V. CONCLUSION Inthispaper,wesampled

V. CONCLUSION Inthispaper,wesampledandtransformedtheremotesensing big data set into a wavelet domain. The statistical characteristics of wavelet coefficients in terms of the scale, time, and band of the data set were comprehensively analyzed and
compared.Thedatasetofdifferenttextureswasdecomposed into different scales, and the parameters of the GMM of the wavelet coefficients were estimated. The statistical characteristics of different textures were also compared. We found that the cluster characteristics of the wavelet coefficients are still obvious in the remote sensing big data set for different bands and different scales. However, it is not always well estimated when we modeled the long-term sequence big data setusingaGMM.Wealsofoundthatthefeaturesofdifferent textures for the big data set are obviously reflected in the probabilitydensityfunctionandmodelparametersofwavelet coefficients.

ผลลัพธ์ (ไทย) 1:

V. ข้อสรุป Inthispaper, wesampledandtransformedtheremotesensing ชุดข้อมูลขนาดใหญ่เข้ากับโดเมน wavelet ลักษณะทางสถิติของ wavelet coefficients ในแง่ของขนาด เวลา และวงดนตรีของชุดข้อมูลครอบคลุมถูกวิเคราะห์ และเปรียบเทียบ Thedatasetofdifferenttextureswasdecomposed เป็นเครื่องชั่งที่แตกต่างกัน และพารามิเตอร์ของจีเอ็มเอ็มของ wavelet coefficients ถูกประเมิน นอกจากนี้ยังมีการเปรียบเทียบลักษณะของพื้นผิวที่แตกต่างกันทางสถิติ เราพบว่า ลักษณะคลัสเตอร์ของ wavelet coefficients ยังคงเห็นได้ชัดเจนในระยะไกลตรวจจับใหญ่ชุดข้อมูลสำหรับวงแตกต่างกันและเครื่องชั่งน้ำหนักที่แตกต่างกัน อย่างไรก็ตาม มันไม่เสมอกันประมาณเมื่อเราจำลองลำดับระยะยาวใหญ่พื้น setusingaGMM.Wealsofoundthatthefeaturesofdifferent ข้อมูลสำหรับชุดข้อมูลขนาดใหญ่เห็นได้ชัดว่า reflected ใน probabilitydensityfunctionandmodelparametersofwavelet coefficients

ผลลัพธ์ (ไทย) 2:

สรุป V. Inthispaper, wesampledandtransformedtheremotesensing ข้อมูลขนาดใหญ่ตั้งในโดเมนเวฟ ลักษณะทางสถิติของเวฟ cients COEF Fi ในแง่ของขนาดเวลาและวงดนตรีของชุดข้อมูลที่ได้มาวิเคราะห์อย่างครอบคลุมและ
compared.Thedatasetofdifferenttextureswasdecomposed เข้าเครื่องชั่งน้ำหนักที่แตกต่างกันและพารามิเตอร์ของจีเอ็มเอ็ของเวฟ cients COEF Fi อยู่ที่ประมาณ ลักษณะทางสถิติของพื้นผิวที่แตกต่างกันนอกจากนี้ยังถูกนำมาเปรียบเทียบ เราพบว่าลักษณะคลัสเตอร์ของเวฟ COEF cients Fi ยังคงเห็นได้ชัดในข้อมูลขนาดใหญ่ระยะไกลที่กำหนดไว้สำหรับวงดนตรีที่แตกต่างกันและเครื่องชั่งน้ำหนักที่แตกต่างกัน แต่ก็ไม่เคยคาดกันได้ดีเมื่อเราสร้างแบบจำลองในระยะยาวลำดับขนาดใหญ่พื้นผิวข้อมูล setusingaGMM.Wealsofoundthatthefeaturesofdifferent สำหรับชุดข้อมูลขนาดใหญ่ที่เห็นได้ชัดอีกครั้ง FL ected ใน probabilitydensityfunctionandmodelparametersofwavelet COEF cients Fi

ผลลัพธ์ (ไทย) 3:

V สรุป inthispaper wesampledandtransformedtheremotesensing ใหญ่ , ชุดข้อมูลเป็นเวฟเล็ตโดเมน สถิติ ลักษณะของเวฟเล็ต coef จึง cients ในแง่ของขนาด , เวลา , และวงดนตรีของชุดข้อมูลได้กว้างและวิเคราะห์เปรียบเทียบ thedatasetofdifferenttextureswasdecomposed ในระดับต่างๆและพารามิเตอร์ของจีเอ็มเอ็ม ของเวฟ coef จึง cients อยู่ประมาณ ลักษณะทางสถิติของพื้นผิวที่แตกต่างกัน นอกจากนี้ยังเปรียบเทียบ เราจะพบว่า กลุ่มลักษณะของเวฟเล็ต coef จึง cients ยังคงชัดเจนในการรับรู้จากระยะไกลข้อมูลชุดใหญ่สำหรับวงดนตรีที่แตกต่างกันและระดับที่แตกต่างกัน อย่างไรก็ตาม มันไม่ได้เสมอดีประมาณเมื่อเราจำลองระยะยาวลำดับใหญ่ข้อมูล setusingagmm . พื้นผิว wealsofoundthatthefeaturesofdifferent สำหรับใหญ่ชุดข้อมูลแน่ชัดอีกครั้งflประมวลใน probabilitydensityfunctionandmodelparametersofwavelet coef จึง cients .