp này. Một ví dụ nổi tiếng của ngẫu nhiên
phân phối là phân phối Dirichlet, thích hợp cho đại diện cho
một loạt các bản phân phối. Các thay đổi của
toàn bộ mẫu sẽ được đại diện bởi một hỗn hợp của
các bản phân phối Dirichlet.
Để ước lượng các tham số của hỗn hợp cũng như các
thông số của từng phân phối Dirichlet, chúng tôi sử dụng Stochastic
xấp xỉ Expectation-Tối đa hóa (SAEM
thuật toán) (Celeux và Diebolt, năm 1992; Emilion, 2002),
mà là một phiên bản ngẫu nhiên cải thiện nổi tiếng
vọng tối đa hoá Algorithm (thuật toán EM)
Dempster et al., 1977; Hartley, 1958; McLachlan và
Krishnan, 1997.
Các phương pháp trên là thú vị không chỉ để chụp
toàn bộ phạm vi của hành vi bức xạ năng lượng mặt trời hàng ngày với
tất cả các đặc tính thống kê của nó, mà còn để đối phó với
hầu như bất kỳ loại phân phối và để mô tả một lớp
bởi một phân phối ngẫu nhiên. Điểm cuối cùng này là nhiều hơn
nói chung và thú vị hơn so với mô tả các lớp học của các tuple
(ví dụ, trung bình-phương sai) hoặc bằng ngưỡng, như đã thấy trong cái nhìn tổng quan
phần.
Lưu ý rằng phương pháp này đã được áp dụng cho giao thông internet
phân loại lưu lượng (Soule và A., 2004). Bài viết này mong muốn đóng góp vào việc nghiên cứu khả năng áp dụng những điều này
phương pháp để phân loại bức xạ năng lượng mặt trời hàng ngày.