For the reduction of the computatio

For the reduction of the computation, in the reference [34], the HMM model is simplified by exploiting the inherent self-similarity of real world images.AlsointroducedisaBayesianuniversalHMM that fixes a few of the parameters no training is required. In reference [35], the authors propose a new ‘‘upwarddownward’’ algorithm, in which a Viterbi-like algorithm for global restoration of the hidden state tree is introduced. Almost all the methods that model the statistical characteristics of wavelet coefficients are only applicable to a small data set. Most of them are related to de-noising, texture analysis, segmentation, classification, and retrieval algorithms. For big data sets, such as space-temporal remote sensing data sets, we also need to model their wavelet coefficients to find the changing trends, discover the intrinsic mechanisms, and represent the rules of their evolution process. In this paper, we use the GMM to denote the statistical properties of wave let coefficients of are mote sensing big data set. Our contribution is to estimate the model parameters of a big data set using different aspects or dimensions such as time, spectral bands, scales, and textures.

ผลลัพธ์ (ไทย) 1:

สำหรับการคำนวณ ในการอ้างอิง [34], รุ่น HMM เป็นตัวย่อและตัว โดยใช้ประโยชน์จากธรรมชาติเองความคล้ายของจริงภาพ AlsointroducedisaBayesianuniversalHMM fixes ที่ที่สะดวกของพารามิเตอร์การฝึกอบรมไม่จำเป็นต้อง ผู้เขียนนำเสนอ '' upwarddownward'' อัลกอริธึม ถูกนำมาใช้อัลกอริทึมเหมือน Viterbi สำหรับการคืนค่าส่วนกลางของต้นสถานะซ่อนในอ้างอิง [35], วิธีการเกือบทั้งหมดที่รูปแบบลักษณะทางสถิติของ wavelet coefficients จะใช้กับชุดข้อมูลขนาดเล็กเท่านั้น ส่วนใหญ่จะเกี่ยวข้องกับยกเลิก noising วิเคราะห์เนื้อ แบ่งส่วน classification และอัลกอริทึมเรียก สำหรับชุดข้อมูลขนาดใหญ่ เช่นขมับพื้นที่ระยะไกลตรวจจับชุดข้อมูล เรา ต้องรุ่น coefficients ของ wavelet กับแนวโน้มการเปลี่ยนแปลง ค้นพบกลไกที่แท้จริง แสดงกฎของกระบวนการวิวัฒนาการ ในกระดาษนี้ เราใช้ดัสที่แสดงคุณสมบัติทางสถิติของคลื่นให้ coefficients ของมีมลทินจับชุดข้อมูลขนาดใหญ่ ผลงานของเราคือการ ประมาณพารามิเตอร์รูปแบบของชุดข้อมูลขนาดใหญ่โดยใช้ด้านต่าง ๆ หรือมิติเช่นเวลา แถบสเปกตรัม เครื่องชั่ง และพื้นผิว

ผลลัพธ์ (ไทย) 2:

สำหรับการลดลงของการคำนวณในการอ้างอิง [34], รุ่นอืมคือ Fi Simpli ed โดยการใช้ประโยชน์จากธรรมชาติคล้ายคลึงกันตนเองของ images.AlsointroducedisaBayesianuniversalHMM โลกแห่งความจริงว่า Fi XES ไม่กี่ของพารามิเตอร์การฝึกอบรมไม่จำเป็นต้องมี ในการอ้างอิง [35] ผู้เขียนนำเสนอใหม่ '' upwarddownward '' อัลกอริทึมซึ่งในขั้นตอนวิธี Viterbi เหมือนสำหรับการฟื้นฟูโลกของต้นไม้รัฐที่ซ่อนอยู่เป็นที่รู้จัก เกือบทุกวิธีการที่ว่ารูปแบบลักษณะทางสถิติของเวฟ COEF cients Fi เป็นเพียงที่ใช้บังคับกับชุดข้อมูลขนาดเล็ก ส่วนใหญ่จะเกี่ยวข้องกับการยกเลิกการ noising วิเคราะห์พื้นผิวการแบ่งกลุ่มจัดประเภท Fi ไอออนบวกและขั้นตอนวิธีการดึง สำหรับชุดข้อมูลขนาดใหญ่เช่นพื้นที่ชั่วคราวชุดข้อมูลระยะไกลเรายังต้องจำลองเวฟ cients COEF Fi ของพวกเขาไปยัง FI ND แนวโน้มการเปลี่ยนแปลงที่ค้นพบกลไกที่แท้จริงและเป็นตัวแทนกฎของกระบวนการวิวัฒนาการของพวกเขา ในบทความนี้เราจะใช้ GMM เพื่อแสดงถึงคุณสมบัติทางสถิติของคลื่นให้ COEF cients Fi ของมีมลทินตรวจจับชุดข้อมูลขนาดใหญ่ ผลงานของเราคือการประมาณค่าพารามิเตอร์รุ่นของชุดข้อมูลขนาดใหญ่โดยใช้แง่มุมที่แตกต่างกันหรือมิติเช่นเวลาวงดนตรีสเปกตรัม, เครื่องชั่งน้ำหนักและพื้นผิว

ผลลัพธ์ (ไทย) 3:

สำหรับการลดลงของการคำนวณในการอ้างอิง [ 34 ] , หืมมอง Simpli จึงเอ็ดโดย exploiting โดยธรรมชาติ ความเหมือนของตนเอง images.alsointroducedisabayesianuniversalhmm โลกที่แท้จริงจึงกไม่กี่ของพารามิเตอร์การฝึกอบรมไม่ต้อง ในเอกสารอ้างอิง [ 3 ] , ผู้ 'upwarddownward เสนอ ' ใหม่ ' ' ขั้นตอนวิธีที่ใช้อุปกรณ์ เช่น การฟื้นฟูสภาพของโลกที่ซ่อนต้นไม้เป็นที่รู้จัก เกือบทุกวิธีการที่รูปแบบลักษณะทางสถิติของเวฟเล็ต coef จึง cients เท่านั้นที่ใช้กับชุดข้อมูลขนาดเล็ก . ส่วนใหญ่ของพวกเขาเกี่ยวข้องกับ de-noising การวิเคราะห์ การตัดเนื้อ , classi จึงไอออนบวก และขั้นตอนวิธีการกู้คืนมา สำหรับชุดข้อมูลขนาดใหญ่ เช่น พื้นที่ชั่วคราวระยะไกลชุดข้อมูลที่เราต้องการรูปแบบของเวฟเล็ต coef จึง cients เพื่อถ่ายทอดและแนวโน้มการเปลี่ยนแปลง การค้นพบกลไกภายใน และเป็นตัวแทนของกฎของกระบวนการวิวัฒนาการของ ในกระดาษนี้เราใช้ 3.9G เพื่อแสดงคุณสมบัติทางสถิติของคลื่นให้ cients จึง coef ของชุดข้อมูลขนาดใหญ่จากมลทิน . ผลงานของเราคือการประมาณพารามิเตอร์ของข้อมูลชุดใหญ่ใช้แง่มุมที่แตกต่างกันหรือขนาด เช่น เวลา การ วง เครื่องชั่ง และพื้นผิว