Since it is difficult to deal with b

Since it is difficult to deal with big data using traditional models and algorithms,predicting and estimating the characteristics of big data is very important. Remote sensing big data consist of many large scale images that are extremely complex in terms of their structural, spectral, and textual features. Based on multiresolution analysis theory, most of the natural images are sparse and have obvious clustering and persistence characters when they are transformed into another domain by a group of basic special functions. In this paper, we use a wavelet transform to represent remote sensing big data that are large scale in the space domain, correlated in the spectral domain, and continuous in the time domain. We decompose the big data set into approximate multiscale detail coefficients based on a wavelet transform. In order to determine whether the density function of wavelet coefficients in a big data set are peaky at zero and have a heavy tailed shape, a two-component Gaussian mixture model (GMM) is employed. For the first time, we use the expectation-maximization likelihood method to estimate the model parameters for the remote sensing big data set in the wavelet domain. The variance of the GMM with changing of bands, time, and scale are comprehensivelyanalyzed.Thestatisticalcharacteristicsofdifferenttexturesarealsocompared.Wefindthat the cluster characteristics of the wavelet coefficients are still obvious in the remote sensing big data set for different band sand different scales.However,it is not always precise when we model the long-term sequence data set using the GMM. We also found that the scale features of different textures for the big data set are obviously reflected in the probability density function and GMM parameters of the wavelet coefficients.
INDEX TERMS Big data computing, remote sensing image processing, wavelet, parameters estimation.

ผลลัพธ์ (ไทย) 1:

เนื่องจากเป็น difficult ในการจัดการกับข้อมูลขนาดใหญ่โดยใช้รูปแบบดั้งเดิมและอัลกอริทึม การคาดคะเน และประเมินลักษณะของข้อมูลเป็นสิ่งสำคัญมาก การตรวจวัดข้อมูลระยะไกลประกอบด้วยรูปภาพขนาดใหญ่จำนวนมากที่มีความซับซ้อนมากในแง่ของโครงสร้าง สเปกตรัม และข้อความคุณสมบัติ ตามทฤษฎีวิเคราะห์ multiresolution ส่วนมากของภาพเป็นธรรมชาติห่าง และมีอักขระคลัสเตอร์และความคงทนชัดเจนเมื่อพวกเขาจะกลายเป็นโดเมนอื่น โดยกลุ่มพิเศษพื้นฐานของ ในกระดาษนี้ เราใช้การแปลง wavelet การแสดงระยะไกลตรวจจับข้อมูลที่มีขนาดใหญ่ในพื้นที่โด เมน มีความสัมพันธ์ในโดเมนสเปกตรัม ต่อเนื่องในโดเมนเวลา เราสามารถสลายชุดข้อมูลขนาดใหญ่เป็นรายละเอียดคร่าว ๆ ที่ multiscale coefficients อิงตามแปลง wavelet เพื่อตรวจสอบว่า ฟังก์ชันความหนาแน่นของ wavelet coefficients ในชุดข้อมูลขนาดใหญ่เป็น peaky ที่ศูนย์ และมีรูปร่างหางที่หนัก แบบสองส่วนผสมนที่ (จีเอ็มเอ็ม) เป็นลูกจ้าง ครั้งแรก เราใช้ไดคาดหวังโอกาสวิธีการประมาณพารามิเตอร์แบบระยะไกลตรวจจับใหญ่ชุดข้อมูลในโดเมน wavelet ความแปรปรวนของดัสที่ มีการเปลี่ยนแปลง ของวง เวลา comprehensivelyanalyzed Thestatisticalcharacteristicsofdifferenttexturesarealsocompared.Wefindthat ลักษณะคลัสเตอร์ของ wavelet coefficients จะยังคงชัดเจนในระยะไกลตรวจจับใหญ่ชุดข้อมูลสำหรับเครื่องชั่งแตกต่างวงทราย อย่างไรก็ตาม มันไม่ได้เสมอแม่นยำเมื่อเรารูปแบบชุดข้อมูลลำดับระยะยาวใช้กับจีเอ็มเอ็ม เรายังพบว่า มีขนาดของพื้นผิวที่แตกต่างกันสำหรับชุดข้อมูลขนาดใหญ่เห็นได้ชัดว่า reflected ในฟังก์ชันความหนาแน่นของความน่าเป็นและพารามิเตอร์ดัส wavelet coefficientsดัชนีเงื่อนไขการประมวลผลข้อมูล ประมวลผลภาพที่ตรวจจับระยะไกล wavelet การประมาณค่าพารามิเตอร์

