us-17-Anderson-Bot-Vs-Bot-Evading-Machine-Learning-Malware-Detection

Anderson-Bot-Vs-Bot-Evading-Machine-Learning-Malware-Detection

Anderson-Darling 检验（Anderson 和 Darling，1952 年）用于测试数据样本是否来自特定分布。 它是对 Kolmogorov-Smirnov (KS) 检验的修改，并且比 KS 检验赋予尾部更多的权重。 KS 测试是无分布的，因为临界值不依赖于被测试的特定分布。 Anderson-Darling 检验在计算临界值时使用特定分布。 这样做的优点是允许进行更灵敏的测试，缺点是必须为每个分布计算临界值。 Anderson-Darling 检验仅适用于少数特定分布。 测试计算如下： AD2 = 积分{[F_o(x)-F_t(x)]^2/[F_t(x)(1-F_t(x)0]}dF_t(x) AD2a = AD2*a 请注意，对于给定的分布，Anderson-Darling 统计量可以乘以常数 a（通常取决于样本大小 n）。 这些常数在 Stephens (1

John B. Anderson、Tor Aulin和Carl-Erik Sundberg合著的经典书籍，1986年的书，虽然有些老了，但作为数字相位调制及其解调的经典之作，非常值得参考。也是matlab中许多源程序和例程的参考书籍。原出版社为Plenum Press,，此版本是Springer的再版，文字版，非常清晰。

Anderson-Darling 检验（Anderson 和 Darling，1952 年）用于测试数据样本是否来自特定分布。 它是对Kolmogorov-Smirnov（KS）测试的改进，与KS测试相比，赋予尾巴更大的重量。 KS 测试是无分布的，因为临界值不依赖于被测试的特定分布。 Anderson-Darling 检验在计算临界值时使用特定分布。 这样做的优点是允许进行更灵敏的测试，缺点是必须为每个分布计算临界值。 Anderson-Darling 检验仅适用于少数特定分布。 测试计算如下： AD2 = 积分{[F_o(x)-F_t(x)]^2/[F_t(x)(1-F_t(x)0]}dF_t(x) AD2a = AD2*a 注意，对于给定的分布，可以将Anderson-Darling统计量乘以常数a（通常取决于样本大小n）。 这些常数在 Stephens (1974, 19

@book{ author = {Anderson, Brian DO and Moore, John B}, title = {Optimal filtering}, publisher = {Prentice-Hall, Inc.}, address = {New Jersey}, year = {1979}, type = {Book} }

经典名著最优滤波，文字清晰，300dpi，排版良好可转换为PDF直接打印。

SUMS13 Hyperbolic Geometry, James W. Anderson (1999).zip

啥都不说了，Anderson的Optimal Filtering，需要的赶快下。

SUMS29 A First Course in Discrete Mathematics, Ian Anderson (2002) .pdf