ผลลัพธ์ (ไทย) 2:

เพราะมันเป็นเรื่องยากที่จะจัดการกับข้อมูลขนาดใหญ่โดยใช้แบบจำลองแบบดั้งเดิมและขั้นตอนวิธีการทำนายและการประมาณการลักษณะของข้อมูลขนาดใหญ่ที่มีความสำคัญมาก ระยะไกลตรวจจับข้อมูลขนาดใหญ่ประกอบด้วยหลายภาพขนาดใหญ่ที่มีความซับซ้อนมากในแง่ของโครงสร้างสเปกตรัมและคุณลักษณะที่เป็นข้อความ บนพื้นฐานของทฤษฎีการวิเคราะห์ multiresolution ส่วนใหญ่ของภาพที่เป็นธรรมชาติมีความเบาบางและมีการจัดกลุ่มที่เห็นได้ชัดและความเพียรของตัวละครเมื่อพวกเขาจะกลายเป็นโดเมนอื่นโดยกลุ่มของฟังก์ชั่นพิเศษขั้นพื้นฐาน ในบทความนี้เราจะใช้การแปลงเวฟเล็ตจะเป็นตัวแทนของข้อมูลขนาดใหญ่ระยะไกลที่มีขนาดใหญ่ในโดเมนพื้นที่ที่มีความสัมพันธ์ในโดเมนสเปกตรัมและต่อเนื่องในโดเมนเวลา เราย่อยสลายข้อมูลขนาดใหญ่ตั้งเป็นตัวอย่าง Multiscale รายละเอียด COEF cients Fi ขึ้นอยู่กับการแปลงเวฟ เพื่อที่จะตรวจสอบว่าฟังก์ชั่นความหนาแน่นของเวฟ cients COEF Fi ในชุดข้อมูลขนาดใหญ่เป็นแหลมที่ศูนย์และมีรูปร่างที่ Tailed หนักสององค์ประกอบผสมแบบเกาส์ (GMM) เป็นลูกจ้าง สำหรับช่วงเวลาแรกที่เราใช้วิธีการความคาดหวังสูงสุด-โอกาสในการประมาณค่าพารามิเตอร์แบบจำลองสำหรับข้อมูลขนาดใหญ่ระยะไกลที่ตั้งอยู่ในโดเมนเวฟ ความแปรปรวนของ GMM กับการเปลี่ยนแปลงของวงเวลาและขนาดมี comprehensivelyanalyzed.Thestatisticalcharacteristicsofdifferenttexturesarealsocompared.We Fi ndthat ลักษณะคลัสเตอร์ของเวฟ COEF cients Fi ยังคงเห็นได้ชัดในข้อมูลขนาดใหญ่ระยะไกลที่กำหนดไว้สำหรับวงดนตรีที่แตกต่างกันทราย scales.However ที่แตกต่างกันจะไม่เสมอ ได้อย่างแม่นยำเมื่อเราสร้างแบบจำลองในระยะยาวลำดับชุดข้อมูลโดยใช้ GMM นอกจากนี้เรายังพบว่าคุณสมบัติขนาดของพื้นผิวที่แตกต่างกันสำหรับชุดข้อมูลขนาดใหญ่ที่เห็นได้ชัดอีกครั้ง FL ected ในฟังก์ชั่นความหนาแน่นของความน่าจะเป็นและจีเอ็มเอ็พารามิเตอร์ของเวฟ COEF cients Fi.
INDEX เงื่อนไขการประมวลผลข้อมูลขนาดใหญ่การประมวลผลภาพระยะไกลเวฟพารามิเตอร์การประมาณค่า